Tipos de datasets y para qué sirven

Un dataset, o conjunto de datos, es una colección de datos organizada normalmente en forma de tabla, con columnas que definen los campos y filas que guardan cada registro. Se utiliza para almacenar y analizar información de forma estructurada en proyectos de big data, aprendizaje automático e inteligencia artificial. A continuación verás qué es, qué tipos existen y dónde encontrarlos.

Qué son los datasets

Un dataset es un conjunto de datos tabulados que se almacena utilizando un sistema de datos estructurados, como una base de datos relacional. Su traducción es «conjunto de datos» y se corresponde con el contenido de una tabla: una serie de columnas en las que se guardan los registros distribuidos en distintas filas. La gran cantidad de información que manejan hoy las empresas ha convertido el dataset en una pieza indispensable para gestionar esos datos y extraer valor para el negocio.

Conviene distinguir los datos estructurados —los que encajan con orden en filas y columnas— de los no estructurados, como las imágenes o los textos libres. Los datasets clásicos se basan en datos estructurados, que son más fáciles de consultar, filtrar y analizar. Tecnologías como el aprendizaje automático, la inteligencia artificial o el big data dependen de conjuntos de datos bien organizados: cuanto más limpio y estructurado esté un dataset, más fiables serán los análisis y los modelos que se construyan a partir de él.

Ejemplo de un dataset

Imagina la tabla de productos de una tienda online. Cada columna representa un atributo —nombre, precio, categoría o stock— y cada fila o registro contiene los datos de un producto concreto. Cuando se añade un artículo nuevo, se crea una fila más con sus valores correspondientes en cada columna. Ese conjunto de filas y columnas es, precisamente, un dataset.

Diferencia entre dataset y dataframe

Es habitual confundir los términos dataset y dataframe, ya que ambos están relacionados con el big data. Un dataframe es un conjunto de datos organizado en columnas que admite valores alfanuméricos; se puede imaginar como una gran hoja de cálculo estructurada en filas y columnas. La diferencia principal es que el dataframe es una estructura que se manipula en memoria con herramientas de análisis, como las librerías de Python o R, mientras que el dataset es, de forma más general, el propio conjunto de datos, con independencia de cómo se cargue o se procese.

Dónde encontrar los datasets

Cada vez es más habitual recurrir a estos conjuntos para acceder a información valiosa, y en internet existen multitud de repositorios donde se pueden consultar de forma gratuita. Algunos de los más interesantes para acceder a datos públicos son:

• Google Dataset Search. El buscador de datos más popular a nivel global; indexa datasets de una enorme cantidad de fuentes públicas.
• FiveThirtyEight. Publica los conjuntos de datos que utiliza en sus análisis y artículos.
• Kaggle. Una comunidad con miles de datasets abiertos y competiciones de ciencia de datos.
• UCI Machine Learning Repository. Un clásico repositorio académico de datos para entrenar y probar modelos.
• Portales de datos abiertos. Iniciativas públicas como data.gov o el portal de datos abiertos de la Unión Europea ofrecen estadísticas oficiales reutilizables.

Tipos de datasets

Según cómo se almacenen y se organicen, podemos distinguir varios tipos de conjuntos de datos:

De archivo

Es el dataset que se guarda en un único archivo, como un CSV, un JSON o una hoja de cálculo. Resulta cómodo para compartir y para trabajar con volúmenes de datos moderados, ya que todo el conjunto está contenido en un solo fichero y puede abrirse con herramientas muy variadas.

De carpeta

Se habla de un dataset de carpeta (folder dataset) cuando en una misma carpeta se almacenan distintos datasets de archivo que están interconectados o relacionados entre sí. La carpeta agrupa esos ficheros para tratarlos como un conjunto coherente.

De bases de datos

Es el tipo más habitual en las empresas, ya que sus datos se encuentran en las bases de datos relacionales que utilizan para gestionar la información, por ejemplo en una base de datos Access o MySQL. Cada tabla de la base de datos puede entenderse como un dataset, y con consultas SQL se extraen y combinan los registros que interesan en cada momento.

Conjunto de datos web

El dataset web engloba todos los datos que se guardan en una página web, un blog o una tienda online, y se accede a ellos a través de la URL que lleva al sitio. Dicho de otro modo, todos los datos que conforman un sitio web constituyen su dataset web.

Dónde se almacenan los datasets de tu proyecto

En la mayoría de los proyectos web, los datasets viven dentro de una base de datos —habitualmente MySQL— alojada en el servidor. Por eso, el rendimiento de tus consultas depende en buena medida del hosting que elijas. Un servicio de hosting con discos NVMe y tecnología LiteSpeed, como el de HostingPlus, acelera el acceso a las bases de datos y mantiene la web ágil aunque crezca el volumen de información. HostingPlus incluye certificado SSL y migración, ofrece soporte 24/7 en español y funciona desde 2004, con una gestión autónoma que te permite administrar tus bases de datos sin depender del teléfono.

Preguntas frecuentes

¿Cuál es la diferencia entre un dataset y una base de datos?

Una base de datos es el sistema completo que almacena y gestiona la información, y puede contener muchas tablas y relaciones. Un dataset es un conjunto de datos concreto, que a menudo se corresponde con una tabla o con el resultado de una consulta dentro de esa base de datos.

¿En qué formato se guardan habitualmente los datasets?

Los formatos más comunes son CSV y JSON por su sencillez, además de las hojas de cálculo y las tablas dentro de bases de datos relacionales como MySQL. La elección depende del volumen de datos y de las herramientas con las que se vayan a analizar.

¿Para qué se utilizan los datasets en inteligencia artificial?

En inteligencia artificial y aprendizaje automático, los datasets sirven para entrenar y evaluar los modelos. Habitualmente se dividen en subconjuntos de entrenamiento, validación y prueba, de modo que el sistema aprende patrones con unos datos y se comprueba su precisión con otros distintos. Por eso, la calidad y el tamaño del conjunto influyen directamente en los resultados.