Smartprix的原始和未清理笔记本电脑数据集

关于数据集

语境

该数据集是从大型在线比价平台 Smartprix 抓取的原始、未清理且动态的笔记本电脑数据集合。数据每日更新，提供近乎实时的笔记本电脑市场快照。其“未清理”的特性，包含嵌套的特征列和半结构化数据，使其成为在深入分析和建模之前练习数据整理和预处理技能的绝佳资源。

内容

该数据集的结构为单个 CSV 文件，laptops.csv其中每一行代表一个唯一的笔记本电脑型号。列采用独特的格式，使用点符号表示分层特征。这反映了所抓取数据的原始格式。

例如，处理器的“品牌”列并非简单，而是Processor.Brand。同样，显示属性也细分为Display.Size、Display.Resolution、Display.Refresh Rate等。

该数据集包含多种特征，包括但不限于：

• 一般：品牌、型号、操作系统、尺寸、重量、保修
• 显示屏：尺寸、分辨率、刷新率、触摸屏支持
• 处理器：品牌、型号、代数、核心数、时钟速度
• 内存： RAM（大小和类型）、固态硬盘（SSD）、硬盘驱动器（HDD）
• 图形： GPU 品牌和型号
• 电池：容量、备用电池估算
• 连接性： Wi-Fi、蓝牙、端口（HDMI、USB 等）
• 定价：价格、降价信息

该数据集的主要特征：

• 原始且未清理：预期存在缺失值、格式不一致以及需要进行数据类型转换的情况。某些列甚至可能包含嵌套数据结构（例如 JSON 字符串），这为特征工程带来了挑战。
• 动态：数据每天都在变化，所以你今天看到的内容明天可能就不一样了。这对于构建能够处理现实世界数据波动的稳健模型非常有用。
• 分层列：以点分隔的列名（Category.Feature）将需要解析，以便为大多数机器学习模型创建干净、平坦的特征集。

潜在用途和灵感

该数据集非常适合各种数据科学任务：

• 数据清理实践：培养处理缺失数据、纠正数据类型和解析复杂字符串字段的技能。
• 探索性数据分析 (EDA)：分析笔记本电脑市场的趋势。不同价位的笔记本电脑最常见的功能有哪些？不同品牌的规格有何不同？
• 价格预测：建立机器学习模型，根据笔记本电脑的规格预测其价格。
• 特征工程：从原始数据中提取有意义的特征。例如，你可以解析数据Processor.Model以创建更细粒度的特征。

祝你好运，清洁愉快！