ncaa-college-athlete-rosters-2025-26

NCAA All Sports Rosters 2025-26 是一个全面的大学运动员名单数据集，涵盖了2025-26赛季美国大学体育协会（NCAA）所有28个锦标赛项目（包括新兴运动）。数据集跨越NCAA所有三个级别（D1、D2、D3）和两种性别，包含1,089所学校的515,085名运动员记录，覆盖了约91.8%的NCAA官方报告参与人数。数据来源于各学校官方运动队网站公布的2025-26赛季名单，并经过与NCAA运动赞助名单的验证。公共层数据集包含19个去标识化的列（已移除姓名、球衣号码、照片和个人简介等个人身份信息），以Parquet格式提供。数据按运动员、运动项目、学校、性别、级别（D1: 185,912, D2: 124,902, D3: 204,271）、来源地（国内: 87.9%, 国际: 10.0%, 未知: 2.2%）进行了细分。数据集特别说明了室内田径和室外田径项目共享源数据行，设计上具有不同的标识符，提醒用户注意跨运动去重问题。该数据集适用于体育分析、高等教育研究、公平性研究、招生趋势分析等任务。数据集遵循CC0 1.0许可证，并附带详细的数据表、伦理审查、披露风险分析和法律说明等治理文档。NCAA All Sports Rosters 2025-26 is a comprehensive college athlete roster dataset covering all 28 championship programs (including emerging sports) of the National Collegiate Athletic Association (NCAA) for the 2025-26 season. The dataset spans all three NCAA divisions (D1, D2, D3) and both genders, containing 515,085 athlete records across 1,089 institutions, covering approximately 91.8% of the officially reported NCAA participation figures. The data is sourced from the 2025-26 season rosters published on the official athletic team websites of each institution, and has been validated against the NCAA sports sponsorship lists. The public dataset includes 19 de-identified columns, with personal identifiable information such as names, jersey numbers, photos and biographies removed, and is provided in Parquet format. The dataset is segmented by athlete, sport, institution, gender, division (D1: 185,912; D2: 124,902; D3: 204,271), and origin (domestic: 87.9%, international: 10.0%, unknown: 2.2%). Notably, indoor track and field and outdoor track and field events share source data rows, with distinct identifiers included to alert users to the need for deduplication across sports. This dataset is applicable to tasks including sports analytics, higher education research, equity studies, and enrollment trend analysis. It is released under the CC0 1.0 license, and is accompanied by comprehensive governance documents such as detailed data tables, ethical reviews, disclosure risk analyses and legal disclaimers.

原始信息汇总

数据集概述：NCAA All Sports Rosters 2025-26

• 数据集名称：NCAA All Sports Rosters 2025-26
• 许可证：CC0 1.0
• 数据集大小：100K < n < 1M
• 数据集标签：sports, ncaa, college-athletics, rosters
• 数据集配置：default（包含一个 split: full，数据文件为 data/ncaa_all_sports_rosters_2025-26.parquet）

数据内容与规模（v2.0.2）

• 运动员总数：515,085 条（男性 291,171 / 女性 223,914）
• 涵盖项目：28 个 NCAA 锦标赛运动项目（含新兴运动）
• 涉及学校：1,089 所
• 学年度：2025-26
• 来源：每所学校官方体育网站的花名册数据
• 数据版本：当前版本为 v2.0.2（2026-07-14），为公共层（公开，已去标识化）

数据分布

• 按级别：D1 185,912 · D2 124,902 · D3 204,271
• 按来源：国内 452,555（87.9%）· 国际 51,391（10.0%）· 未知 11,139（2.2%）
• 覆盖度：约占 NCAA 官方报告参与人数的 91.8%，约占总赞助球队数的 96.9%

数据结构与内容

• 公共层数据：19 列去标识化数据（不含姓名、球衣号码、照片或个人简介）
• 增强层（研究专用）：含 54 列，包含人口普查镇收入、高中类型、升学/流动性等数据，需基于公共层及公开来源重建，不在此数据集内直接分发
• 数据文件结构：
  • data/ 目录包含主数据文件 ncaa_all_sports_rosters_2025-26.parquet
  • by_sport/ 目录包含按运动项目拆分的便捷子集
  • 其他文件：metadata.json、DATASHEET.md、ETHICS_REVIEW.md、DISCLOSURE_RISK.md 等

版本记录与修正

• v2.0.2（当前）：仅进行会议标签命名规范调整（如 ODAC、SCIAC 等改为官方全称），未增加或删除行，无模式变更
• v2.0.1：移除了 308 行由路易斯安那 Christian 大学（NAIA）产生的污染数据；根据 2025-26 赛季重新验证了会议和级别标签
• 已知例外：
  • Shawnee State：172 行缺少 conference 字段（属于 NCAA D2 成员但 2025-26 以 NAIA 身份参赛）
  • 独立院校：conference = Independent 为正确标签

使用注意事项

• track_indoor 和 track_outdoor 共享源行：室内外田径使用同一份官方花名册，具有不同的 athlete_id（tfi_ / tfo_），涉及 1,639 个重叠的学校-性别队伍，切勿直接跨运动项目去重
• 公共层数据已进行 PII 清理和审计：附带 pii_audit.txt 和 sanitize_report.txt

引用与治理

• DOI：10.57967/hf/9512
• Kaggle 镜像：https://www.kaggle.com/datasets/shahdha/ncaa-all-sports-rosters-2025-26
• 建议引用格式：Shah, Dharit (2026). NCAA All Sports Rosters 2025-26: An Individual-Level Dataset Across All Divisions (Version 2.0.2) [Data set]. Hugging Face. https://doi.org/10.57967/hf/9512
• 治理文件：包含 DATASHEET、伦理审查、信息披露风险、法律说明及退出机制（可联系 [e-mail] 请求删除特定记录）

搜集汇总

数据集介绍

构建方式

该数据集聚焦于2025-26赛季美国大学体育协会（NCAA）所有锦标赛项目的运动员名单，覆盖全部28个项目、三个级别（D1、D2、D3）及男女运动员。数据通过从各高校官方体育网站系统爬取名单，并与NCAA官方项目赞助列表交叉验证以确保准确性。最终汇总515,085条运动员记录，涉及1,089所学校，覆盖约91.8%的官方报告参与人数和96.9%的赞助团队。数据集采取去身份化的公开层级，包含19个匿名列，去除姓名、球衣号码、照片等个人标识。此外，还提供了按项目切分的便捷子集和编码手册。

使用方法

用户可通过Hugging Face平台直接加载此数据集，默认配置提供完整的515,085行Parquet文件。建议在使用前仔细阅读代码手册以了解各列含义，并注意室内外田径共享名单导致的重复问题。对于跨项目研究，需避免简单去重。数据集的扩充分析层级（含54列，如人口普查收入、高中类型等）未公开部署，但用户可依据公开资料自行重建。引用时请使用提供的DOI及格式，并遵循CC0 1.0许可协议，尊重可选的匿名退出机制。

背景与挑战

背景概述

NCAA（美国大学体育协会）作为全球最具影响力的大学体育联盟，其运动员数据长期分散于各校官网，缺乏统一、结构化的公开数据集。2026年，由研究者Dharit Shah主导构建的NCAA All-Sports Rosters 2025-26数据集应运而生，旨在系统整合美国大学体育全域的运动员个体级信息。该数据集覆盖全部28个NCAA锦标赛项目、三个级别（D1/D2/D3）及男女运动，包含515,085名运动员和1,089所高校的记录，覆盖了官方报告的约91.8%参与人数，并拥有DOI永久标识与HuggingFace与Kaggle双平台镜像，为大学体育经济学、运动员流动性与教育公平等交叉领域研究提供了前所未有的基础数据底座。

当前挑战

该数据集所应对的核心领域挑战在于：大学体育长期缺乏可横向比较与纵向追踪的跨校、跨项目、跨级别的标准化个体级数据，致使关于运动员构成、区域分布、社会经济背景与学业流动性的实证研究严重受限。在构建过程中，研究者面临多重挑战：首先，需从1,089所学校官网逐一爬取信息并规避反爬机制；其次，需处理名称拼写差异、会议名称变动（如Atlantic 10 Conference）、NAIA学校污染（如路易斯安那基督教大学多出308行）等数据一致性问题；此外，需在保证公开数据可用性同时剔除姓名、照片等PII标识，并通过准标识符分析控制重识别风险，最终通过精细版本迭代（v2.0.2）完成数据清洗与标签规范化。

常用场景

经典使用场景

该数据集囊括了2025-26赛季全美大学体育协会（NCAA）全部28个锦标赛项目、三大级别及男女运动员的详尽花名册信息，涵盖超过51.5万名运动员和1089所院校，堪称大学体育人才谱系的百科全书。研究者可借此系统剖析运动员人口统计特征与院校、运动项目、联赛分区的关联模式，亦可追踪不同级别体育人才的地理分布与多元化流动路径，为竞技体育人才管理提供坚实的数据基石。

解决学术问题

长期以来，针对NCAA运动员的宏观人口学分析受限于零散、异构的数据来源，难以系统揭示运动员的出身地域、性别比例、运动项目分布及其与院校层级的交互效应。该数据集填补了这一空白，为体育社会学、运动经济学及教育公平领域的学者提供了可复现、可拓展的标准化基准，推动了从描述性统计向因果推断与政策评估的学术跃迁。

实际应用

在实际应用中，该数据集可为大学体育管理部门的资源分配、招生策略优化以及运动员选拔帮扶提供数据支持。体育媒体与数据新闻机构可借助其生成可视化的运动员流动图景；职业体育球探与选秀分析团队亦能从中提取全国范围内的人才分布情报，辅助运动员潜力评估与招募决策，提升体育产业的数据驱动决策水平。

数据集最近研究

最新研究方向

该数据集为2025-26赛季NCAA所有28项锦标赛项目、三个级别及双性别的运动员个人层面数据，共计515,085条记录，覆盖1,089所院校，代表了官方报告中约91.8%的参与人数与96.9%的赞助校队。其前沿研究方向集中在利用去标识化的19个公开字段，结合人口普查收入、高中类型、大学记分卡与社会流动性等公共数据源，重建包含54个字段的高级分析层，以探究大学生运动员的人口统计特征、社会经济背景与校级资源分布。该数据集为研究校际体育中的地域流动、国际生招募趋势及竞技项目间性别差异提供了标准化基础，同时通过CC0许可与完善的数据治理文档（含伦理审查与准标识符风险分析），为开放科学背景下的敏感数据处理树立了范例。