在數(shù)據(jù)分析學(xué)習(xí)中，尤其是對于還沒有真正進入數(shù)據(jù)分析行業(yè)的新人來說，一個需要面對的挑戰(zhàn)就是要找到合適的數(shù)據(jù)，并提出一個感興趣的問題。在 Cousera 上中有 Wesleyan大學(xué)提供的數(shù)據(jù)分析專項課程中，提供了一些可以公開使用的的數(shù)據(jù)集，整理一下，希望能夠?qū)Υ蠹矣兴鶐椭?/p>
由于課程的語言為英文，所以所有的Codebook 也都是英文的，但是并不難，相信有了基本的英文閱讀能力都可以讀懂。
什么是 Codebook? 在一些數(shù)據(jù)采集的過程中，會遇到各種不一樣的情況，有一些數(shù)據(jù)是連續(xù)性的，或者叫計量資料（quantitative data），有一些數(shù)據(jù)則是不連續(xù)的，或者叫計數(shù)資料（categorical data），比如我們想要調(diào)查家庭結(jié)構(gòu)對于孩子成績的影響，那么我們的調(diào)查資料中，有關(guān)父母情況的數(shù)據(jù)，可以設(shè)定這樣一個問題：
你的父親和你的親密程度如何？1. 很差 2. 差 3. 還可以 4.好 5.很好。
然而這并不能反應(yīng)所有情況，如果孩子沒有父親，或者不愿意回答這個問題怎么辦？我們還需要加入其它選項，比如：
你的父親和你的親密程度如何？1. 很差 2. 差 3. 還可以 4.好 5.很好 6.不想回答 7.不需要回答（沒有父親）8.不知道
這些結(jié)果在我們的數(shù)據(jù)集中，問題會有一個自己的編號，比如 H1WP9，它的答案，就包含了1-8這些數(shù)字。我們拿到的數(shù)據(jù)集，有的時候就是這樣的表格。
為了能夠看懂這些數(shù)字都意味著什么，需要些一個“說明書”，這個說明書，就是 Codebook 。
下面就是一些可以公開使用的數(shù)據(jù)集和相關(guān)的 Codebook：
-
美國國家流行病學(xué)會關(guān)于酒精和相關(guān)癥狀的研究U.S. National Epidemiological Survey on Alcohol and Related Conditions (NESARC)，調(diào)查了18歲以上的美國人的酒精使用程度和精神健康情況。
-
關(guān)于火星坑的研究，包含了在4.2億年前到3.8億年前一段特殊時期，由于小行行、彗星等撞擊產(chǎn)生的30萬個直徑大于1公里的火星坑的數(shù)據(jù)。
-
國家青少年跟蹤研究，收集了美國7-12年級的青少年，有關(guān)他們健康和行為的數(shù)據(jù)，包括個人喜好、家庭情況、朋友、親密關(guān)系、社交情況、學(xué)校、鄰居和社區(qū)等。這個跟蹤研究還在進行，有興趣可以從網(wǎng)站上獲取更多數(shù)據(jù)。課程中提供的是 Wave 1的數(shù)據(jù)。
-
Gapminder收集了全球各國的經(jīng)濟、健康和發(fā)展數(shù)據(jù)，創(chuàng)始人的 TED 演講是數(shù)據(jù)可視化的典范，網(wǎng)站也有很多可以玩的信息。
以上就是我在 Coursera 上發(fā)現(xiàn)的公開數(shù)據(jù)集，想學(xué)習(xí)如何使用它們練習(xí)自己的商業(yè)數(shù)據(jù)分析技能的話，歡迎和我一起上課。課程使用了 SAS 和 python 兩種語言，分別做了兩個版本，由于我目前正在學(xué)習(xí) SAS，所以會優(yōu)先分享 SAS 的部分，如果你愿意和我一起學(xué)習(xí)，并更新 python 的部分，歡迎勾搭和交流。
