谷歌正式推出数据集搜索Dataset Search

2020年1月24日，Google正式推出数据集搜索引擎（https://datasetsearch.research.google.com）。目前Dataset Search已索引了全球网络上近2,500万个数据集，包括了教育、天气、癌症、犯罪、足球，以及动物等若干个子专题。Jeff Dean 和谷歌官方都在推特上宣布了这一消息

图1:推特截图

在 2018 年 9 月谷歌数据集搜索的 测试版本就开始面向「Scientists、journalists，students，data geek等人群」，一直以来都是人们寻找数据集的主要方式之一。

图2:数据集搜索首页

数据集，又称为资料集、数据集合或资料集合，是一种由数据所组成的集合。Data set（或dataset）是一个数据的集合，通常以表格形式出现。每一列代表一个特定变量。每一行都对应于某一成员的数据集的问题。它列出的价值观为每一个变量，如身高和体重的一个物体或价值的随机数。每个数值被称为数据资料。对应于行数，该数据集的数据可能包括一个或多个成员。

任何你感兴趣的主题都可能有无数种数据集。今天，谷歌数据集搜索已经涵盖了超过 2500 万种不同类型的数据集，它可以帮助你轻松地找到所有数据集的下载链接。

图3：数据集搜索示例

在正式版中，可以根据更新日期、下载格式（表格、图片、文本等），或者使用权限（允许用于商业用途、不允许用于商业用途）、是否可以免费获取等条件来进行搜索。Google鼓励数据集发布者都可以通过 schema.org 开放标准在自己的网站上进行规范性描述，以提高搜索结果的质量。

目前人们在数据集搜索上查询频率最高的词是「教育」、「天气」、「癌症」、「犯罪」、「足球」以及「狗」。目前绝大部分的公开数据都是以表格形式存储的，可以很容易地下载并进行处理。

图4：数据集下载示例