Jeu de données

Un jeu de données (en anglais dataset ou data set) est un ensemble de valeurs « organisées » ou « contextualisées » (alias « données »), où chaque valeur est associée à une variable (ou attribut) et à une observation. Une variable décrit l'ensemble des valeurs décrivant le même attribut et une observation contient l'ensemble des valeurs décrivant les attributs d'une unité (ou individu statistique)[1].

Structure d'un jeu de données

Un jeu de données peut avoir une structure tabulaire, par exemple un fichier CSV, une structure d'arbre, comme dans un fichier JSON ou XML, ou encore une structure de graphe, comme dans le RDF.

Lorsque les données sont tabulaires, en principe, chaque ligne correspond à une observation et chaque colonne à une variable[1].

Typologie

En statistiques et en économétrie, on distingue les séries temporelles (ou série chronologique) dans lesquelles on observe une unité statistique à différentes périodes, les données en coupe pour lesquelles on observe plusieurs unités statistiques pour une période donnée et les données de panel pour lesquelles on observe plusieurs unités statistiques à différentes périodes[2].

En apprentissage automatique, on distingue le jeu de données d'apprentissage, le jeu de données de validation et le jeu de données de test.

Exemples

Le fichier Fantoir est un jeu de données rassemblant l'ensemble des voies, des lieux-dits et des ensembles immobiliers en France.
Le quartet d'Anscombe est un ensemble de jeux de données artificiels créés par Francis Anscombe pour montrer l'importance de la visualisation de données.
Le Penn World Table est un jeu de données permettant des comparaisons internationales du produit intérieur brut réel.
Le jeu de données Iris

Annexes

Articles connexes

Bibliographie

(en) Colin Cameron et Pravin Trivedi, Microeconometrics : Methods And Applications, Cambridge University Press, 2005, 1056 p. (ISBN 978-0-521-84805-3, lire en ligne)

Références

(en) Hadley Wickham, « Tidy Data », Journal of Statistical Software, vol. 59, n^o 10,‎ 2014, p. 1-23 (DOI 10.18637/jss.v059.i10)
Cameron et Trivedi 2005, p. 47

Portail de l’informatique
Portail des probabilités et de la statistique
Portail des bases de données
Portail des données

Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Partage dans les Mêmes. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.

[hadley-1] (en) Hadley Wickham, « Tidy Data », Journal of Statistical Software, vol. 59, n^o 10,‎ 2014, p. 1-23 (DOI 10.18637/jss.v059.i10)

[2] Cameron et Trivedi 2005, p. 47