← Все курсы · Портфельные проекты · Все руководства

Где найти бесплатные наборы данных для практики

Где их взять и три колонки, которые решают, стоит ли одна из них вашей недели · Часть Analyst Prep Kit

К Майкл Носито, аналитик данных · Опубликовано 8 августа 2026 г.

К концу этой страницы у вас будет краткий список мест, содержащих миллионы бесплатных наборов данных, и кое-что более полезное: пятиминутный экран, который сообщит вам, может ли конкретный файл чему-то вас научить, прежде чем вы потратите на него неделю. Найти данные не так уж и сложно. Почти каждый список бесплатных наборов данных пропускает ту часть, где вы решаете.

Вот чем на самом деле заняться сегодня. Откройте любой набор данных, который вы рассматриваете, и убедитесь, что в нем есть три вещи: столбец даты, столбец категории, по которому можно группировать, и столбец чисел, который стоит сложить. Если в нем отсутствует один из трех, на нем невозможно практиковать большинство аналитических техник, каким бы интересным ни был предмет.

Краткая версия: правительственные порталы открытых данных — лучший исходный материал, Каггл — самый быстрый для поиска, а экран в разделе 6 — это то, что останавливает вас на неделю.

Эти три типа столбцов — единственная идея, на которой держится все остальное, поэтому они уловили картину.

Когда, что и сколько. С помощью всех трех вы можете отслеживать тенденции, сравнивать и ранжировать, что и составляет большую часть работы. Не хватает любого из них и целых техник не за что укусить.

Что ты будешь делать

Почему набор данных стоит того, чтобы с ним практиковаться
Места, которые стоят вашего времени
Государственные открытые данные и почему это ближе всего к реальной работе
Каггл, и единственное, что там нужно проверить
Знаменитые обучающие наборы данных и что они могут и не могут вам дать
Пятиминутный экран
Полное до и после
Что пошло не так и как это исправить
Почему выбор колодца важнее инструмента
Используйте это в своем портфолио
Все на одном экране

Все перечисленные здесь источники были проверены 8 августа 2026 года. Ссылки портятся быстрее, чем что-либо еще на такой странице, поэтому, если к тому времени, как вы ее читаете, какая-то из них переместилась, поиск по-прежнему будет производиться по имени.

1. Почему набор данных стоит того, чтобы с ним практиковаться

Прежде чем объяснять: подумайте о теме, которую вам было бы интересно проанализировать. Что должна содержать одна строка этих данных, чтобы вы могли вообще что-либо сказать о ней?

Набор данных учит вас чему-то, когда он может содержать вопрос. Три типа столбцов позволяют это сделать.

Свидание. Без него вы не сможете спросить, изменилось ли что-нибудь, что исключает тенденции, сезонность, темпы роста и сравнения до и после. Это значительная часть того, за что на самом деле платят аналитикам.

Категория. Регион, продукт, отдел, вид. Это то, по чему вы группируете, а группировка — это ход, который превращает кучу строк в сравнение. Одного столбца категории достаточно; два позволяют вам пересечь их.

Число. Что-то, что стоит суммировать или усреднять: цена, количество, продолжительность, температура. Идентификатор – это не то, хотя он и состоит из цифр, а суммирование столбца идентификатора это ошибка собственного руководства.

Еще две вещи превращают набор данных из пригодного для использования в хороший. Достаточно строк, чтобы группа не была маленькой, что на практике означает тысячи, а не десятки, поэтому среднее значение что-то значит. И второй стол, к которому вы могли бы присоединиться, потому что объединение — это навык, который отделяет работу с электронными таблицами от работы с базой данных.

2. Места, которые стоят вашего времени

Существуют сотни списков источников наборов данных. Большинство записей мертвы, дублируются или представляют собой один файл, который кто-то опубликовал один раз. Это те, которые погашают закладку.

Источник	Что там	Лучшее для
data.gov	Открытые данные на федеральном уровне, уровне штатов и на местном уровне США по каждому предмету.	Грязные, настоящие, действительно неочищенные данные. Самое близкое к рабочему файлу.
data.gov.uk и ONS	Правительство Великобритании и национальная статистика.	То же самое для читателей из Великобритании, плюс хорошо документированные статистические ряды.
Наборы данных Каггл	Очень большая коллекция с возможностью поиска, загруженная пользователями.	Быстро найти что-то по конкретной теме. Бесплатный аккаунт, необходимый для скачивания.
Наш мир в данных	Длинные глобальные временные ряды по здравоохранению, энергетике, народонаселению, климату.	Столбцы дат за несколько десятилетий. Каждая диаграмма предлагает свои данные в формате CSV.
Открытые данные Всемирного банка	Показатели на уровне страны, большинство лет, большинство стран.	Практика объединения кодов стран и преобразование широких таблиц в высокие.
Поиск набора данных Google	Поисковая система по опубликованным наборам данных, а не хост.	Когда знаешь тему, а не источник.
Данные ПятьТридцатьВосемь	Около 150 аккуратных CSV-файлов, лежащих в основе опубликованных историй, под лицензией Креативное сообщество.	Небольшие чистые файлы с уже прикрепленным вопросом. Спортивные прогнозы перестали обновляться в 2023 году.
Репозиторий UCI	Многолетняя академическая коллекция, активно используемая в преподавании.	Классические упражнения. Многие файлы маленькие и уже аккуратные.

Обратите внимание, по чему на самом деле отсортирована таблица. Чем дальше вы продвигаетесь, тем более беспорядочными и реальными являются данные, и тем больше они напоминают то, что попадает в ваш почтовый ящик во вторник. Чем дальше, тем чище и удобнее. Оба имеют место, и важно знать, что вы выбираете.

3. Открытые данные правительства и почему это ближе всего к реальной работе

Открытые правительственные данные обладают качеством, которое кураторские коллекции не могут подделать: никто не приводил их в порядок для учащихся. Названия столбцов противоречивы, даты представлены в трех форматах, категории были переименованы в середине серии, а в сноске в отдельном PDF-файле объясняется, что 2019 год не сравним с 2020 годом.

Это звучит как причина избегать этого. Это причина использовать его. Очистка, сверка и документирование — это большая часть дня аналитика, и их нельзя практиковать на файле, где кто-то уже это сделал. Проект-портфолио, построенный на беспорядочных общедоступных данных, позволяет вам показать ту часть работы, которая действительно отличает людей, а именно суждение о том, что данные могут, а что не могут поддерживать. Документирование ограничений данных это половина этого навыка.

Один практический совет для этих порталов. Прежде чем что-либо загружать, найдите словарь данных, иногда называемый кодовой книгой или схемой. Это документ, объясняющий, что означает каждый столбец и как он был собран. Набор данных с одним стоит трех без него, потому что альтернатива — угадать, что STATUS_CD = 4 имелось ввиду для того, кто это напечатал.

4. Каггл, и единственное, что там нужно проверить

Каггл содержит огромную коллекцию с возможностью поиска и обычно является самым быстрым способом найти данные по указанному предмету. Для загрузки вам понадобится бесплатная учетная запись, а поиск намного лучше, чем на большинстве правительственных порталов.

Нужно проверить, откуда взялся набор данных. Загрузить может любой, поэтому страница Каггл может быть исходным релизом, копией государственного файла, копией чужой копии или синтетическим файлом, созданным кем-то. Это совершенно разные вещи для создания портфолио, и на странице разница не всегда очевидна.

На каждой странице набора данных находятся два сигнала, и их чтение занимает десять секунд. происхождение или источник В разделе должно быть указано, откуда на самом деле были получены данные, в идеале со ссылкой, по которой вы можете перейти на оригинал. лицензия сообщает вам, можете ли вы опубликовать его повторно, что имеет значение в тот момент, когда ваш проект выходит в общедоступную сеть. Если на странице вообще не указан источник, рассматривайте его как файл для упражнений, а не как доказательство, и не создавайте на его основе претензии к портфолио.

Прежде чем читать дальше, скажите, почему синтетический набор данных будет плохим выбором для портфельного проекта. Причина в том, что ваши выводы будут касаться чьего-то генератора случайных чисел, а не мира, и рецензент, распознавший файл, знает это. Практиковать на нем свою технику — это нормально. Представить вывод из этого нет.

5. Знаменитые обучающие наборы данных и что они могут и не могут вам дать

Почти в каждом уроке присутствует несколько файлов: список пассажиров Титаника, размеры цветков ириса, набор данных подсказок, файл жилья в Бостоне. Они известны тем, что они маленькие, понятные и загружаются в одну строку, что делает их отличными для демонстрации функции.

Чего они не могут вам дать, так это проекта. Это несколько сотен строк без столбца даты, каждый вопрос, который кто-либо мог задать, был задан и опубликован тысячи раз, и рецензент видел один и тот же анализ много раз до вашего. Использование их для обучения groupby эффективен. Помещая их в портфолио, вы тратите одно имеющееся у вас место на что-то, что ничего не говорит о вашем суждении.

Так что используйте их сознательно, в течение десяти минут, с которыми они хорошо справляются, и получите данные своего проекта из раздела 2. Существует простой тест: если поиск по имени набора данных возвращает тысячу готовых анализов, это скорее учебный файл, чем предмет портфолио.

6. Пятиминутный экран

Запустите это перед фиксацией любого набора данных. Каждый шаг — это одно действие, а все укладывается в пять минут, что является хорошей сделкой по сравнению с неделей.

Откройте его и прочитайте имена столбцов. Можете ли вы найти дату, категорию и номер? Если нет, остановитесь здесь.
Посчитайте ряды. Менее чем тысяча и большинство групп будут слишком малы, чтобы среднее значение могло что-либо значить.
Найдите словарь данных. Если его нет, можете ли вы честно сказать, что означает каждый столбец? Догадки – это то, как делается уверенный неправильный вывод.
Отсортируйте каждый важный столбец и посмотрите на оба конца. Самые большие и наименьшие значения отображают числа-заполнители, отрицательные количества и даты в 1900 году.
Подсчитайте пробелы в ключевых столбцах. Столбец категории, который на треть пуст, незаметно удалит треть ваших строк из каждого сгруппированного результата.
Напишите вопрос, на который вы бы ответили, в одном предложении. Если вы не можете, значит, проблема не в наборе данных, но у вас еще нет проекта.

Этот последний шаг люди пропускают, и именно он решает результат. Набор данных — это не проект. Превращение нечеткого вопроса в измеримое определение это шаг между ними.

А теперь представьте последний файл, который кто-то отправил вам на работу. Какая из этих шести проверок не прошла бы? Обычно это тот же чек, который стоил вам днем позже.

Полное до и после

Оба раза цель одна: создать портфельный проект за выходные.

До

Searched "best datasets for data analysis"
Downloaded a 400-row file on a subject that sounded fun
Opened it: two text columns and one number, no dates
Made a bar chart
Realised there is no second question to ask

На первом графике работа останавливается, и это не проблема мотивации. Без столбца дат невозможно найти тренд, а из-за 400 строк, разделенных по категориям, нет ничего, среднее значение которого было бы достаточно стабильным для сравнения. Набор данных не мог содержать второго вопроса, и это можно было узнать в первые две минуты.

после

Wrote the question first: "which categories grew fastest since 2020?"
Searched a government portal for that subject
Screened three candidates: dates, categories, numbers, row counts, dictionaries
Picked the one with a data dictionary and 60,000 rows
Found a second table to join on a shared code

Те же выходные, и теперь есть куда пойти. Столбец даты показывает тенденцию, столбец категории дает сравнение, количество строк означает, что сравнение стабильно, а присоединяемая вторая таблица означает, что проект может продемонстрировать навыки, которые не может показать электронная таблица. Вопрос стоял на первом месте, и именно поэтому просмотр вообще стал возможным.

Что пошло не так и как это исправить

Шесть, которые стоили людям больше всего времени.

Загружаемый файл представляет собой файл Excel с реальной таблицей, начинающейся с 8-й строки. Правительственные порталы делают это постоянно: заголовок, логотип, примечания, пустая строка, затем заголовки. Пропустите эти строки при импорте, а не удаляйте их вручную, чтобы этот шаг можно было повторить при обновлении файла.

Цифры текстовые. Разделители тысяч, символы валют, маркеры сносок и случайное «Н/Д» — все это превращает числовой столбец в текст. Исправьте это на этапе импорта и потом проверьте итоговую сумму.

Ведущие нули исчезли из почтовых индексов и номеров счетов. Открытие CSV-файла двойным щелчком по нему в Excel происходит автоматически. Исправление импорта CSV охватывает правильный маршрут.

Файл намного больше, чем указано на странице. Сжатые загрузки описывают их сжатый размер. Загрузка размером 200 МБ может занимать на диске несколько гигабайт. Обработка больших наборов данных это руководство на случай, если это произойдет.

Категории изменились в середине сериала. Регион, переименованный в 2022 году, превращается в две категории в сгруппированных результатах, каждая из которых охватывает часть периода. Всегда перечисляйте отдельные значения столбца категории, прежде чем доверять группировке, и когда дубликаты более беспорядочны, чем переименование, то есть Разрешение объекта.

Лицензия не позволяет переиздавать. Проверьте это до того, как ваш проект станет публичным, а не после. Государственные открытые данные обычно подходят; очищенная копия коммерческого источника обычно не является таковой.

Почему выбор колодца важнее инструмента

Есть причина, по которой на экране в разделе 6 появляется надпись «напишите вопрос». Анализ — это не суммирование файла; это акт ответа на что-то, а краткое изложение является лишь доказательством. Набор данных, выбранный без постановки вопроса, может давать только описания, поэтому так много первых проектов заканчиваются гистограммой. График не ошибочен. Просто нечего возразить.

Именно поэтому беспорядочный правительственный файл лучше аккуратного учебного файла для портфолио. Из очищенного файла были удалены те части работы, которые отличают одного аналитика от другого, решение о том, что означает столбец, замечание, что категория была переименована, высказывание вслух того, что данные не могут поддерживать. Остается только синтаксис, а синтаксис — это самое дешевое, что у вас есть.

Одно замечание по поводу написания этой страницы. Прежде чем дать ответ, вас постоянно просили дать ответ, что должна содержать одна строка, почему синтетические данные — плохая тема для портфолио. Попытка дать ответ до того, как вы увидите правильный, достоверно повышает, насколько хорошо сохраняется правильный ответ, даже если попытка неверна (Бисра, Лю, Несбит, Салими и Винн, 2018, Обзор педагогической психологии, 30(3), 703–725). И причина, по которой эта страница заканчивается таблицей, которую нужно просмотреть и вспомнить, а не кратким изложением, которое нужно перечитывать, заключается в том, что получение результатов обзора для долгосрочного удержания, с запасом, который увеличивается со временем (Краснее & выбирать карпа, 2006, Психологическая наука, 17(3), 249–255).

Используйте это в своем портфолио

Пять шагов по порядку. Первое – это то, что меняет результат.

Напишите вопрос, прежде чем искать. Одно предложение со сравнением. «Какие категории росли быстрее всего с 2020 года» важнее «что-то о жилье».
Отбирайте трех кандидатов, а не одного. Пять минут каждый. Выбор между тремя — это решение; взять первое - совпадение.
Предпочитаю файл со словарем данных, даже если тема немного менее интересна. Вы потратите гораздо больше времени на изучение колонок, чем на выбор темы.
Проверьте наличие присоединяемой второй таблицы прежде чем совершить. Именно это позволяет проекту продемонстрировать навыки работы с базами данных, а не с работой с электронными таблицами.
Запишите, на что данные не могут ответить, в первый день, в том же файле, что и ваши заметки. Этот абзац в конечном итоге становится наиболее заслуживающей доверия частью готового произведения.

Если у вас под рукой есть бумага, один дополнительный рисунок стоит пяти минут. Нарисуйте столбцы набора данных, который вы рассматриваете, как ряд ячеек и отметьте, где вы находитесь, когда, что и сколько. Любое поле, которое вы не можете пометить, — это столбец, который вы еще не понимаете, а любая отсутствующая метка — это вопрос, который вы не сможете задать.

Подробнее об этом и еще что-нибудь подобное. Все инструкции находятся в одном месте на индекс направляющих: настройка, SQL, Excel, Python и навыки работы с ними.

Все на одном экране

Это лист поиска. Закройте правую колонку, проработайте левую и произнесите каждый ответ вслух, прежде чем проверять его.

вещь	Что это такое или что оно делает
Три столбца	Дата, категория, номер. Трендируйте, сравнивайте, измеряйте.
Пропала дата	Никаких тенденций, никакого роста, никаких до и после. Большая часть работы исчезла.
Не хватает категории	Нечего группировать, поэтому нет сравнения.
Столбец идентификатора	Состоит из цифр, а не числа. Никогда не суммируйте.
Достаточно строк	Тысячи, поэтому средний показатель по группе стабилен. Сотни – это демонстрация.
Присоединяемая вторая таблица	Что позволяет проекту продемонстрировать навыки работы с базами данных, а не навыки работы с электронными таблицами.
Правительственные порталы	Грязно и реально. Уборка и документирование — это навыки, которым они учат.
Каггл	Самый быстрый поиск. Проверьте происхождение и лицензию на каждой странице.
Словарь данных	Документ, в котором указано, что означает каждый столбец. Стоит больше, чем тема.
Наборы обучающих данных	Титаник, Ирис и друзья. Хорошо для десяти минут, плохо для портфолио.
Синтетические данные	Нормально для техники. Никогда для заключения о мире.
Пятиминутный экран	Столбцы, строки, словарь, оба конца, пробелы, вопрос.
Заголовки в строке 8	Обычное явление в государственных таблицах. Пропускать строки при импорте, не удалять вручную.
Переименованные категории	Разделите одну группу на две во времени. Перед группировкой перечислите различные значения.
лицензия	Решает, может ли ваш проект стать публичным. Проверяйте до, а не после.

Единственная привычка, которую следует сохранить. Напишите вопрос, прежде чем искать данные. Все остальное на этой странице — это способ проверить, может ли конкретный файл ответить на уже заданный вами вопрос, и ничто из этого не работает в другом порядке. Если набор данных мешает вам так, как не описано на этой странице, есть общее правило: шлейф диагностики на предмет застревания.

Еще одна мысль, и мне бы искренне хотелось услышать ответы других людей. Однажды я потратил большую часть выходных на файл, прежде чем заметил, что его столбец категории был переименован в середине периода, а это означало, что каждое сравнение, которое я делал, было между двумя половинками одного и того же объекта. Что скрывал от вас набор данных, пока вы не зашли слишком далеко, чтобы начать все сначала?

Ссылки

Бисра К., Лю К., Несбит Дж. К., Салими Ф. и Винн П. Х. (2018). Побуждение к самообъяснению: метаанализ. Обзор педагогической психологии, 30(3), 703–725.
Рёдигер, Х.Л., и Карпике, Дж.Д. (2006). Улучшенное обучение с помощью тестов: прохождение тестов на память улучшает долгосрочное запоминание. Психологическая наука, 17(3), 249–255.

У вас есть данные. Сложнее всего понять, какой вопрос стоит задать.

Думать как аналитик на 64 страницах рассказывается о том, как аналитик формулирует вопрос, проверяет свою работу и записывает то, что не соответствует цифрам.

Думать как аналитик, 19 $ →

У вас есть данные. Теперь охватите проект вокруг этого.

тот Мастерская проектов ведет вас от смутной идеи к конкретному вопросу, плану сборки и конечному результату, который вы можете показать, в том же порядке, который использует работающий аналитик. Именно здесь набор данных, который вы только что выбрали, превращается во что-то, содержащее утверждение.

Откройте проектную студию →