Datová sada je kolekce souvisejících datových bodů uspořádaných pro analýzu. Může se jednat o jednu tabulku, sadu souborů nebo výtah z databáze. Datová sada má svůj účel. Datová sada Iris obsahuje měření okvětních lístků a kališních lístků, která se používají k výuce klasifikace. Datová sada MNIST obsahuje ručně psané číslice, které se používají k porovnání rozpoznávání obrázků. Datová sada o prodeji společnosti obsahuje transakce, které se používají k prognózování tržeb. Datová sada definuje hranice analýzy.

Datové sady se značně liší velikostí, kvalitou a strukturou. Některé jsou dostatečně malé na to, aby se daly otevřít v tabulce. Jiné zabírají petabajty napříč distribuovaným úložištěm. Některé jsou pečlivě spravovány s dokumentovaným původem. Jiné jsou získávány z webu s neznámou spolehlivostí. Kvalita datové sady určuje kvalitu analýzy, která je na ní založena. Datová sada s chybějícími hodnotami, zkresleným vzorkováním nebo nekonzistentním označováním produkuje nespolehlivé výsledky. Před použitím datové sady ji prozkoumejte. Jaký je zdroj? Jak byly shromážděny? Jaké je časové období? Co chybí? Jaká jsou známá omezení? Tyto otázky nejsou volitelné. Určují, co data mohou podporovat. Datová sada, která funguje pro jednu analýzu, může být nevhodná pro jinou. Data neznají svá vlastní omezení. Analytik je musí znát.

Charakteristiky datové sady

• Velikost – počet záznamů a funkcí
• Struktura – tabulková, hierarchická nebo nestrukturovaná
• Kvalita – přesnost, úplnost, konzistence
• Původ – odkud a jak to pochází
• Licence – podmínky použití a redistribuce

Datová sada je snímek světa. Snímek má rámec. Pochopení rámce je součástí pochopení dat.