datasätt

Datasätt är en samling data som används för analys, forskning eller modellering. Vanligtvis organiseras de i strukturerade former där varje rad motsvarar en observation och varje kolumn en variabel. Datasätt kan också vara ostrukturerade eller semistrukturerade, exempelvis textfiler, bilder eller tidsserier. De flesta datasätt åtföljs av metadata som beskriver innehållet, variablernas namn, datatyper och enheter.

Alla datasätt genomgår en livscykel som omfattar insamling, rensning, förbehandling och dokumentation. Insamlingen avgör urval, metod och eventuell bias. Rensning och förbehandling hanterar saknade värden, fel och inkonsekvenser innan data används i analys eller träning av modeller. God datasättshantering inkluderar versionering, ursprungshistorik och tydlig licens.

Kvalitet bedöms vanligtvis utifrån fullständighet, noggrannhet, konsekvens, aktualitet och representativitet. Etiska och juridiska frågor är centrala, särskilt när personuppgifter förekommer: anonymisering, dataskydd och efterlevnad av lagar som GDPR. Licensvillkor bestämmer hur datasättet får användas, delas och modifieras.

Användning och tillgång: Datasätt används för statistisk analys, maskininlärning, benchmarking och forskning. De tillhandahålls ofta av universitet, myndigheter eller privata företag och lagras i databaser eller filsystem, ibland i offentliga arkiv eller öppna data-portaler.