Datensätze

Datensätze (singular: Datensatz) bezeichnet in der Datenverarbeitung eine Einheit von Daten. Je nach Kontext kann damit ein einzelner Datensatz oder eine Gesamtheit von Daten gemeint sein. In der Praxis fällt der Begriff sowohl im Datenbankkontext als auch in der Statistik und im Data Science hinein.

Im relationalen Datenbankmodell entspricht ein Datensatz einer Zeile in einer Tabelle. Er fasst die Werte der Attribute der Zeile zusammen und wird durch einen Primärschlüssel eindeutig identifiziert. In der Statistik und im Data Science wird ein Datensatz oft als Sammlung von Beobachtungen verstanden, die tabellarisch organisiert ist: Zeilen stehen für einzelne Beobachtungen, Spalten für Variablen oder Merkmale.

Datensätze lassen sich in gängigen Austauschformaten speichern und übertragen, etwa als CSV, JSON oder XML. Auch spezialisierte Formate wie Parquet oder ARFF kommen je nach Anwendungsfall vor. Zusätzlich enthalten Datensätze häufig Metadaten, die Struktur (Schema), Herkunft, Erhebungszeitraum und Qualitätsmerkmale dokumentieren.

Die Qualität von Datensätzen ist zentral: Vollständigkeit, Genauigkeit, Konsistenz, Aktualität und Nachvollziehbarkeit bieten Grundlage für verlässliche Analysen. Prozesse der Datenbereinigung, Validierung und Dokumentation helfen, Fehler und Inkonsistenzen zu reduzieren. Datenschutz und Privatsphäre beachten oft Anonymisierung oder Pseudonymisierung personenbezogener Daten gemäß geltenden Vorschriften.

Datensätze dienen der Analyse, dem Reporting, dem maschinellen Lernen oder der Replikation wissenschaftlicher Ergebnisse. Sie können offen zugänglich oder durch Nutzungsbedingungen eingeschränkt sein. Offene Datensätze verwenden häufig Lizenzen wie CC0 oder CC BY; andere Datensätze unterliegen kommerziellen oder datenschutzrechtlichen Beschränkungen.