Kaggle 数据集教程：Kaggle 笔记本

“Kaggle 笔记本”是一种免费的 Jupyter Notebook 服务器，可集成 GPU。与 DataCamp Workspace 笔记本类似，它允许您在云端计算机上执行机器学习操作，而无需在您自己的计算机上进行。每次创建 Kaggle 笔记本后，您都可以在浏览器中编辑并运行其内容。无需自行搭建 Jupyter Notebook 环境，只需进入 Kaggle，创建一个笔记本，即可在浏览器中开始使用。您可以在 Kaggle 笔记本页面查看您此前创建的笔记本，也可以查看他人的笔记本。

要创建笔记本，请在进入 Kaggle Code 页面后点击“New Notebook”（图 3.1）。完成此操作后，将为您分配云端资源，并立即创建一个笔记本。您可以通过点击左上角的笔记本名称为其命名。乍一看，Jupyter Notebook 中的许多选项和功能在这里同样可用。

关于 Kaggle 笔记本，最常见的问题是如何公开分享笔记本、如何将他人添加为协作者、如何将数据集导入到笔记本以及如何使用 GPU。执行这些操作所需的按钮见图 3.2。

图 3.1：Kaggle Code

首先，您需要提交一个笔记本版本才能将其公开。点击右上角的“Save Version”按钮即可创建笔记本的新版本。然后，您可以点击其左侧的“Share”按钮让所有人均可访问您的笔记本，或在同一菜单中添加他人为协作者。要导入数据集，只需点击右侧菜单中“Save Version”按钮下方的“Add data”按钮，并选择您想添加的数据集。要启用 GPU，需在右侧菜单的加速器（accelerator）部分选择 GPU 选项。您在 Kaggle 上每周最多可使用 30 小时的 GPU 时间。

图 3.2：Kaggle 笔记本

其他所有笔记本功能都在 Kaggle 文档中有详细说明。

KAGGLE 数据集

什么是 KAGGLE 数据集？

Kaggle 是一个数据科学平台，同时也支持数据集管理。“Kaggle 数据集”允许您创建自定义数据集、与他人分享，并轻松导入到您的笔记本中。此外，您还可以添加仅对您可见的私有数据集。

此功能之所以成为 Kaggle 上最重要的功能之一，是因为它让您能够访问由其他用户分享的各类高质量数据集。通过简单的搜索与筛选，您就能轻松找到所需的数据集。

数据集搜索筛选器

要搜索数据集，如图 4.1 所示，在搜索栏中输入关键词。在这里，您可以看到我们只需在搜索栏中输入“Covid”就能获取多份与大流行相关的数据集。

如果点击搜索栏右侧的“Filters”，将出现更多筛选选项（图 4.2）。借助这些选项，您可以通过输入数据集标签、文件类型以及数据集的最小或最大大小等值来缩小搜索范围（图 4.3）。

图 4.1：数据集搜索筛选器

Kaggle 允许您免费下载安装任何数据集，但根据您的使用目的，您可能需要留意数据集的许可类型。在某些情况下，例如用于学术论文或用于商业目的，您可能需要从数据集所有者处获得额外的许可。

图 4.2：按标签筛选数据集

Kaggle 上主要有三种许可证类型：

1. 知识共享（Creative Commons）：包含多种知识共享许可证：
1. CC0，表示公有领域，意味着在任何情况下数据集都可供所有人使用。
2. CC-BY，要求数据集使用者对其所有者进行署名。
3. CC-BY-SA，同样要求对所有者署名，并附加条件：即使数据集被修改，也必须保持相同类型的许可证。
2. GPL：该许可证基本上提供四种主要使用选项：
1. 首先，您可无限制地使用数据集。
2. 您还可以研究数据集的工作方式并对其进行修改。
3. 此外，您有权无限制地分发数据集的副本。
4. 最后，您也可以分发经过修改的数据集版本。
3. 开放数据库（Open Database）：允许用户共享、修改和使用数据集，但要求对修改后的数据集采用相同类型的许可证。

图 4.3：数据集搜索筛选器

数据浏览器

数据浏览器部分可让您快速浏览数据集的内容和结构。它为您提供数据文件与列的概览，以及相应的直方图（图 4.4）。

图 4.4：数据浏览器

入门数据集

以下数据集有趣且易于上手。您可以将这些数据集拉取到笔记本中，通过可视化开始动手实践。一旦有了想法，您甚至可以基于其中一些数据集构建机器学习模型。

• 数码宝贝数据库（Digimon Database）：来自《数码宝贝物语 网络侦探》（Digimon Story CyberSleuth）的数码宝贝及其招式数据库。
• 动物咬伤（Animal Bites）：包含 9000 多起咬伤事件的数据，包括狂犬病检测。
• 80 种麦片（80 Cereals）：关于 80 款麦片产品的营养数据。
• 女鞋价格（Women's Shoe Prices）：包含 1 万双女鞋及其销售价格的清单。
• 土拨鼠日预报与气温：Punxsutawney Phil 的冬季天气预报有多准确？

自定义数据集

您也可以在 Kaggle 上传并使用自己的数据集。当您拥有自有数据集，或在修改了某个数据集并希望在笔记本中使用时，此功能非常实用。要上传数据集，首先需要将主数据集文件打包为 zip。然后在数据集（Datasets）板块点击“New Dataset”。为您的数据集命名并上传 zip 文件（图 4.5）。

图 4.5：导入自定义数据集

就是这样。现在您可以将已上传的数据集拉取到笔记本中并开始使用，具体如第 2 节所示。如果您希望将数据集设为私有，请确保上传界面右下角的标签为“Private”。如果不想设为私有，您可以点击该标签并将其更改为“Public”。