Datasættet

Datasættet er en systematisk samling af data, ofte organiseret i tabelform med rækker og kolonner. Hver række er en enhed eller observation, mens kolonnerne angiver variabler eller attributter. Datasættet kan være små eller store og bruges inden for videnskab, erhverv og forvaltning.

Et datasæt består af dataelementer, værdier og metadata. Data kan være numeriske, kategoriske eller tekstbaserede og gemmes i formater som CSV, JSON eller Parquet, eller i relationelle databaser. Metadata giver kontekst: kilde, tidsstempel og ejerskab. Dokumentation og sporbarhed er vigtige for reproducerbarhed.

Vigtige aspekter af datakvalitet er fuldstændighed, konsistens, nøjagtighed, aktualitet og unikhed. Provenance beskriver oprindelsen og ændringerne af dataene og hjælper ved fejlfinding og troværdighed. Data renses ofte for at fjerne fejl og duplikering og for at sikre ensartethed mellem kilderne.

Datasæt bruges i dataanalyse, statistik, maskinlæring og beslutningsstøtte. Deling og anvendelse kræver ofte privatlivsbeskyttelse og overholdelse af regler som GDPR, eksempelvis anonymisering eller pseudonymisering og passende adgangsbegrænsninger. Ejerskab og licenser bestemmes af aftaler.

Eksempler inkluderer offentlige statistiske datasæt, vejrdata og virksomheders kundedatabaser. Et veludviklet datasæt er dokumenteret og let tilgængeligt for relevante parter og understøtter reproducerbarhed i analyser og forskning.