2019-06-01 13:32:21
圆栗子 发自 凹非寺
谷歌数据集搜索工具，上线了。
在发布这个消息的博客里，团队大概表达了这样的意思：
现在啊，许多领域的科学家，每天呼吸的不是空气，是数据集。没有数据集，他们就活不下去。
△唯有数据集，能救命
不过，数据集分散在世界的各个角落，口口相传是最常用的传播途径。
谷歌想让搜索数据集，能像在Google Scholar上搜索论文那样容易。
如此，便有了GoogleDataset Search。
猫喜欢什么口味的冰淇淋？
这样一来，不论是哪里发布的数据集，谷歌一下就出来了。
连使用方法都有，你又少了一个不好好训练网络的理由。
所以，一起来试一下吧。在下是按衣食住行四类，分别搜索的。
·衣·
穿着的部分，搜的是胖次pants：
然后，就出现了墨西哥、秘鲁、哥伦比亚，各个国家关于裤子的数据集。
比如，从棉裤的视角，可看墨西哥的经济状况。
·食·
吃的东西，搜了ice cream：
最吸引人的，当然不是各国的冰淇淋生产力。
猫在哪个年纪，喜欢哪种口味的冰淇淋，果然有 (mei) 些 (sha) 研究价值。
·住·
就看北京房价吧，搜索beijing house price：
第一条结果来自Kaggle，是链家2011到2017年的数据。
这数据集的杀伤力，应该还是很大的。有兴趣的大家，可以自行观察。
传送门：https://www.kaggle.com/ruiqurm/lianjia
·行·
感觉出行服务、共享单车，也不会有什么惊喜。就搜了个horse：
当然，搜出香港赛马的数据，也并不惊喜。
第二条，是关注马体健康状况的疝气数据。曾经有项研究，用疝气预测马的死亡概率。
数据集里，也有大千世界，各位不妨自己去搜一搜。
数据集搜索，不是一天建成的
为了搭好这个搜索工具，谷歌团队给提供数据集的人们，准备了一份充满关怀的指南。
这样一来，大家对贡献的数据集，就能有个统一的描述方式：
· 谁创建了数据集？
· 什么时候发布的？
· 数据怎样收集的？
· 使用方法是什么？
……
信息一项一项填好，搜索工具才能更友好。
描述的时候，只要依照Schema.org的标准词汇表，就可以了。
谷歌把信息收集起来之后，就会去分析，一个数据集的不同版本，可能在哪些地方。
除此之外，还要看看有哪些论文(或者其他出版物) ，提到过这个数据集。
谷歌团队说，这一版已经支持多种语言。更多语言的支持也已经在路上了。
比如，想要自我打击的话，现在可以直接搜索“中国房价”。
普通谷歌搜索，也能搜数据表格
谷歌在数据集上做过的事情，远不止Dataset Search这个工具这么简单。
除此之外，团队也为人类最常用的谷歌搜索，加入了表格数据搜索的能力。
△进化前 vs 进化后 (右)
就像这样，已经可以搜索出谷歌基金会 (Google Foundation) 2014的总开支。
不过谷歌说，现在的这些努力结果，还是不够好。
他们希望，未来不论是科研领域、政府部门、新闻机构，还是任何各行各业，都有源源不断的数据，能从谷歌的平台上搜索出来。
意思就是，能提供数据集的大家，快到碗里来。
