jlh/uci-census-income-94

---
dataset_info:
features:
- name: age
dtype: string
- name: class_of_worker
dtype: int64
- name: detailed_industry_recode
dtype: int64
- name: detailed_occupation_recode
dtype: string
- name: education
dtype: int64
- name: wage_per_hour
dtype: string
- name: enroll_in_edu_inst_last_wk
dtype: string
- name: marital_stat
dtype: string
- name: major_industry_code
dtype: string
- name: major_occupation_code
dtype: string
- name: race
dtype: string
- name: hispanic_origin
dtype: string
- name: sex
dtype: string
- name: member_of_a_labor_union
dtype: string
- name: reason_for_unemployment
dtype: string
- name: full_or_part_time_employment_stat
dtype: int64
- name: capital_gains
dtype: int64
- name: capital_losses
dtype: int64
- name: dividends_from_stocks
dtype: string
- name: tax_filer_stat
dtype: string
- name: region_of_previous_residence
dtype: string
- name: state_of_previous_residence
dtype: string
- name: detailed_household_and_family_stat
dtype: string
- name: detailed_household_summary_in_household
dtype: float64
- name: migration_code-change_in_msa
dtype: string
- name: migration_code-change_in_reg
dtype: string
- name: migration_code-move_within_reg
dtype: string
- name: live_in_this_house_1_year_ago
dtype: string
- name: migration_prev_res_in_sunbelt
dtype: string
- name: num_persons_worked_for_employer
dtype: int64
- name: family_members_under_18
dtype: string
- name: country_of_birth_father
dtype: string
- name: country_of_birth_mother
dtype: string
- name: country_of_birth_self
dtype: string
- name: citizenship
dtype: string
- name: own_business_or_self_employed
dtype: int64
- name: fill_inc_questionnaire_for_veteran's_admin
dtype: string
- name: veterans_benefits
dtype: int64
- name: weeks_worked_in_year
dtype: int64
- name: year
dtype: int64
- name: income
dtype:
class_label:
names:
'0': ' - 50000.'
'1': ' 50000+.'
splits:
- name: train
num_bytes: 129952005
num_examples: 199523
download_size: 7989520
dataset_size: 129952005
---
# Dataset Card for "uci-census-income-94"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

数据集信息：
特征列表：
- 名称：年龄（age），数据类型：字符串类型（string）
- 名称：就业类别（class_of_worker），数据类型：64位整数类型（int64）
- 名称：详细行业编码（detailed_industry_recode），数据类型：64位整数类型（int64）
- 名称：详细职业编码（detailed_occupation_recode），数据类型：字符串类型（string）
- 名称：受教育程度（education），数据类型：64位整数类型（int64）
- 名称：小时薪资（wage_per_hour），数据类型：字符串类型（string）
- 名称：上周就读教育机构情况（enroll_in_edu_inst_last_wk），数据类型：字符串类型（string）
- 名称：婚姻状况（marital_stat），数据类型：字符串类型（string）
- 名称：主要行业代码（major_industry_code），数据类型：字符串类型（string）
- 名称：主要职业代码（major_occupation_code），数据类型：字符串类型（string）
- 名称：种族（race），数据类型：字符串类型（string）
- 名称：西班牙裔血统（hispanic_origin），数据类型：字符串类型（string）
- 名称：性别（sex），数据类型：字符串类型（string）
- 名称：工会会员身份（member_of_a_labor_union），数据类型：字符串类型（string）
- 名称：失业原因（reason_for_unemployment），数据类型：字符串类型（string）
- 名称：全职/兼职就业状态（full_or_part_time_employment_stat），数据类型：64位整数类型（int64）
- 名称：资本收益（capital_gains），数据类型：64位整数类型（int64）
- 名称：资本损失（capital_losses），数据类型：64位整数类型（int64）
- 名称：股票分红（dividends_from_stocks），数据类型：字符串类型（string）
- 名称：纳税申报状态（tax_filer_stat），数据类型：字符串类型（string）
- 名称：原居住地区（region_of_previous_residence），数据类型：字符串类型（string）
- 名称：原居住州（state_of_previous_residence），数据类型：字符串类型（string）
- 名称：详细家庭与住户状态（detailed_household_and_family_stat），数据类型：字符串类型（string）
- 名称：家庭内部详细概况（detailed_household_summary_in_household），数据类型：64位浮点类型（float64）
- 名称：都会统计区迁移变更代码（migration_code-change_in_msa），数据类型：字符串类型（string）
- 名称：地区迁移变更代码（migration_code-change_in_reg），数据类型：字符串类型（string）
- 名称：区域内移动代码（migration_code-move_within_reg），数据类型：字符串类型（string）
- 名称：一年前是否居住于此住所（live_in_this_house_1_year_ago），数据类型：字符串类型（string）
- 名称：原居住地区是否为阳光地带（migration_prev_res_in_sunbelt），数据类型：字符串类型（string）
- 名称：雇主工作人数（num_persons_worked_for_employer），数据类型：64位整数类型（int64）
- 名称：18岁以下家庭成员数（family_members_under_18），数据类型：字符串类型（string）
- 名称：父亲出生国家（country_of_birth_father），数据类型：字符串类型（string）
- 名称：母亲出生国家（country_of_birth_mother），数据类型：字符串类型（string）
- 名称：本人出生国家（country_of_birth_self），数据类型：字符串类型（string）
- 名称：公民身份（citizenship），数据类型：字符串类型（string）
- 名称：自营企业或自主雇佣状态（own_business_or_self_employed），数据类型：64位整数类型（int64）
- 名称：是否为退伍军人事务管理局填写收入问卷（fill_inc_questionnaire_for_veteran's_admin），数据类型：字符串类型（string）
- 名称：退伍军人福利（veterans_benefits），数据类型：64位整数类型（int64）
- 名称：年度工作周数（weeks_worked_in_year），数据类型：64位整数类型（int64）
- 名称：年份（year），数据类型：64位整数类型（int64）
- 名称：收入（income），数据类型：分类标签（class_label），类别名称：
'0': ' 年收入≤50000美元',
'1': ' 年收入≥50000美元'
分割集：
- 名称：训练集（train），字节大小：129952005，样本数量：199523
下载大小：7989520
数据集总大小：129952005
---
# "uci-census-income-94"数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

uci-census-income-94

数据集特征

• age: 字符串类型
• class_of_worker: 整数类型 (int64)
• detailed_industry_recode: 整数类型 (int64)
• detailed_occupation_recode: 字符串类型
• education: 整数类型 (int64)
• wage_per_hour: 字符串类型
• enroll_in_edu_inst_last_wk: 字符串类型
• marital_stat: 字符串类型
• major_industry_code: 字符串类型
• major_occupation_code: 字符串类型
• race: 字符串类型
• hispanic_origin: 字符串类型
• sex: 字符串类型
• member_of_a_labor_union: 字符串类型
• reason_for_unemployment: 字符串类型
• full_or_part_time_employment_stat: 整数类型 (int64)
• capital_gains: 整数类型 (int64)
• capital_losses: 整数类型 (int64)
• dividends_from_stocks: 字符串类型
• tax_filer_stat: 字符串类型
• region_of_previous_residence: 字符串类型
• state_of_previous_residence: 字符串类型
• detailed_household_and_family_stat: 字符串类型
• detailed_household_summary_in_household: 浮点数类型 (float64)
• migration_code-change_in_msa: 字符串类型
• migration_code-change_in_reg: 字符串类型
• migration_code-move_within_reg: 字符串类型
• live_in_this_house_1_year_ago: 字符串类型
• migration_prev_res_in_sunbelt: 字符串类型
• num_persons_worked_for_employer: 整数类型 (int64)
• family_members_under_18: 字符串类型
• country_of_birth_father: 字符串类型
• country_of_birth_mother: 字符串类型
• country_of_birth_self: 字符串类型
• citizenship: 字符串类型
• own_business_or_self_employed: 整数类型 (int64)
• fill_inc_questionnaire_for_veterans_admin: 字符串类型
• veterans_benefits: 整数类型 (int64)
• weeks_worked_in_year: 整数类型 (int64)
• year: 整数类型 (int64)
• income: 分类标签，包含两个类别：
  • 0: - 50000.
  • 1: 50000+.

数据集分割

• train: 训练集
  • 数据大小: 129952005 字节
  • 样本数量: 199523

数据集大小

• 下载大小: 7989520 字节
• 数据集总大小: 129952005 字节

搜集汇总

数据集介绍

构建方式

该数据集源自1994年美国人口普查数据，由UCI机器学习库整理并托管于HuggingFace平台。构建过程中，原始普查记录经过清洗与结构化处理，提取了涵盖个人人口统计学特征、就业状况、地理迁移信息及家庭构成等40个属性字段。其中，核心标签'income'以二分类形式标注个体年收入是否超过5万美元，为社会经济分层研究提供了基准数据。数据集划分为单一训练集，包含199,523个样本，确保了大规模统计建模的可行性。

特点

数据集特色在于其多维度的社会经济变量组合，不仅包含年龄、性别、种族等基础人口学指标，还囊括了行业代码、职业类别、工作时长、资本收益等就业细节，以及移民背景、家庭结构、退伍军人福利等深层信息。这种丰富的特征空间使得研究者能够从劳动力市场、教育回报、地域差异等视角剖析收入决定因素。此外，数据字段类型混合了数值型与类别型，为特征工程与模型泛化能力评估提供了典型场景。

使用方法

该数据集适用于监督学习中的二分类任务，可直接用于训练逻辑回归、决策树、梯度提升或深度神经网络等模型以预测收入等级。使用时需注意对类别特征进行编码（如独热编码或标签编码），并对数值型特征进行标准化处理。研究人员可依据研究目标选择特定特征子集，例如聚焦于教育、职业与收入的关联分析。数据集提供便捷的HuggingFace加载接口，通过'datasets.load_dataset'函数即可获取，便于快速集成至机器学习流水线中。

背景与挑战

背景概述

jlh/uci-census-income-94数据集源自美国人口普查局1994年的收入调查数据，由加州大学欧文分校（UCI）机器学习库整理发布。该数据集旨在通过人口统计学特征预测个人年收入是否超过5万美元，核心研究问题聚焦于社会经济因素与收入水平之间的关联性。作为收入预测领域的经典基准数据集，它被广泛应用于分类算法评估、特征工程研究以及社会经济不平等分析，推动了机器学习在公共政策和社会科学中的应用。数据集包含40余项特征，涵盖年龄、职业、教育、种族、婚姻状况等维度，为研究者提供了丰富的人口统计学信息。

当前挑战

该数据集面临的挑战包括：领域问题方面，收入预测任务受限于类别不平衡（高收入样本仅占约24%），易导致模型偏向多数类；特征间存在多重共线性（如职业与行业代码高度相关），且部分特征（如资本收益）分布极度偏斜，增加了建模难度。构建过程中，原始数据存在大量缺失值（如雇主编号、退伍军人福利等字段），需通过众数填充或删除处理；分类变量（如职业、种族）的编码方式不统一，部分字段（如年龄）以字符串形式存储，需进行类型转换与标准化，这些预处理步骤对模型性能产生显著影响。

常用场景

经典使用场景

在人口经济学与社会分层研究的交叉领域，jlh/uci-census-income-94数据集以其丰富的个体社会经济特征变量，成为收入预测与分类任务的经典基准。该数据集汇聚了1994年美国人口普查的微观样本，涵盖年龄、教育、职业、工时、资本收益等数十项属性，尤其以二分类标签（收入是否超过5万美元）为核心目标，广泛应用于监督学习模型的性能评估与特征工程探索。研究者通过逻辑回归、决策树及集成方法等算法，在此数据集上验证不同模型对收入分层的判别能力，从而推动机器学习在社会科学量化分析中的方法论演进。

实际应用

在实际应用中，该数据集为金融机构的信贷风险评估、人力资源部门的薪酬公平性审计以及政府福利政策的精准施策提供了数据驱动的决策工具。银行可基于模型预测结果优化贷款审批流程，企业能通过分析收入特征识别薪资歧视隐患，而社会福利机构则借助收入分层模型动态调整补贴标准。此外，该数据集在商业领域被用于客户分群与精准营销，例如依据收入预测结果定向推送高净值人群的理财产品或高端服务，展现了从学术研究到产业落地的跨域价值。

衍生相关工作

围绕该数据集衍生出诸多经典工作，其中最具代表性的是1996年Ron Kohavi与Barry Becker提出的Naive Bayes与决策树集成模型比较研究，首次系统性地揭示了该数据集中特征稀疏性与类别不平衡对分类性能的影响。后续工作包括Adnan Idris等人引入的基于SMOTE过采样技术提升少数类（高收入群体）的预测精度，以及通过SHAP值解析教育年限与职业类别对收入贡献度的可解释性研究。这些工作不仅深化了对收入决定机制的理解，更奠定了结构化表格数据预处理与模型评估的标准化范式。