Ein Datensatz ist eine Sammlung zusammengehöriger Datenpunkte, die für Analysezwecke organisiert sind. Er kann aus einer einzelnen Tabelle, mehreren Dateien oder einem Datenbankauszug bestehen. Jeder Datensatz hat einen bestimmten Zweck. Der Iris-Datensatz enthält Messungen von Blütenblättern und Kelchblättern und dient der Klassifizierung. Der MNIST-Datensatz enthält handgeschriebene Ziffern und wird als Benchmark für die Bilderkennung verwendet. Der Umsatzdatensatz eines Unternehmens enthält Transaktionen und dient der Umsatzprognose. Der Datensatz definiert die Grenzen der Analyse.

Datensätze unterscheiden sich stark in Größe, Qualität und Struktur. Manche sind so klein, dass sie in einer Tabellenkalkulation geöffnet werden können. Andere erstrecken sich über Petabytes verteilter Speicher. Einige sind sorgfältig kuratiert und ihre Herkunft ist dokumentiert. Andere werden aus dem Internet gesammelt, ihre Zuverlässigkeit ist also ungewiss. Die Qualität eines Datensatzes bestimmt die Qualität der darauf basierenden Analyse. Ein Datensatz mit fehlenden Werten, verzerrter Stichprobe oder inkonsistenter Kennzeichnung liefert unzuverlässige Ergebnisse. Prüfen Sie einen Datensatz daher vor der Verwendung. Woher stammt er? Wie wurde er erhoben? Welchen Zeitraum umfasst er? Welche Daten fehlen? Welche Einschränkungen sind bekannt? Diese Fragen sind unerlässlich. Sie bestimmen, wofür die Daten geeignet sind. Ein Datensatz, der für eine Analyse funktioniert, kann für eine andere ungeeignet sein. Die Daten kennen ihre eigenen Grenzen nicht. Der Analyst muss sie kennen.

Merkmale des Datensatzes

• Größe – Anzahl der Datensätze und Merkmale
• Struktur – tabellarisch, hierarchisch oder unstrukturiert
• Qualität – Genauigkeit, Vollständigkeit, Konsistenz
• Herkunft – woher es stammt und wie
• Lizenz – Nutzungs- und Weitergabebedingungen

Ein Datensatz ist eine Momentaufnahme der Welt. Diese Momentaufnahme hat einen Rahmen. Den Rahmen zu verstehen, ist Teil des Verständnisses der Daten.