Kaggle，對于很多學習并從事數(shù)據(jù)科學和機器學習的同學們來說應該一點也不陌生。除了每年舉辦一次的 Kaggle 競賽被大家廣泛關注著，相信老司機們更是經(jīng)常使用 Kaggle 的數(shù)據(jù)集并在上面進行實踐練習。李飛飛也對 Kaggle 評論道：“Kaggle 是搜尋、分析公共數(shù)據(jù)集，開發(fā)機器學習模型，和提高數(shù)據(jù)科學專業(yè)水平的最佳場所?！?去年 Google 收購 Kaggle ，并提出 “推動 AI 技術的分享和推廣” 的使命。

在研究和工業(yè)界中，除了提升模型能力外，高質(zhì)量的結(jié)構化數(shù)據(jù)對結(jié)果也會產(chǎn)生不可忽視的影響。因此，人工智能頭條今天特別給大家分享一篇在 Kaggle 上發(fā)表的關于共享數(shù)據(jù)集收集工作的困難和重要性的文章，希望今后可以有更多的數(shù)據(jù)集被收集與共享。文章的最后還為大家分享了關于 Kaggle 搜索的Tips，希望對大家的學習和使用數(shù)據(jù)集有所幫助。

▌前言

本文由斯坦福大學研究計算和斯坦福醫(yī)學院的研究軟件工程師Vanessa Sochat 撰寫。

我們都知道，數(shù)據(jù)共享是一件很難的事，但在發(fā)現(xiàn)與獎勵方面具有很大的潛力。一個典型的 “共享操作” 可能看起來像是在移動硬盤上傳遞信息，將壓縮檔案放在某個大學或云服務器上，或批量存儲在一個安全的大學集群中。這是最佳方法嗎？這是容易的事嗎？要回答這些問題，首先考慮一下數(shù)據(jù)采集的可能經(jīng)歷的旅程。它看起來像下面這樣：

因為數(shù)據(jù)的生成更像是一個流，這一過程流經(jīng)常是周期性的，數(shù)據(jù)從步驟 1 到 步驟 6 的過程中停止的唯一原因就是我們決定停止收集。在最理想的情況下，我們希望將這些步驟完全自動化。第 1 步 我們可能是在 MRI 掃描儀上生成圖像，第 2 步可能是用自動化腳本將初始文件格式轉(zhuǎn)化為研究人員所需的格式，第 3 步移動到專用集群存儲，第 4 步用于研究組進行使用，第 5 步和第 6 步 （如果兩步全部發(fā)生）是額外的工作，進行再次處理并將數(shù)據(jù)傳輸?shù)焦蚕砦恢谩?/p>

通常我們在第 4 步時就停止了，因為進行到此處已經(jīng)可以滿足實驗室的需求，分析完成并寫入文件。有點諷刺的是，在第 5 和 6 步有可能會開啟潛在的發(fā)現(xiàn)之門。但不言而喻的是，如果我分享了我的數(shù)據(jù)集，但你先發(fā)布，那么我就輸了。數(shù)據(jù)就像橙子一樣，在把它的所有汁液榨干之前，我當然不想分享出去。但是，如果共享數(shù)據(jù)集本身可以生成一篇論文(或者類似的東西)，并且，如果步驟4和步驟5很容易，我們就將會有更多的數(shù)據(jù)共享。這也是我今天要討論的主題，雖然沒有可用的生產(chǎn)解決方案，但我將展示如何很容易地將數(shù)據(jù)共享為 Kaggle 數(shù)據(jù)集。

▌動態(tài)數(shù)據(jù)

之前我談到了關于living data的想法，概括的講因為新數(shù)據(jù)的出現(xiàn)，我們可以更新我們對世界的理解，關于有趣問題的答案。知識表示為靜態(tài)PDF還不夠好，因為它只表示了一個時間點。相反，動態(tài)數(shù)據(jù)證實了我們積累的用來證實或否認假設的，知識是一種有生命的、不斷變化的東西。為了使這個充滿生機和變化的東西成為現(xiàn)實，要求提供時需要很容易。

現(xiàn)在，共享數(shù)據(jù)是在發(fā)布過程之后的手工操作。許多期刊已經(jīng)鼓勵或要求進行數(shù)據(jù)共享，研究人員可以把某個時間點的數(shù)據(jù)集上傳至不同的平臺。我不認為這是了解世界的最佳方式，但是這種做法總比什么都不做好。我們不應該使用靜態(tài)文章，而應該使用數(shù)據(jù)提要，這些數(shù)據(jù)代入算法中并得到新的答案。我們希望數(shù)據(jù)共享在數(shù)據(jù)生成時可以自動進行，并且對所有想要研究它的研究人員開放。就目前而言，這可能是一個過于崇高的目標，但我們可以想象在兩個極端之間有可能會發(fā)生什么。

一個自動生成和共享數(shù)據(jù)集的簡單管道又是怎么樣的? 可能像下面這樣：

第 4 步到第 6 步仍然會發(fā)生(研究人員正在做分析)，但不是有一組人渴望得到這些數(shù)據(jù)，而是為了有成千上萬的人可以使用它們。不同的是我們在步驟 3 中添加了一個助手，即持續(xù)集成，用以簡化處理和共享數(shù)據(jù)的過程。我們通常認為持續(xù)集成（CI）用于測試或部署，但它也可能是數(shù)據(jù)共享的有用工具。因此我們把這個概念叫做"連續(xù)數(shù)據(jù)"。一旦數(shù)據(jù)被處理并傳輸?shù)窖芯拷M的存儲中，它也可能具有這個連續(xù)的數(shù)據(jù)步驟，將其打包以便共享。

▌Kaggle API

雖然一個更大的、機構層面的努力是理想的，但與此同時，我們也可以利用開源，免費使用Kaggle 這樣的資源。我認為 Kaggle 有可能做 Github 在早期科學重現(xiàn)性方面所做的事情。如果共享數(shù)據(jù)集既簡單又有趣，有潛在的回報，Kaggle 將會對規(guī)?；陌l(fā)現(xiàn)和協(xié)作產(chǎn)生影響。但我們需要一個開始！我決定從顯示我可以使用的 Kaggle API 來上傳數(shù)據(jù)集開始。它在 Web 界面中很容易實現(xiàn)，利用命令行也很容易實現(xiàn)。簡單來說，我們需要的只是一個包含數(shù)據(jù)文件和元數(shù)據(jù)（json文件）的目錄，我們可以將API客戶端指向該目錄。例如，這是我上傳的一個數(shù)據(jù)集：

datapackage.json 描述正在上傳的內(nèi)容

那么，分享你的數(shù)據(jù)集供給他人使用和發(fā)現(xiàn)有多難呢？你可以下載一個文件證書來認證服務。然后把文件（.tar.gz or .csv）放入文件夾中，創(chuàng)建一個 json 文件，并將工具指向它。這些操作很簡單，你幾乎可以不用任何額外的幫助就完成所有這些事情。將這樣的腳本插入到一些連續(xù)集成中，以便在將數(shù)據(jù)集添加到存儲時更新數(shù)據(jù)集。

▌Tools

在這里我創(chuàng)建了一個 Docker 容器，提供了一個之前與 Kaggle API 交互并生成一些數(shù)據(jù)集的簡短的示例。我在這里介紹一下腳本的基本邏輯。Kaggle 命令行客戶端在很多任務上都做得很好，但是作為一名開發(fā)人員，我希望更多地控制元數(shù)據(jù)規(guī)范和文件的創(chuàng)建。我還希望對它進行 Dockerized，這樣我就可以執(zhí)行一個與主機隔離的創(chuàng)建操作。

▌創(chuàng)建容器

此映像提供在 Docker Hub 上，你也可以自己構建：

我沒有將創(chuàng)建腳本公開為入口點，因為我希望這是一個“shell到容器中，并了解發(fā)生了什么”的交互，你可以這樣做：

▌創(chuàng)建數(shù)據(jù)集

create_dataset.py 腳本位于工作目錄中，此方法接收您希望生成數(shù)據(jù)集的參數(shù)。你可以不帶參數(shù)運行該腳本來查看細節(jié)：

對于這篇文章，更容易看到一個例子，在 /tmp/data/ARCHIVE，我有我的數(shù)據(jù)集文件（.tar.gz files），所以我首先準備了一份空白的完整路徑列表：

然后我想把它們上傳到一個叫做 vanessa/code-images.命令行如下：

上述涉及的參數(shù)說明如下：

關鍵字：以逗號分隔的關鍵字列表（無空格?。?/p>

文件：要上傳的數(shù)據(jù)文件的完整路徑

標題：數(shù)據(jù)集標題（有空格需要加上引號）

命名：數(shù)據(jù)集本身的名稱（不能包含空格或特殊字符以及引號）

用戶名：你的 kaggle 用戶名，或數(shù)據(jù)集所屬組織的名稱

接下來將會生成一個包含數(shù)據(jù)包的臨時目錄：

然后將文件添加到其中，例如，這是我的臨時文件夾的結(jié)果：

回顧上述過程，我不需要在此復制文件，因為一般我不喜歡對原始數(shù)據(jù)執(zhí)行任何類型的操作(以防出錯)。然后，該工具將顯示元數(shù)據(jù)文件(上面已經(jīng)顯示過的文件)，然后啟動上載。此過程需要一些時間，完成后會顯示一個 URL！

重點提示！有一些后期處理發(fā)生，這可能需要很多額外的時間（考慮到上傳的大小，這對我來說確實如此）。我的數(shù)據(jù)集實際上直到第二天早上才存在于給定的 URL 中，所以這個過程應該需要耐心。在完成之前，你會得到一個 404。你可以去跑步，或者今天就到此為止。

機構需要優(yōu)先考慮數(shù)據(jù)，并幫助研究人員管理自己的數(shù)據(jù)。研究者應該能夠得到支持來管理他們的數(shù)據(jù)，然后讓它以編程的方式訪問。這必須超越傳統(tǒng)庫提供的 “歸檔”，深入研究api、通知、部署或分析觸發(fā)器。雖然我們沒有這些生產(chǎn)系統(tǒng)，但一切都是從簡單的解決方案開始的，以便輕松創(chuàng)建和共享數(shù)據(jù)集。我的設想是，在進行計算的地方 （我們的研究計算集群）和數(shù)據(jù)存儲的地方（以及通過上載或API自動共享的地方）之間建立牢固的關系。類似這樣：

通知的范圍可以從任何地方發(fā)出：

（1）進入一個提要以告訴另一研究人員新數(shù)據(jù)；

（2）觸發(fā) CI 作業(yè)從存儲重新上載到共享位置；

（3）觸發(fā)某個容器的新版本的構建和部署，該容器將數(shù)據(jù)作為依賴項

▌What We Need：數(shù)據(jù)工程師 & 協(xié)作平臺

一個機構需要分配資源和人員來幫助研究人員提供數(shù)據(jù)。我相信，在未來，研究人員可以通過協(xié)作平臺，通過其他研究人員提供的數(shù)據(jù)源，共同合作進行研究。

更多內(nèi)容可訪問原文鏈接

http://blog.kaggle.com/2018/06/21/open-source-datasets-with-kaggle/

通過上面的介紹，大家肯定已經(jīng)感受到收集數(shù)據(jù)集這項工作的艱難和重要意義。而作為學習者，Kaggle，一個神一般的資源，面對成千上萬并每天都會更新添加的數(shù)據(jù)，我們又該如何找到數(shù)據(jù)集呢？接下來大為家介紹一些技巧和竅門，希望可以幫助大家更好的學習并利用 Kaggle，找到對自己有用處，感興趣的數(shù)據(jù)集。

原文鏈接：

http://blog.kaggle.com/2017/09/11/how-can-i-find-a-dataset-on-kaggle/

▌從數(shù)據(jù)集頁面搜索

點擊 Kaggle 頁面頂部顯示的 “數(shù)據(jù)集” 標簽，即可進入數(shù)據(jù)集頁面

▌數(shù)據(jù)集搜索

當您在數(shù)據(jù)集頁面中使用搜索欄時，與使用頁面頂部的搜索欄不同，您將獲得包含所有搜索結(jié)果的新頁面

▌搜索提示

Kaggle 的搜索支持一些額外的搜索語法。這意味著您可以使用以下修改來更準確地進行搜索。

“”：將搜索文本放在雙引號（“”）中將搜索引號中的確切短語?！扒煽肆Φ案狻?將返回關于巧克力蛋糕的結(jié)果，但不包括巧克力棒或紅色天鵝絨蛋糕。

+：在兩個單詞之間加上一個（+），中間沒有空格，將返回具有第一個詞和第二個詞的搜索結(jié)果?！扒煽肆?+ 蛋糕” 將返回巧克力和蛋糕的結(jié)果，但它們不必一起同時出現(xiàn)。

|：在兩個單詞之間放置一個（|）將返回結(jié)果中包含第一項或第二項?！暗案?|巧 克力” 將返回關于蛋糕或巧克力的結(jié)果。

*：如果您要查找多種拼寫的內(nèi)容，可以使用星號（*）表示 “此處有任何字符”?！癱hoc *” 將返回以 “choc” 開頭的結(jié)果，如 “choclate”，“chocked” 或 “chockablock”。

-：將減號（-）放在單詞前面會返回不包含該單詞的結(jié)果?！暗案?- 巧克力” 將返回不包含 “巧克力” 一詞的蛋糕的結(jié)果。

▌在搜索結(jié)果中找到特定內(nèi)容

如果您的搜索有很多結(jié)果，在搜索結(jié)果頁面中使用瀏覽器的 “在頁面查找” 功能返回有時會有所幫助。

▌排序結(jié)果

還可以用不同的方式對搜索結(jié)果進行排序：

熱度：這是結(jié)果排序的默認方式。熱度由許多因素決定，包括整體受歡迎程度以及某段時間內(nèi)活動增加。

投票數(shù)最多：根據(jù)他們收到的最高票數(shù)排序。

最近更新[我的推薦]：根據(jù)最近更新的結(jié)果（創(chuàng)建或添加新版本）對結(jié)果進行排序。這是我個人最喜歡的排序搜索結(jié)果的方式：其他人更可能提出流行的，較舊的數(shù)據(jù)集。我更喜歡看到較新的數(shù)據(jù)集。除其他優(yōu)點之外，我發(fā)現(xiàn)最近更新數(shù)據(jù)集的數(shù)據(jù)集上傳者更可能對問題做出回應并對內(nèi)核發(fā)表評論。

最近活動：根據(jù)最近任何人與數(shù)據(jù)集進行交互的情況對結(jié)果進行排序，包括評論，啟動或運行內(nèi)核。

相關性：根據(jù)它們對查詢的相關程度對結(jié)果進行排序。

▌特色 VS. 所有 數(shù)據(jù)集

默認情況下，只在數(shù)據(jù)集頁面上顯示 “Featured” 數(shù)據(jù)集。該數(shù)據(jù)集是由 Kaggle團隊成員精選的。特色數(shù)據(jù)集應該記錄完整，進行過數(shù)據(jù)清洗并且可以隨時使用。但是，并非所有數(shù)據(jù)集都具有特征，并且還有幾個高質(zhì)量數(shù)據(jù)集可能尚未提供。如果您希望看到所有數(shù)據(jù)集，而不僅僅是那些已被選為特色的數(shù)據(jù)集，您可以通過單擊 “All” 一 詞從 “Featured” 選項卡切換到 “All” 選項卡來執(zhí)行此操作。您還將看到精選數(shù)據(jù)集，這些數(shù)據(jù)集將通過標題旁灰色 “Featured” 標記進行區(qū)分。

▌數(shù)據(jù)集標簽

另一種查找數(shù)據(jù)集的方法是使用標簽（一個相對較新的功能）。您可以通過兩種方式搜索特定標簽。首先是通過點擊數(shù)據(jù)集列表中的標簽或數(shù)據(jù)集頁面上的標簽。這將返回具有匹配標簽的數(shù)據(jù)集列表。第二個是在搜索框中搜索標簽。您可以通過添加 “tag” 來完成此操作，然后在單引號中添加標簽的名稱。如果標簽中有空格，請包含它們。

標簽：'食物和飲料'：搜索標簽為“食物和飲料”的數(shù)據(jù)集

標簽：'internet'：搜索標簽為“internet”的數(shù)據(jù)集

數(shù)量眾多的標簽涵蓋了數(shù)據(jù)發(fā)布者用于使數(shù)據(jù)更容易被發(fā)現(xiàn)的各種主題。目前，用戶無法添加自己的單獨標簽。建議點擊標簽以了解更多有關標簽的信息，而不是使用文本搜索并試圖猜測某個標簽是否存在。

▌頁面頂部搜索欄進行搜索

當知道某些數(shù)據(jù)集已經(jīng)存在，可以在 Kaggle 網(wǎng)頁頂部的搜索欄進行搜索，這是一個方便的捷徑，但對于深入搜索，個人偏好還是喜歡在數(shù)據(jù)集頁面內(nèi)進行搜索

在右側(cè)，可以看到當搜索 “巧克力“ 時，在數(shù)據(jù)集的最佳結(jié)果都是數(shù)據(jù)集。

在左邊，可以看到，當搜索 “巧克力” 時，顯示結(jié)果依次是：數(shù)據(jù)集，內(nèi)核和用戶。

以上是關于 Kaggle 數(shù)據(jù)集的搜索 Tips，如果此時您需要使用特定類型的數(shù)據(jù)，可以上傳您的數(shù)據(jù)，也為這項艱難偉大的工程貢獻一份力量。