En dataset är en samling relaterade datapunkter organiserade för analys. Det kan vara en enda tabell, en uppsättning filer eller ett databasutdrag. En dataset har ett syfte. Iris-datasetet innehåller mått på blomblad och foderblad, som används för att lära ut klassificering. MNIST-datasetet innehåller handskrivna siffror, som används för att jämföra bildigenkänning. Ett företags försäljningsdataset innehåller transaktioner, som används för att prognostisera intäkter. Datasetet definierar analysens gränser.

Datamängder varierar kraftigt i storlek, kvalitet och struktur. Vissa är tillräckligt små för att öppnas i ett kalkylblad. Andra sträcker sig över petabyte över distribuerad lagring. Vissa är noggrant sammanställda med dokumenterad ursprung. Andra är hämtade från webben med okänd tillförlitlighet. Kvaliteten på en datamängd avgör kvaliteten på den analys som bygger på den. En datamängd med saknade värden, snedvridet urval eller inkonsekvent märkning ger opålitliga resultat. Innan du använder en datamängd, undersök den. Vad är källan? Hur samlades den in? Vilken tidsperioden är det? Vad saknas? Vilka är de kända begränsningarna? Dessa frågor är inte valfria. De avgör vad informationen kan stödja. En datamängd som fungerar för en analys kan vara olämplig för en annan. Informationen känner inte till sina egna begränsningar. Analytikern måste göra det.

Datasetets egenskaper

• Storlek — antal poster och funktioner
• Struktur — tabellformad, hierarkisk eller ostrukturerad
• Kvalitet – noggrannhet, fullständighet, konsekvens
• Proveniens – varifrån det kommer och hur
• Licens — användarvillkor och omdistribution

En datamängd är en ögonblicksbild av världen. Ögonblicksbilden har en ram. Att förstå ramen är en del av att förstå datan.