Un set de date este o colecție de puncte de date corelate, organizate pentru analiză. Poate fi un singur tabel, un set de fișiere sau un extras de bază de date. Un set de date are un scop. Setul de date Iris conține măsurători ale petalelor și sepalelor de flori, utilizate pentru a preda clasificarea. Setul de date MNIST conține cifre scrise de mână, utilizate pentru a evalua recunoașterea imaginilor. Setul de date despre vânzările unei companii conține tranzacții, utilizate pentru a prognoza veniturile. Setul de date definește limitele analizei.

Seturile de date variază foarte mult în ceea ce privește dimensiunea, calitatea și structura. Unele sunt suficient de mici pentru a fi deschise într-o foaie de calcul. Altele se întind pe petabytes pe un spațiu de stocare distribuit. Unele sunt atent selectate, cu proveniență documentată. Altele sunt extrase de pe web, cu o fiabilitate necunoscută. Calitatea unui set de date determină calitatea analizei construite pe baza acestuia. Un set de date cu valori lipsă, eșantionare părtinitoare sau etichetare inconsistentă produce rezultate nesigure. Înainte de a utiliza un set de date, examinați-l. Care este sursa? Cum a fost colectat? Care este perioada de timp? Ce lipsește? Care sunt limitările cunoscute? Aceste întrebări nu sunt opționale. Ele determină ce pot suporta datele. Un set de date care funcționează pentru o analiză poate fi nepotrivit pentru alta. Datele nu își cunosc propriile limitări. Analistul trebuie să le cunoască.

Caracteristicile setului de date

• Dimensiune — numărul de înregistrări și caracteristici
• Structură — tabelară, ierarhică sau nestructurată
• Calitate — acuratețe, completitudine, consecvență
• Proveniență — de unde provine și cum
• Licență — termeni de utilizare și redistribuire

Un set de date este o imagine a lumii. Imaginea are un cadru. Înțelegerea cadrului face parte din înțelegerea datelor.