AiresPucrs/adult-census-income

adult-census-income数据集主要用于预测任务，即判断一个人的年收入是否超过50K美元。该数据集来源于1994年美国人口普查数据库，由Barry Becker和Ronny Kohavi提取并整理。数据集包含32,561条记录，特征包括年龄、工作类别、教育程度、婚姻状况、职业、种族、性别、资本收益、资本损失、每周工作小时数、原籍国等。数据集的语言为英语，总大小为5,316,802字节，下载大小为553,790字节。数据集的使用可以通过HuggingFace的`load_dataset`函数加载。

The adult-census-income dataset is primarily used for predictive tasks, i.e., to determine whether an individual's annual income exceeds $50,000. It is derived from the 1994 US Census Database, and was extracted and curated by Barry Becker and Ronny Kohavi. The dataset contains 32,561 records, with features including age, work class, education level, marital status, occupation, race, gender, capital gain, capital loss, weekly working hours, country of origin, and more. It is in English, with a total size of 5,316,802 bytes and a download size of 553,790 bytes. The dataset can be loaded using the `load_dataset` function from HuggingFace.

原始信息汇总

数据集概述

数据集详情

• 数据集名称: adult-census-income
• 语言: 英语
• 总大小: 32,561 条记录
• 下载大小: 553790 字节
• 数据集大小: 5316802 字节
• 许可证: Creative Commons(CC) License CC0 1.0

数据集特征

特征列表

• age: 整数类型
• workclass: 字符串类型
• fnlwgt: 整数类型
• education: 字符串类型
• education.num: 整数类型
• marital.status: 字符串类型
• occupation: 字符串类型
• relationship: 字符串类型
• race: 字符串类型
• sex: 字符串类型
• capital.gain: 整数类型
• capital.loss: 整数类型
• hours.per.week: 整数类型
• native.country: 字符串类型
• income: 字符串类型

数据分割

• train: 包含 32561 条记录，5316802 字节

数据集内容

特征详细说明

• Income: >50K (24.1%), <=50K (75.9%)
• Age: 连续值
• Workclass: Private, Self-emp-not-inc, Self-emp-inc, Federal-gov, Local-gov, State-gov, Without-pay, Never-worked
• fnlwgt: 连续值
• Education: Bachelors, Some-college, 11th, HS-grad, Prof-school, Assoc-acdm, Assoc-voc, 9th, 7th-8th, 12th, Masters, 1st-4th, 10th, Doctorate, 5th-6th, Preschool
• Education.num: 连续值
• Marital.status: Married-civ-spouse, Divorced, Never-married, Separated, Widowed, Married-spouse-absent, Married-AF-spouse
• Occupation: Tech-support, Craft-repair, Other-service, Sales, Exec-managerial, Prof-specialty, Handlers-cleaners, Machine-op-inspect, Adm-clerical, Farming-fishing, Transport-moving, Priv-house-serv, Protective-serv, Armed-Forces
• Relationship: Wife, Own-child, Husband, Not-in-family, Other-relative, Unmarried
• Race: White, Asian-Pac-Islander, Amer-Indian-Eskimo, Other, Black
• Sex: Female, Male
• Capital.gain: 连续值
• Capital.loss: 连续值
• Hours.per.week: 连续值
• Native.country: United States, Cambodia, England, Puerto Rico, Canada, Germany, Outlying-US(Guam-USVI-etc), India, Japan, Greece, South, China, Cuba, Iran, Honduras, Philippines, Italy, Poland, Jamaica, Vietnam, Mexico, Portugal, Ireland, France, Dominican Republic, Laos, Ecuador, Taiwan, Haiti, Columbia, Hungary, Guatemala, Nicaragua, Scotland, Thailand, Yugoslavia, El-Salvador, Trinadad&Tobago, Peru, Hong, Holand-Netherlands

搜集汇总

数据集介绍

构建方式

成人人口普查收入数据集（Adult Census Income）源自美国人口普查局1994年的收入调查数据，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。该数据集包含32561条训练样本，涵盖年龄、工作类型、教育水平、婚姻状况、职业、种族、性别、资本收益与损失、每周工作小时数及原籍国等15个属性。数据以结构化的表格形式存储，特征类型包括整数型与字符串型，标签列'income'为二分类目标变量。构建过程中，原始数据经过清洗与标准化处理，剔除了缺失值并确保了类别特征的完整性，最终形成适用于监督学习任务的基准数据集。

特点

该数据集的核心特点在于其多维度的社会经济学特征组合，能够系统性地反映收入水平与人口属性之间的关联。特征中既包含如年龄、教育年限等连续型数值变量，也涵盖工作类别、婚姻状态等离散型类别变量，为模型提供了丰富的决策边界。此外，资本收益与损失作为稀疏性特征，揭示了非工资收入对个人经济状况的潜在影响。数据集的标签分布较为平衡，但存在一定程度的类别不平衡，适合用于评估分类算法在真实世界场景下的泛化能力。其公开许可（CC）与标准化格式使其成为机器学习教学与公平性研究的经典基准。

使用方法

用户可通过Hugging Face的datasets库便捷加载该数据集，调用load_dataset('AiresPucrs/adult-census-income', split='train')即可获取训练集。数据以表格形式返回，支持直接转换为pandas DataFrame进行探索性分析。典型使用场景包括构建二分类模型预测收入等级，或进行特征重要性分析以揭示社会经济因素对收入的影响。由于数据集包含敏感属性（如种族、性别），使用时需注意公平性评估与偏见缓解。建议将数据划分为训练集与测试集，并采用交叉验证确保模型稳定性。此外，该数据集常被用于对比不同机器学习算法（如逻辑回归、随机森林与梯度提升树）在结构化数据上的表现差异。

背景与挑战

背景概述

成人普查收入数据集（Adult Census Income）源自美国人口普查局1994年的收入调查数据，由AiresPucrs研究团队整理并纳入Teeny-Tiny Castle开源教育项目，旨在为人工智能伦理与安全研究提供基础训练素材。该数据集聚焦于预测个人年收入是否超过50,000美元这一核心分类问题，包含年龄、职业、教育程度、婚姻状况、种族、性别等14项人口统计学特征，以及32,561条训练样本。作为社会公平性研究的经典基准，它长期被用于检验机器学习模型中的偏见与歧视现象，尤其在性别和种族维度上揭示了算法决策可能隐含的系统性不公，对推动负责任AI的发展具有深远影响。

当前挑战

该数据集面临的核心挑战在于解决收入预测中的结构性偏见问题，即模型可能基于性别、种族等敏感属性做出有偏预测，导致对特定群体的系统性低估或高估。此外，数据构建过程中存在显著局限性：样本仅涵盖1994年美国人口结构，缺乏时间与地域多样性；特征定义较为粗泛，如将教育程度简化为离散等级，未能捕捉技能差异；同时数据类别分布不均，高收入群体仅占约24%，易引发模型对少数类的学习不足。这些因素共同限制了数据集在当代多元社会中的泛化能力，也凸显了构建更均衡、更具时效性的公平性基准数据的迫切需求。

常用场景

经典使用场景

成人普查收入数据集（Adult Census Income）源自美国人口普查局1994年的数据，是社会科学与机器学习交叉领域中的经典基准。该数据集通过整合年龄、职业、教育水平、婚姻状况、种族、性别、每周工作时长等14项人口统计学特征，构建了一个用于预测个体年收入是否超过5万美元的二分类任务。其经典使用场景聚焦于收入预测模型的构建与评估，研究者通常利用该数据集训练逻辑回归、决策树或神经网络等分类器，以探究社会经济因素与收入水平之间的关联，并作为衡量算法泛化能力的标准测试平台。

解决学术问题

在学术研究中，该数据集主要解决了两个关键问题：一是量化人口统计学特征对经济收入的影响，为劳动经济学中的收入不平等研究提供数据支撑；二是作为公平性机器学习领域的标杆，通过分析性别、种族等敏感属性对预测结果的影响，系统性地评估算法偏见。该数据集推动了关于模型公平性度量（如差异影响分析、机会均等）的学术讨论，促使研究者开发出多种去偏算法与公平性约束优化方法，对构建负责任的AI系统具有深远意义。

衍生相关工作

该数据集衍生出多项具有里程碑意义的学术工作。例如，Hardt等人（2016）在其关于公平性机会均等的开创性论文中，以Adult Census Income数据集为例，提出了基于混淆矩阵的公平性度量标准；Zafar等人（2017）则基于该数据集开发了考虑群体公平性的决策边界优化算法。此外，该数据集还催生了如AI Fairness 360、Fairlearn等开源公平性工具库，这些工具将数据集的预处理、模型训练与后处理公平性干预方法集成化，成为AI伦理研究领域的标准实验平台。