<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Lym185151的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Lym185151</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Lym185151]]></copyright><item><title><![CDATA[796 条全球共享单车网络数据集 | 16 列全维度指标 (系统 / 位置 / 运营方)+ 多源覆盖 | 城市交通分析 / 运营布局 / 地理可视化用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151728273</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151728273</guid><author>Lym185151</author><pubDate>Mon, 15 Sep 2025 23:18:28 +0800</pubDate><description><![CDATA[【摘要】本数据集提供全球796个共享单车系统的结构化数据，涵盖16个核心维度（系统标识、地理坐标、运营方、GBFS接口等），解决传统数据碎片化、维度缺失等问题。数据覆盖欧洲、亚洲、美洲等多区域，标准化处理无缺失值，支持跨地域对比分析与地理可视化。应用场景包括：1）全球网络空间分布热力图绘制；2）运营模式与数字化水平评估（如欧洲联合运营占比60%）；3）随机森林模型预测系统类型（准确率≥0.7）。]]></description><category></category></item><item><title><![CDATA[2000-2023 年多国每日天气数据集 | 9 列全维度指标 (气温 / 降水 / 风速)+23 年时间跨度 | 气候趋势分析 / 环境建模 / 时间序列预测用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151595668</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151595668</guid><author>Lym185151</author><pubDate>Sun, 14 Sep 2025 09:00:00 +0800</pubDate><description><![CDATA[【摘要】本数据集整合2000-2023年全球20余国每日气象数据，涵盖气温、降水、风速、日照等9类核心指标，总记录超17万条。针对传统数据集的单一性缺陷，其突出优势在于多国覆盖（含五大洲不同气候带）、全维度指标（支持农业、防灾等多元场景）和23年长周期跨度（包含极端气候事件节点）。数据集已标准化处理，提供Python预处理代码示例，并演示气候趋势分析、气温预测等典型应用场景（如Prophet模型预测中国气温的MAE&lt;2℃），为气候研究、环境规划等领域提供高价值数据支撑。通过MIT许可证开放获取。]]></description><category></category></item><item><title><![CDATA[1985-2025 年黄金白银价格与地缘政治风险数据集 | 15 列全维度指标 + 40 年时间跨度 | 贵金属市场分析 / 地缘风险研究 / 投资策略构建用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151595203</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151595203</guid><author>Lym185151</author><pubDate>Sat, 13 Sep 2025 09:00:00 +0800</pubDate><description><![CDATA[​
本数据集针对上述痛点，整合Investing.com贵金属数据与 Matteo Iacoviello 权威地缘政治风险指数（GPRD），提供 1985-2025 年 40 年每日全维度数据，涵盖黄金 / 白银价格（开盘 / 最高 / 最低 / 收盘）、地缘风险指数（总指数 + 行为 / 威胁子指数）及重大事件标签，数据无缺失且格式标准化，无需预处理即可直接用于市场风险分析、投资策略构建与宏观经济研究。]]></description><category></category></item><item><title><![CDATA[9120 部 TMDb 高分电影数据集 | 7 列全维度指标 (评分 / 热度 / 剧情)+API 权威源 | 电影趋势分析 / 推荐系统 / NLP 建模用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151594586</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151594586</guid><author>Lym185151</author><pubDate>Fri, 12 Sep 2025 10:00:00 +0800</pubDate><description><![CDATA[本文介绍了一个基于TMDb权威数据的高分电影数据集，涵盖1902-2025年的9120部影片，包含电影ID、标题、剧情概述、上映日期、热度分数、平均评分和投票数等7个核心指标。相比传统数据集，该数据具有三大优势：1）权威源多维度指标，支持评分与热度相关性分析；2）百年时间跨度，可分析长期行业趋势；3）标准化处理无缺失值，降低使用门槛。数据集适用于电影趋势分析、推荐系统搭建和NLP建模等任务，并提供了数据预处理、评分预测、主题聚类和趋势可视化等核心任务的代码示例。]]></description><category></category></item><item><title><![CDATA[5 万条肺癌风险数据集 | 11 列全维度指标 (吸烟史 / 暴露因素 / 疾病史)+ 无缺失值 | 肺癌风险预测 / 风险因素分析 / 医疗建模用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151468744</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151468744</guid><author>Lym185151</author><pubDate>Fri, 12 Sep 2025 09:00:00 +0800</pubDate><description><![CDATA[本数据集为肺癌风险预测研究提供结构化医疗数据，包含50,000条患者记录，涵盖人口统计、风险暴露（吸烟、氡、石棉等）、基础疾病和家族史等11个核心指标。数据预处理完善，无缺失值，阳性病例占比25%符合临床分布。支持肺癌风险预测建模（逻辑回归/随机森林）、风险因素关联分析（卡方检验/Pearson相关系数）等任务。通过量化吸烟、COPD等关键因素的肺癌风险贡献，该数据集可辅助临床筛查工具开发和高危人群识别，为医疗决策提供数据支持。获取方式详见文末说明，遵循CC0协议免费用于非商业研究。]]></description><category></category></item><item><title><![CDATA[196 国 2020-2025 年 GDP 数据集 | 7 列年度经济指标 (现价美元)+IMF 权威源 | 全球经济趋势分析 / 国家增长预测 / 政策研究用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151458690</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151458690</guid><author>Lym185151</author><pubDate>Thu, 11 Sep 2025 00:14:02 +0800</pubDate><description><![CDATA[本文介绍了一个权威的全球GDP数据集，涵盖196个国家2020-2025年的GDP数据，其中2020-2023年为IMF核实数据，2024-2025年为预测值。该数据集解决了传统GDP数据碎片化、覆盖不全和缺乏预测的问题，具有权威来源、完整覆盖和长期跨度的特点。文章详细说明了数据预处理方法（单位转换、特征衍生等）和两个核心应用场景：基于XGBoost的国家GDP增长预测模型（MAE&lt;50十亿美元，R²≥0.85）和全球经济趋势分析（区域增长对比、经济体规模分组）。]]></description><category></category></item><item><title><![CDATA[5.2 万条 Myntra 时尚销售数据集（牛仔裤品类）| 7 列全维度指标 (价格 / 折扣 / 评分)+ 网络抓取源 | 定价趋势分析 / 品牌热度洞察 / 推荐系统用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151375390</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151375390</guid><author>Lym185151</author><pubDate>Wed, 10 Sep 2025 09:00:00 +0800</pubDate><description><![CDATA[本文介绍了Myntra平台52,120条牛仔裤销售数据集，该数据集包含品牌、产品描述、价格、折扣、评分和评价数量等7个核心维度，通过Selenium+BeautifulSoup合规抓取并经过标准化处理。相比传统电商数据，该数据集聚焦单一品类，覆盖产品全链路信息，可直接用于定价分析、品牌热度和推荐系统构建。文章详细展示了数据预处理方法（异常值处理、特征衍生）和两个核心应用场景：基于随机森林的价格预测模型（MAE&lt;200卢比）和品牌热度关联分析。]]></description><category></category></item><item><title><![CDATA[3900 条购物行为数据集 | 18 列全维度指标 (人口统计 / 产品属性 / 购买行为)+ 无缺失值 | 客户细分 / 消费趋势分析 / 推荐系统用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151374530</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151374530</guid><author>Lym185151</author><pubDate>Wed, 10 Sep 2025 00:08:16 +0800</pubDate><description><![CDATA[【摘要】本数据集针对电商购物行为分析中的痛点问题，提供结构化全维度数据，包含3900条标准化记录，覆盖用户人口统计、产品属性、交易行为及反馈评价等18个关键字段。数据特点包括：多品类（服装/鞋类/辅料等）均衡分布、四季消费场景模拟、无缺失值标准化标注。通过配套的Python代码示例，支持客户细分（KMeans聚类）和消费预测（XGBoost回归）等核心分析任务，可直接用于精准营销、库存优化等电商运营场景。]]></description><category></category></item><item><title><![CDATA[1005 条全球香水数据集 | 6 列全维度属性 (品牌 / 香调 / 受众 / 寿命)+ 无缺失值 | 香水分类 / 受众匹配 / 产品分析用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151196576</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151196576</guid><author>Lym185151</author><pubDate>Thu, 04 Sep 2025 23:59:28 +0800</pubDate><description><![CDATA[本文介绍了一个结构化全球香水数据集，包含1005条香水记录，涵盖品牌、香调、浓度、受众、寿命等6个核心维度。该数据集解决了传统香水数据维度单一、标注混乱、缺失值多等问题，具有字段标准化、逻辑自洽、无缺失值等优势。数据集支持香水分类、受众匹配与产品分析等任务，并提供完整的数据预处理、分析建模指导（包括随机森林分类、XGBoost回归和Seaborn可视化等方法）。通过浓度分布、香调偏好等分析，可帮助品牌定位产品、优化配方设计。数据集基于CC BY4.0许可证，适用于商业分析、学术研究等场景。]]></description><category></category></item><item><title><![CDATA[2133 条奢侈品美妆快闪活动数据集 15 列全维度指标 (客流 / 售罄率 / 区域)+3 种格式 需求预测 / 选址策略 / 定价分析用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151122653</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151122653</guid><author>Lym185151</author><pubDate>Wed, 03 Sep 2025 10:21:14 +0800</pubDate><description><![CDATA[《奢侈品美妆快闪零售数据集：助力数字化营销决策》 本数据集专为奢侈品美妆行业设计，提供2024-2025年全球2133条快闪活动全维度数据，覆盖5大区域、5类高端场景和5种活动形式。包含15个核心指标（日均客流、售罄率、租期等）和行业专属特征（限量SKU、高端venue类型等），解决传统数据集通用化、单一化的问题。数据经严格标注和验证，提供CSV/JSON/XLSX三种格式，可直接用于客流预测、售罄率分析和ROI计算等场景。]]></description><category></category></item><item><title><![CDATA[24.2 万条全球电动汽车充电站数据集（2025） 11 列全维度信息 (功率等级 / 位置 / 端口数)+4 个配套文件 充电网络规划 / EV 车型适配 / 政策分析用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151122422</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151122422</guid><author>Lym185151</author><pubDate>Wed, 03 Sep 2025 10:20:45 +0800</pubDate><description><![CDATA[【摘要】本数据集提供2025年全球电动汽车充电站全维度数据，包含24.2万条充电站点记录，覆盖122个国家。数据源自OpenChargeMap权威平台，包含11个核心维度（位置、功率等级、端口数量等）及4个配套文件（国家汇总、全球汇总、EV车型数据），支持跨区域对比分析、充电网络规划及车型适配研究。相比传统数据集，其优势在于全球覆盖、维度完整、数据关联性强，已进行结构化标注和异常值处理，可直接用于地理可视化、功率等级预测等分析任务。]]></description><category></category></item><item><title><![CDATA[200 条客户分析实践数据集 10 列增强特征 (收入 / 储蓄 / 偏好)+4 类购物偏好 客户细分 / ML 预测 / 零售营销用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151122210</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151122210</guid><author>Lym185151</author><pubDate>Tue, 02 Sep 2025 22:12:49 +0800</pubDate><description><![CDATA[【摘要】本文介绍一个增强版零售客户数据集，针对传统数据集的维度单一、场景失真等问题，提供200条结构化客户记录，包含10个核心维度（如收入、储蓄、信用评分、购物偏好等）。该数据集基于真实零售业务逻辑生成，支持客户细分、偏好预测等分析任务，具有三大优势：1）多维度特征覆盖客户全生命周期；2）特征间逻辑自洽符合行业规律；3）低门槛适配各类分析工具。文中详细展示了数据预处理、KMeans聚类、随机森林分类等应用案例，并提供完整代码示例，帮助用户快速开展零售客户价值分析、营销策略优化等实际业务应用。]]></description><category></category></item><item><title><![CDATA[3 赛季英超联赛数据集（2021-2024）| 376 场比赛 + 40 列全维度统计 (比分 / 控球率 / 上座率) | 球队表现分析 / 预测建模 / 足球趋势研究用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151054209</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151054209</guid><author>Lym185151</author><pubDate>Tue, 02 Sep 2025 22:00:38 +0800</pubDate><description><![CDATA[本数据集提供2021-2024三个完整英超赛季的结构化比赛数据，涵盖376场比赛记录、40个核心维度，包括比赛结果、控球率、射门数、上座率等关键指标。数据源自天空体育，经过标准化处理，解决了传统英超数据集指标不完整、跨赛季连贯性差、格式不统一等痛点。特点包括：1）3赛季跨周期覆盖，支持长期趋势分析；2）全维度指标，覆盖比赛-统计-商业全链路；3）字段标准化，节省60%以上数据预处理时间。数据集可直接用于球队表现分析、预测建模和足球研究，配套提供Python预处理代码和应用示例]]></description><category></category></item><item><title><![CDATA[多表关联国际酒店预订分析数据集 | 3 表结构化数据 (酒店 / 用户 / 评论)+31 列全维度指标 | 客户满意度分析 / ML 预测 / 市场趋势研究用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151054001</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151054001</guid><author>Lym185151</author><pubDate>Mon, 01 Sep 2025 14:30:00 +0800</pubDate><description><![CDATA[【摘要】本数据集为关系型国际酒店预订分析数据库，旨在解决传统酒店数据存在的碎片化、关联缺失和反馈非量化三大痛点。数据集包含3张关联表（hotels/users/reviews）、31个核心字段，覆盖酒店属性、用户画像和定量评论分数全链路信息，通过外键实现数据闭环。核心优势包括：1）多表外键关联构建完整分析链路；2）全维度指标支持多场景运营分析；3）提供CSV和SQLite双格式适配不同用户需求。数据集附带全流程应用指南，包含数据预处理、三种典型分析建模场景（评论预测、用户细分、定价优化）的代码实现及关键参数]]></description><category></category></item><item><title><![CDATA[400 + 条 2025 年 YouTube 视频统计数据集 | 15 列元数据 + 性能指标 (播放 / 点赞 / 评论)+ 多内容类别 | 媒体趋势分析 / ML 预测 / 频道基准用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151053874</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151053874</guid><author>Lym185151</author><pubDate>Mon, 01 Sep 2025 09:30:00 +0800</pubDate><description><![CDATA[本文介绍了一个2025年YouTube视频数据集，包含400+条结构化记录，涵盖15个核心维度（视频ID、标题、标签、类别、播放量、点赞数等），数据时效性截至2025年8月20日。该数据集解决了传统YouTube数据碎片化、滞后、非标准化的问题，特别适合内容创作者、研究者和营销人员进行趋势分析、播放量预测和内容优化。数据集可直接用于机器学习建模（如随机森林预测播放量、TextCNN分类视频内容），无需预处理即可分析标签热度、发布时段与播放量的关系等关键指标。]]></description><category></category></item><item><title><![CDATA[3000 条电动汽车分析数据集 | 25 列全维度指标 (性能 / 充电 / 电池 / 成本)+4 大地区覆盖 | EV 研究 / ML 预测 / 成本优化用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151053584</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151053584</guid><author>Lym185151</author><pubDate>Sun, 31 Aug 2025 23:57:46 +0800</pubDate><description><![CDATA[本文介绍了一份结构化电动汽车全维度分析数据集，旨在解决当前EV数据零散、局限和非标准化的痛点。数据集包含3000条记录，覆盖2015-2024年全球4大地区多品牌车型，包含25个核心指标（性能、电池、充电、成本等），具有维度全、覆盖广、标准化三大优势。通过Python代码示例演示了续航预测、电池健康度分析和充电功率预测等核心应用场景，支持机器学习建模和可视化分析。该数据集可帮助车企优化设计、消费者选择车型和政策制定者规划充电网络，显著提升EV研究效率。]]></description><category></category></item><item><title><![CDATA[30 天纽约布鲁克林 PM2.5 数据集 | 2 个监测站 + 每日浓度值 + 双传感器类型 | 空气质量分析 / 时间序列预测用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151053556</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151053556</guid><author>Lym185151</author><pubDate>Sun, 31 Aug 2025 23:48:19 +0800</pubDate><description><![CDATA[【摘要】本数据集提供2025年8月纽约布鲁克林两个监测站（含空气传感器和参考级传感器）的30天连续PM2.5监测数据，具有三大核心优势：1）完整关联监测站位置、传感器类型与时间序列数据；2）无缺失值的月度连续记录；3）规范文档说明（含UTC时间标注、单位定义）。数据集包含2个CSV文件（60条记录）及预处理代码，支持空气质量趋势分析、传感器精度对比和随机森林预测等场景，解决了传统环境数据碎片化、维度单一等问题。]]></description><category></category></item><item><title><![CDATA[2000 条美国物流绩效数据集 | 11 列全链路货运信息 + 2% 缺失值 + 3% 异常值 | 供应链优化 / 延迟预测 / ML 建模用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151024607</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151024607</guid><author>Lym185151</author><pubDate>Sat, 30 Aug 2025 19:00:00 +0800</pubDate><description><![CDATA[本文介绍了一个针对美国物流供应链优化的结构数据集，包含2000条货运记录，覆盖11个关键维度（货件标识、时空信息、成本状态等）。数据集特点包括：1）完整物流链路数据，支持端到端分析；2）模拟2%缺失值和3%异常值，贴近真实场景；3）多维度分区，适配不同分析需求。文章详细演示了数据预处理、延误预测和成本预测三个核心应用场景，提供完整的Python代码实现。该数据集可直接用于物流优化、机器学习建模等任务，帮助解决传统物流数据碎片化、失真等问题。获取方式为后台私信或关注指定公众号，使用遵循CC0协议。]]></description><category></category></item><item><title><![CDATA[40 万条社交媒体广告事件数据集 | 4 表关联 (用户 / 活动 / 广告 / 事件)+ 真实转化漏斗模拟 | 营销分析 / SQL 实践 / 预测建模用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/151023571</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/151023571</guid><author>Lym185151</author><pubDate>Sat, 30 Aug 2025 18:05:17 +0800</pubDate><description><![CDATA[摘要：本文介绍了一个结构化社交媒体广告数据集，包含4张关联表（用户、活动、广告、事件）共41万条记录，模拟真实广告平台数据模型。该数据集支持全漏斗分析（展示→点击→购买）、人群细分和ROI预测等核心营销分析任务，解决了传统广告数据集碎片化、失真和隐私风险等问题。通过SQL查询和Python代码示例，展示了如何进行广告转化漏斗分析、点击率预测和活动ROI预测等典型应用场景。数据集采用CC0协议，不含个人身份信息，可直接用于商业分析、教学和个人项目。]]></description><category></category></item><item><title><![CDATA[3024 条 2025 财经新闻市场事件数据集 | 含情绪 / 交易量 / 18 大指数数据 | NLP 金融分析与市场预测用]]></title><link>https://blog.youkuaiyun.com/Lym185151/article/details/150965846</link><guid>https://blog.youkuaiyun.com/Lym185151/article/details/150965846</guid><author>Lym185151</author><pubDate>Fri, 29 Aug 2025 09:30:00 +0800</pubDate><description><![CDATA[本文介绍 “2025 财经新闻市场事件数据集”，以解决当前金融数据集维度单一、场景局限、质量参差问题。数据集采集 2025 年 2-8 月全球 18 大市场指数数据，含 3024 条财经新闻记录，含文本、数值等类型，标注情绪、事件类别等信息（精度高），提供多格式文件。
其优势在于维度完整（建 “新闻 - 市场 - 影响” 闭环）、场景全面（覆盖多区域多事件）、复用性高且门槛低。文中还提供数据预处理、情绪分类（FinBERT）、指数预测（LightGBM）的代码示例与说明，展示样例，明确获取渠道、使用限制。]]></description><category></category></item></channel></rss>