Netflix 2025：用户行为数据集（210K+条记录）

关于数据集

🎬 Netflix 风格的合成数据集：210K+ 条记录，应对现实世界的数据挑战

专为数据科学教育和机器学习实践而设计的综合流媒体平台模拟。

🎯是什么让这个数据集如此特别？

这不仅仅是一个干净的数据集——它是专门针对现实数据质量问题精心打造的，反映了数据科学家在生产环境中遇到的问题。非常适合学习数据清理、预处理和构建强大的机器学习流程。

📊数据集结构（6 个相互连接的表）

文件	记录	描述	关键学习机会
用户.csv	10,300	人口统计 + 订阅	年龄/支出中的缺失值、重复值、异常值
电影.csv	1,040	内容元数据+评级	缺少类型、预算异常、格式不一致
观看历史记录.csv	105,000	查看会话和行为	狂欢模式、设备偏好、不完整的会话
推荐日志.csv	52,000	算法建议	点击分析、A/B 测试数据
搜索日志.csv	26,500	用户搜索查询	拼写错误、搜索失败、查询优化
评论.csv	15,450	文字评论+情绪	NLP预处理、情感分类

🎲有意为之的数据质量挑战

• 缺失值：不同领域的 10-20%（现实模式）
• 重复：3-6％重复记录（用户行为模拟）
• 异常值：年龄极端、消费异常、观看马拉松
• 不一致：拼写错误、格式变化、条目不完整
• 时间模式：季节性观看、周末狂欢、节假日高峰

🚀非常适合这些 ML 项目

🎯 分类与预测

• 用户流失预测
• 内容类型分类
• 评论情绪分析
• 点击率预测

🤖 推荐系统

• 协同过滤
• 基于内容的推荐
• 混合推荐模型
• 神经协同过滤

📈 时间序列和分析

• 查看模式预测
• 季节性趋势分析
• 用户参与度指标
• 内容受欢迎程度预测

🧹 数据工程

• 数据清理工作流程
• ETL 管道开发
• 数据质量评估
• 特征工程实践

🌍地理和时间范围

• 地区：美国（70%）和加拿大（30%），分布实际
• 时间范围：2024-2025 年观看数据
• 语言：英语评论和搜索查询
• 设备：移动设备、电视、台式电脑、平板电脑的使用模式

🔗数据关系

user_id所有表都通过外键连接movie_id，从而实现：

• 跨表分析和连接
• 用户旅程图
• 内容绩效相关性
• 全面的用户分析