隔離太無聊？每天一個數據科學項目，數據集都準備好了！
大數據文摘出品
來源：medium
編譯：張大筆茹、夏雅薇
首先，我想向所有的護士，醫生，超市員工，公共管理人員以及其他冒著生命危險為我們服務的人致敬。
不要把這一切當成理所當然的，他們做出了很大的貢獻，而我們能做的是盡可能在此期間花些時間學習新技能，讀書和提高自己。對于那些對數據，數據分析或數據科學感興趣的人，我提供了一份可以利用業余時間完成的數據科學項目清單，一共14個!
項目分為三種類型：
- 可視化項目
- 探索性數據分析(EDA)項目
- 預測建模
一、可視化項目
最容易上手的就是數據可視化， 以下三個數據集可以用于創建一些有意思的的可視化效果并加到你的簡歷中。
1. 新冠病毒可視化
學習如何使用Plotly構建動態可視化數據，展示冠狀病毒是如何在全球范圍內傳播的。Plotly很好用，它可以做動態可視化，好看且操作簡單。
- 難易程度：簡單
- 數據集：https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset
- 教程：https://towardsdatascience.com/visualizing-the-coronavirus-pandemic-with-choropleth-maps-7f30fccaecf5
2. 澳洲大火數據可視化
2019-2020年的叢林大火季，也稱為黑色夏天，由2019年6月開始的幾場極端野火組成的。據維基百科統計，這場大火燒毀了約1,860萬公頃的土地和5,900多座建筑物。
這是一個有趣的項目，可以利用Plotly或Matplotlib數據可視化工具來可視化野火的規模和對地理的影響。
- 難易程度：簡單
- 數據集：https://www.kaggle.com/carlosparadis/fires-from-space-australia-and-new-zeland
3. 地表溫度可視化
你是否懷疑過全球變暖的觀點?創建一些數據可視化效果，顯示地球表面溫度如何隨時間變化，并可以通過創建折線圖或其他動畫的Choropleth貼圖來實現!也可以創建一個預測模型來預測未來五十年內地球的溫度。
- 難易程度：介于簡單到中等之間
- 數據集：https://www.kaggle.com/berkeleyearth/climate-change-earth-surface-temperature-data/kernels
二、探索性數據分析項目
探索性數據分析(EDA)，也稱為數據挖掘，意思是數據分析過程中使用了多種技術來更好理解數據。
4. 紐約Airbnb數據挖掘
自2008年以來，Airbnb使游客和房東出行更方便，提出更多個性化的體驗世界的方式。該數據集包含有關2019年紐約出租的信息以及包含其地理信息，價格，評論數量等。
可以分析的一些角度如下：
- 哪些區域生意最好，為什么?
- 哪些區域的流量比其他區域大，為什么?
- 價格，評論數量和預訂天數之間是否存在一些關系?
難易程度：中等
數據集：https://www.kaggle.com/dgomonov/new-york-city-airbnb-open-data
5. 哪些因素與員工離職和績效有關
IBM公開了一個綜合數據集，可以使用它來了解各種因素如何影響員工的流失率和滿意度。一些變量包括教育程度，工作相關性，績效評估和工作生活平衡程度等。
分析此數據集，找到任何確實影響員工滿意度的變量，另外，還可以看看是否可以對變量進行重要程度排名。
- 難易程度：簡單
- 數據集：https://www.kaggle.com/pavansubhasht/ibm-hr-analytics-attrition-dataset
6. 世界大學排名
你認為你的國家擁有世界上最好的大學嗎?成為“最好”大學的衡量標準是什么?該數據集包含三個全球大學排名方式。使用此數據，你是否可以回答以下問題：
- 頂尖的大學都在哪些國家?
- 決定世界排名的主要因素是什么?
- 難易程度：簡單
- 數據集：https://www.kaggle.com/mylesoneill/world-university-rankings
7. 飲酒與在校表現
喝酒會影響學生的成績嗎?如果不會，那有什么別的影響嗎?這個數據是從中學數學和葡萄牙語課程的學生進行的一項調查中獲得的。它包含幾個變量，例如飲酒量，家庭人數，參與課外活動。
利用這些數據，挖掘學校成績與各種因素之間的關系。另外，看看是否可以根據其他變量來預測學生的成績!
- 難易程度：簡單
- 數據集：https://www.kaggle.com/uciml/student-alcohol-consumption
8. 寵物小精靈數據挖掘
對所有游戲玩家來說，這是一個包含來自七代802個 Pokemon的信息數據集。試著回答以下幾個問題!
- 哪一代寵物小精靈最強?哪代最弱?
- 哪種類型神奇寶貝最強?哪種最弱?
- 能否建立分類器來識別神奇寶貝?
- 身體特征與力量狀態(進攻，防守，速度等)之間是否有相關性?
難易程度：簡單
數據集：https://www.kaggle.com/rounakbanik/pokemon
9. 探索影響預期壽命的因素
世衛組織建立了一段時間內所有國家健康狀況的數據集，其中包括預期壽命，成人死亡率等方面的統計數據。使用此數據集，探索各種變量之間的關系，預測對預期壽命的最大影響因素是什么?
請嘗試回答以下問題：
- 最初選擇的各種預測因素是否真的影響預期壽命?實際影響預期壽命的預測變量有哪些?
- 預期壽命值低于(<65)的國家是否應該增加其醫療保健支出以改善其平均壽命?
- 嬰兒和成人死亡率如何影響預期壽命?
- 預期壽命與飲食習慣，生活方式，運動，吸煙，飲酒等是正相關還是負相關?
- 是否接受教育對人類壽命有何影響?
- 預期壽命與飲酒是正相關還是負相關?
- 人口稠密的國家的預期壽命是否有降低的趨勢?
- 免疫覆蓋率對預期壽命有什么影響?
難易程度：簡單
數據集：https://www.kaggle.com/kumarajarshi/life-expectancy-who
三、預測模型
10. 能源消耗的時間序列預測
該數據集由美國區域傳輸組織PJM網站上的功耗數據組成，使用此數據集，查看是否可以構建時間序列模型來預測能耗。除此之外，還可以查看是否可以找到一天中每個小時的趨勢，假日用電量以及長期趨勢!
- 難度：中高級
- 數據集：https://www.kaggle.com/robikscube/hourly-energy-consumption
11. 貸款預測
該數據集取自Analytics Vidhya，包括 615行和13列有關已批準和尚未批準的歷史貸款信息。你是否可以創建一個模型來預測貸款是否會獲批。
- 難易程度：簡單
- 數據集：https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/
12. 二手車價格計算器
Craigslist是全球最大的二手車經銷商，該數據集由Craigslist的抓取數據組成，每隔幾個月更新一次。使用此數據集，查看是否可以創建一個數據集來預測一輛汽車價格是否被高估或低估了。
- 難易程度：中等
- 數據集：https://www.kaggle.com/austinreese/craigslist-carstrucks-data
13. 信用卡欺詐檢測
該數據集顯示了兩天內發生的交易，其中284,807筆交易中有492筆欺詐。數據高度正態分布，欺詐占所有交易的0.172%。學習如何使用不正太的數據集并建立信用卡欺詐檢測模型。
- 難易程度：中高級
- 數據集：https://www.kaggle.com/janiobachmann/credit-fraud-dealing-with-imbalanced-datasets
14. 皮膚癌圖像檢測
通過10,000多張圖像來構建神經網絡來檢測皮膚癌。這絕對是最難的項目，需要有關神經網絡和圖像識別的儲備知識。
- 難易程度：難
- 數據集：https://www.kaggle.com/kmader/skin-cancer-mnist-ham10000
相關報道：
https://towardsdatascience.com/14-data-science-projects-to-do-during-your-14-day-quarantine-8bd60d1e55e1
【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】
