usta-feeds-samples

该数据集提供美国公共记录变更文件的样本，用于测试文件加载流程。数据集包含15个样本文件夹，每个文件夹对应一个数据家族（family），包括sample.csv、sample.json和README文件。每个文件均为变更文件，通过比较两个时间点的密封副本，记录新增、消失或变更的记录。数据来源涵盖城市建筑许可证（芝加哥、洛杉矶、巴吞鲁日、华盛顿特区、波士顿）、多城市建筑许可证（metro-file）、纽约地方法律84能源与水资源披露（nyc-ll84）、联邦酒精许可证（ttb）、机器可购买店铺文件（agentic-commerce）、地址记录（address-packet）、县通知发布的记录（clean-room-corpus）、爬虫访问声明（access-affidavits）、证据附录（stamper-appendix）、合成固定装置日志（machine-visitor-ledger）和模型输入报告（predictor-diet）。样本行数从3到75不等，密封日期为2026年8月25日至9月2日。这些样本规模极小，仅用于验证数据加载，不适用于研究或建立客户活动或业务绩效。数据集使用自定义许可证（USTA Evaluation Sample），详细许可证信息见仓库中的LICENSE文件。The dataset provides samples of US public record change files for testing file loading processes. It contains 15 sample folders, each corresponding to a data family, including sample.csv, sample.json, and a README file. Each file is a change file that records additions, deletions, or changes by comparing sealed copies at two time points. Data sources include city building permits (Chicago, Los Angeles, Baton Rouge, Washington DC, Boston), multi-city building permits (metro-file), New York Local Law 84 energy and water disclosure (nyc-ll84), federal alcohol permits (ttb), machine-purchasable store files (agentic-commerce), address records (address-packet), county notice published records (clean-room-corpus), crawler access affidavits (access-affidavits), evidence appendices (stamper-appendix), synthetic fixture logs (machine-visitor-ledger), and model input reports (predictor-diet). Sample rows range from 3 to 75, with seal dates from August 25 to September 2, 2026. These samples are extremely small and only for verifying data loading, not suitable for research or establishing client activity or business performance. The dataset uses a custom license (USTA Evaluation Sample), detailed in the LICENSE file in the repository.

原始信息汇总

数据集概述

名称: US Tech Automations dated public-record samples
简介: 本数据集提供15个源于美国公共记录变更文件的带日期样本，每个样本由一个文件夹承载，包含sample.csv、sample.json及说明来源、列名、密封日期和行数的README文件。所有样本均为变更文件（记录出现、消失或变化），而非快照。

语言: 英语
许可证: 其他（详见仓库内LICENSE文件）
数据集大小: 小于1K行
标签: 表格数据、公共记录、建筑许可、合规性、能源、AI治理

---

配置与文件

数据集包含15个配置（config），每个配置对应一个样本文件夹，所有配置均提供sample分割，数据文件为CSV格式。部分配置的CSV文件带有注释符（#），表示存在非数据行。

配置名	样本行数	密封日期	来源说明
chicago	25	2026-08-25	芝加哥建筑许可
los-angeles	25	2026-08-25	洛杉矶建筑许可
baton-rouge	25	2026-08-25	巴吞鲁日建筑许可
washington-dc	25	2026-08-25	华盛顿特区建筑许可
boston	25	2026-08-25	波士顿建筑许可
metro-file	25	2026-08-25	多城市建筑许可
nyc-ll84	25	2026-08-25	纽约地方法84条能源与水资源披露
ttb	25	2026-08-25	联邦酒类许可证列表（出现/消失）
agentic-commerce	11	2026-08-25	机器可购商店文件
address-packet	21	2026-09-01	地址记录
clean-room-corpus	75	2026-09-01	县级通知下发布的记录
access-affidavits	3	2026-09-01	爬虫访问声明
stamper-appendix	3	2026-09-01	证据附录行
machine-visitor-ledger	10	2026-09-01	合成装置日志（虚构地址）
predictor-diet	8	2026-09-02	模型输入报告行

注：行数为数据行，部分文件携带额外非数据行（来源方要求保留），具体在各自README中说明。

---

数据用途与限制

• 用途: 这些样本用于测试文件是否能被你的数据管道正常加载，不适合用于研究性分析或证明任何客户活动与业务表现。
• 重要提示: 样本规模极小，不足以回答研究性问题；完整文件的来源、覆盖日期、列列表、交付条款和价格，请查询 https://ustechautomations.com/feeds/ 。

---

其他信息

• 联系邮箱: [e-mail]
• 工具: 提供CSV比较和覆盖率检查工具，位于仓库的tools/snapshot-check.zip，相关运行与重现说明见tools/snapshot-check/README.md。

搜集汇总

数据集介绍

构建方式

该数据集源自美国公共记录的变更文件，旨在捕获数据随时间演变的轨迹。构建过程遵循严谨的差分方法论：对特定公共来源进行定期封存，生成带日期的副本，随后比对不同时间点的版本，提取新增条目、消失条目及内容悄然变化的字段。鉴于多数源仅发布当前列表且覆盖历史版本，这种前瞻性封存策略确保了历史变更的可追溯性。数据集按数据族（family）组织为15个独立样本文件夹，每族包含CSV、JSON格式的样本文件及详尽README，后者明确记录了来源、列定义、封存日期和行数等关键元数据。样本行数从3至75不等，覆盖建筑许可、能源披露、联邦酒精许可、商业店面文件、地址记录及合成数据等多领域，部分文件还包含必需的非数据行，均已在README中阐明。

特点

该数据集的核心特征在于其‘变更文件’属性，而非静态快照，这使其能够揭示公共记录数据的动态演化细节，包括条目的涌现、消失与隐性修改。所有样本均以2026年8月至9月的封存日期为基准，具有明确的时间锚点，确保了数据的历史阶段性。数据集的多样性体现在广泛的地理和领域覆盖，囊括芝加哥、洛杉矶等城市的建筑许可数据，以及纽约地方法规、联邦层面及多城市聚合数据，同时亦包含合成日志或模拟数据，用于测试管道的兼容性。每个样本家族均提供CSV和JSON双格式，并配有机器可读的元数据说明，增强了数据的透明度与可操作性，使其成为验证数据加载流程的理想试金石。

使用方法

该数据集专为技术验证而设计，旨在测试用户数据管道能否正确加载和处理文件，而非用于科研推断或业务度量。使用者应根据各自需求，通过HuggingFace配置系统选择相应数据族（如chicago、boston、nyc-ll84等），以sample分割读取CSV文件。建议严格遵循各家族README中的列定义和行数说明，特别留意那些非数据行的存在，以免误入数据解析的歧途。由于样本规模微小，不具统计代表性，故不宜用于建模或得出实质结论。完整数据文件的来源、覆盖范围、交付条款及定价均可在官方页面详查，为那些寻求深度分析的用户提供了扩展路径。

背景与挑战

背景概述

该数据集由US Tech Automations于2026年创建，旨在捕捉美国公共记录变更的时序性差异，涵盖建筑许可、能源披露、联邦酒类许可等多类政府公开数据。研究团队通过定期密封公共数据源的快照并对比差异，以记录信息出现、消失或变更的轨迹，应对许多政府源仅保留当前列表且历史不公开的问题。该数据集为自动化数据管道、AI治理及合规分析提供了可复现的样本基础，其影响力在于推动公共记录数据的历史可追溯性与透明性研究。

当前挑战

该领域的关键挑战在于公共记录源常覆写历史数据，导致变更信息难以恢复，而构建过程中需处理不同来源的格式与注释差异，如多行头注。此外，样本量极小（每类仅3至75行），虽仅用于测试流水线装载，却需保证数据集的代表性与精确性。构建时还需确保密封日期的准确记录，遵守各来源的交付条款与许可协议，平衡数据可用性与法律合规性。

常用场景

经典使用场景

该数据集聚焦于美国公共记录的变化追踪，涵盖建筑许可、能源合规、联邦酒类许可及地址记录等多元领域。其经典应用在于构建和验证数据管道，通过对比时间封存的快照，识别数据条目的出现、消失及属性变更，测试数据加载、清洗和差异检测流程的健壮性。研究人员常将其作为基准，评估自动化变化捕捉算法的精度与召回率，亦可用于开发公共记录变更日志的标准化处理工具。样本规模虽小，却精心设计以涵盖多城市、多类别的异构记录，为验证跨域数据整合与模式识别方法提供了代表性测试床。

实际应用

在实际应用中，该数据集服务于政府透明度与自动化合规监控场景。对建筑许可与能源披露数据的追踪，可助力城市规划部门与房产投资者及时掌握新建工程与能耗合规动态，优化区域资源配置。联邦酒类许可的变动列表为行业监管与企业资质核查提供了实时情报。面向智能体商务的店面文件与地址记录，则支撑起数字商业环境中的实体识别与信任验证。爬虫访问声明与模型输入报告，有助于审计数据获取渠道的合规性，强化AI治理中的来源追溯。尽管样本有限，但其结构设计直接映射于生产级数据馈送，为机构间数据交换和公共记录服务提供了可复用的参考范式。

衍生相关工作

该数据集催生了多个方向的衍生工作，例如构建自动化公共记录监视系统，利用密封快照对比实现城市建筑活动的实时地图与预警。此外，基于其变化数据，研究者开发了预测模型，用于估算区域开发热度和能源使用趋势，为‘预测者饮食’等输入报告类数据提供训练基准。更深远的影响体现在数据治理工具链的革新，如配套的CSV比较工具被扩展为通用的记录差异分析框架，促进了‘清洁室语料’与‘证据附录’类数据的管理标准化。这些工作共同探索了从细粒度变化日志中提取决策情报的路径，推动了政务数据从静态存档向动态智能服务的转型。