经营国内船舶管理业务审批|船舶管理数据集|行政审批数据集
收藏股票数据集
# 股票与金融数据集说明文档 ## 一、数据集概述 本数据集包含多份与股票、指数及金融数据相关的CSV文件,涵盖股票关联指数、实时交易、金融数据等内容,适用于: - 股票分析 - 金融市场研究 - 量化策略开发 为金融领域从业者和研究者提供基础数据支撑。 ## 二、文件列表及说明 | 文件名 | 内容说明 | |---------------------------------------|--------------------------------------------------------------------------| | index_related_to_stock.csv | 存储指数与股票关联数据,可用于分析指数成分股关联、指数对股票的影响等场景 | | real_time_trading_data_with.csv | 包含股票实时交易数据(交易时间、价格、成交量等实时行情信息) | | stock_list.csv | 股票列表基础信息(股票代码、名称、所属板块等) | | stock_related_to_index.csv | 记录股票与指数关联细节,辅助研究股票在指数体系中的角色与表现 | | hs_index_list.csv | 恒生指数列表数据(成分股、基本参数等) | | hs_index_realtime.csv | 恒生指数实时数据(实时走势、变动情况) | | index_industry_concept_tree.csv | 指数行业概念分类体系,助力分析行业与指数关联、概念板块影响 | | Financial_Data_20230330_20230630.csv | 2023年3月30日-2023年6月30日期间的金融数据(金融趋势回溯分析) | ## 三、数据格式与字段 - **格式**:CSV(逗号分隔) - **编码**:建议UTF-8 - **字段示例**: - `stock_related_to_index.csv`:股票代码、指数代码、关联权重 - `real_time_trading_data_with.csv`:交易时间戳、股票代码、成交价、成交量 ## 四、数据来源与更新 - **来源**:合法合规金融数据采集渠道(金融数据供应商、公开市场数据接口等) - **更新**:文件修改时间为最后更新时间(如`stock_related_to_index.csv`最后更新为2025/7/7) ## 五、使用方法import pandas as pd ### (一)环境准备 ```bash pip install pandas file_path = "stock_related_to_index.csv" try: data = pd.read_csv(file_path) print("数据读取成功,数据预览:") print(data.head()) # 打印前5行数据 except FileNotFoundError: print(f"文件 {file_path} 未找到,请检查路径") except Exception as e: print(f"数据读取出错:{e}") ### (一)环境准备 ```bash pip install pandas
魔搭社区 收录
LFW (Labeled Faces in the Wild)
Labeled Faces in the Wild,是一个人脸照片数据库,旨在研究无约束的人脸识别问题。该数据集包含从网络收集的超过 13,000 张人脸图像。每张脸都标有图中人物的名字。照片中的 1680 人在数据集中有两张或更多张不同的照片。这些人脸的唯一限制是它们是由 Viola-Jones 人脸检测器检测到的。更多细节可以在下面的技术报告中找到。
OpenDataLab 收录
PASCAL VOC 2007
这个挑战的目标是从现实场景中的许多视觉对象类别中识别对象(即不是预先分割的对象)。它基本上是一个监督学习问题,因为它提供了一组标记图像的训练集。已选择的 20 个对象类别是: 人:人 动物:鸟、猫、牛、狗、马、羊 交通工具:飞机、自行车、船、公共汽车、汽车、摩托车、火车 室内:瓶子、椅子、餐桌、盆栽、沙发、电视/显示器 将有两个主要比赛和两个较小规模的“品酒师”比赛。内容:提供的训练数据由一组图像组成;每个图像都有一个注释文件,为图像中存在的 20 个类别之一中的每个对象提供一个边界框和对象类别标签。请注意,来自多个类的多个对象可能出现在同一图像中。
OpenDataLab 收录
医院等级评审管理系统
医院等级评审管理系统
南京数据交易平台 收录
CODrone
CODrone 是一个为无人机设计的全面定向目标检测数据集,它准确反映了真实世界条件。该数据集包含来自多个城市在不同光照条件下的广泛标注图像,增强了基准的逼真度。CODrone 包含超过 10,000 张高分辨率图像,捕获自五个城市的真实无人机飞行,涵盖了各种城市和工业环境,包括港口和码头。为了提高鲁棒性和泛化能力,它包括在正常光线、低光和夜间条件下相同场景的图像。我们采用了三种飞行高度和两种常用的相机角度,从而产生了六个不同的视角配置。所有图像都针对 12 个常见对象类别进行了定向边界框标注,总计超过 590,000 个标记实例。总体而言,这项工作构建了一个综合数据集和基准,用于城市无人机场景中的定向目标检测,旨在满足该领域的研究和实践应用需求。
arXiv 收录
