David-Egea/phishing-texts

---
license: mit
task_categories:
- text-classification
language:
- en
size_categories:
- 10K<n<100K
tags:
- phishing
- text
pretty_name: Phishing Texts Dataset
---

## Phishing Texts Dataset 🎣

### Description:
This dataset is a collection of data designed for training text classifiers capable of determining whether a message or email is a phishing attempt or not.

### Dataset Information 📨:
The dataset consists of more than 20,000 entries of text messages, which are potential phishing attempts.

Data is structured in two columns:
- `text`: The text of the message or email.
- `phising`: An indicator of whether the message in the `text` column is a phishing attempt (1) or not (0).

The dataset has undergone a data cleaning process and preprocessing to remove possible duplicate entries.
It is worth mentioning that the dataset is **balanced**, with 62% non-phishing and 38% phishing instances.

In some of the aforementioned datasets, it was identified that the data overlapped.
To avoid redundant values, duplicate entries have been removed from this dataset during the last data cleaning phase.

### Data Sources 📖:

This dataset has been constructed from the following sources:
- [Hugging Face - Phishing Email Dataset](https://huggingface.co/datasets/zefang-liu/phishing-email-dataset)
- [Hugging Face - Phishing Dataset](https://huggingface.co/datasets/ealvaradob/phishing-dataset)
- [Kaggle - Phishing Emails](https://www.kaggle.com/datasets/subhajournal/phishingemails)
- [Kaggle - Phishing Email Data by Type](https://www.kaggle.com/datasets/charlottehall/phishing-email-data-by-type)

> Big thanks to all the creators of these datasets for their awesome work! 🙌

*In some of the aforementioned datasets, it was identified that the data overlapped.
To avoid redundant values, duplicate entries have been removed from this dataset during the last data cleaning phase.*

---
license: MIT协议
task_categories:
- 文本分类
language:
- 英语
size_categories:
- 10K < n < 100K
tags:
- 钓鱼攻击（phishing）
- 文本
pretty_name: 钓鱼短信数据集（Phishing Texts Dataset）
---

## 钓鱼短信数据集 🎣

### 数据集描述：
本数据集为专为训练文本分类器打造的数据集，可用于判别单条短信或电子邮件是否为钓鱼攻击尝试。

### 数据集基本信息 📨:
本数据集包含逾20000条疑似钓鱼攻击的短信条目。

数据集采用两列结构：
- `text`：短信或电子邮件的正文内容。
- `phising`：用于标记`text`列中内容是否为钓鱼攻击的标签，取值为1（是钓鱼攻击）或0（非钓鱼攻击）。

本数据集已完成数据清洗与预处理流程，以移除可能存在的重复条目。值得说明的是，本数据集为**平衡数据集**，其中非钓鱼攻击样本占比62%，钓鱼攻击样本占比38%。

经核查，前述部分原始数据集存在数据重叠问题。为避免冗余值，本数据集在最终数据清洗阶段已完成重复条目的移除工作。

### 数据来源 📖:

本数据集整合自以下公开数据源：
- [Hugging Face - 钓鱼邮件数据集](https://huggingface.co/datasets/zefang-liu/phishing-email-dataset)
- [Hugging Face - 钓鱼数据集](https://huggingface.co/datasets/ealvaradob/phishing-dataset)
- [Kaggle - 钓鱼邮件数据集](https://www.kaggle.com/datasets/subhajournal/phishingemails)
- [Kaggle - 按类型分类的钓鱼邮件数据](https://www.kaggle.com/datasets/charlottehall/phishing-email-data-by-type)

> 谨向上述数据集的所有创作者致以诚挚谢意，感谢其出色的工作成果！ 🙌

*经核查，前述部分原始数据集存在数据重叠问题。为避免冗余值，本数据集在最终数据清洗阶段已完成重复条目的移除工作。*

原始信息汇总

Phishing Texts Dataset 🎣

描述：

该数据集是一个用于训练文本分类器的数据集合，这些分类器能够判断一条消息或电子邮件是否为钓鱼尝试。

数据集信息 📨：

数据集包含超过20,000条文本消息，这些消息可能是钓鱼尝试。

数据结构分为两列：

• text：消息或电子邮件的文本。
• phising：指示text列中的消息是否为钓鱼尝试（1）或不是（0）。

数据集经过数据清洗和预处理，以去除可能的重复条目。值得一提的是，该数据集是平衡的，其中62%为非钓鱼实例，38%为钓鱼实例。

在某些上述数据集中，发现数据存在重叠。为了避免冗余值，在最后一次数据清洗阶段已从该数据集中移除重复条目。

数据来源 📖：

该数据集由以下来源构建：

• Hugging Face - Phishing Email Dataset
• Hugging Face - Phishing Dataset
• Kaggle - Phishing Emails
• Kaggle - Phishing Email Data by Type

搜集汇总

背景与挑战

背景概述

该数据集是一个用于训练网络钓鱼文本分类器的集合，包含超过20,000条文本消息，每条消息标注了是否为网络钓鱼（1表示是，0表示否）。数据集经过清洗和去重处理，且类别分布平衡（62%非网络钓鱼，38%网络钓鱼），适用于机器学习模型训练。