Et datasæt er en samling af relaterede datapunkter organiseret til analyse. Det kan være en enkelt tabel, et sæt filer eller et databaseuddrag. Et datasæt har et formål. Iris-datasættet indeholder målinger af blomsterblade og bægerblade, der bruges til at undervise i klassificering. MNIST-datasættet indeholder håndskrevne cifre, der bruges til at benchmarke billedgenkendelse. En virksomheds salgsdatasæt indeholder transaktioner, der bruges til at forudsige omsætning. Datasættet definerer analysens grænser.

Datasæt varierer meget i størrelse, kvalitet og struktur. Nogle er små nok til at kunne åbnes i et regneark. Andre spænder over petabytes på tværs af distribueret lagring. Nogle er omhyggeligt kurateret med dokumenteret oprindelse. Andre er hentet fra nettet med ukendt pålidelighed. Kvaliteten af ​​et datasæt bestemmer kvaliteten af ​​den analyse, der er bygget på det. Et datasæt med manglende værdier, forudindtaget sampling eller inkonsekvent mærkning giver upålidelige resultater. Før du bruger et datasæt, skal du undersøge det. Hvad er kilden? Hvordan blev det indsamlet? Hvad er tidsperioden? Hvad mangler der? Hvad er de kendte begrænsninger? Disse spørgsmål er ikke valgfrie. De bestemmer, hvad dataene kan understøtte. Et datasæt, der fungerer til én analyse, kan være uegnet til en anden. Dataene kender ikke sine egne begrænsninger. Analytikeren skal.

Datasættets karakteristika

• Størrelse — antal poster og funktioner
• Struktur — tabelform, hierarkisk eller ustruktureret
• Kvalitet — nøjagtighed, fuldstændighed, konsistens
• Proveniens – hvor det kom fra og hvordan
• Licens — brugs- og distributionsvilkår

Et datasæt er et øjebliksbillede af verden. Øjeblikket har en ramme. At forstå rammen er en del af at forstå dataene.