一、数据集基本信息
- 核心定位：包含20万条带分类标签的新闻数据，用于新闻分类任务，共涵盖10个新闻类别，分别是Technology（科技）、Politics（政治）、Business（商业）、Sports（体育）、Health（健康）、War（战争）、Lifestyle（生活方式）、Science（科学）、Education（教育）、Entertainment（娱乐）。
我用夸克网盘给你分享了「新闻分类数据集」，点击链接或复制整段内容，打开「夸克APP」即可获取。
链接：https://pan.quark.cn/s/a98c80c7c11e
- 数据来源：由4个Kaggle数据集聚合而成，原始数据集链接如下：
- https://www.kaggle.com/datasets/adhamelkomy/news-classification-and-analysis-using-nlp
- https://www.kaggle.com/datasets/amananandrai/ag-news-classification-dataset/versions/2
- https://www.kaggle.com/datasets/rmisra/news-category-dataset/versions/3
- https://www.kaggle.com/datasets/kishanyadav/inshort-news
- 数据处理：对原始数据进行了合并、清洗操作，并对新闻类别进行泛化处理，以减少类别数量，提升数据可用性。
- 数据文件：仅包含1个CSV文件（200k_news_category.csv），文件大小51.03MB，包含4列核心数据，具体字段及说明如下：
字段（Column） 说明 title 新闻标题 content 新闻正文文本 category 新闻类别（对应10个分类） （无明确列名，序号列） 数据条目序号（0至209664） - 基础属性：
- 总数据量：209665条
- 唯一标题数：210800个
- 类别占比：Lifestyle占30%、Politics占17%、其他类别合计占52%（共110067条）
二、数据集可用性与合规信息
- 可用性评分：10.00（满分），数据质量认可度高。
- 许可证类型：CC0: Public Domain（公有领域协议），可自由使用、修改和分发，无版权限制。
- 更新频率：Never（永不更新），数据为静态版本，无后续更新计划。
- 标签与任务适配：标签包含Classification（分类）、News（新闻）、Text（文本）、Multiclass Classification（多分类）、Text Classification（文本分类），适配文本多分类任务，尤其适用于新闻领域的分类模型训练与测试。
三、数据统计与示例
- 数据分布：各区间数据量相对均衡，多数区间（如0.00-4216.00、4216.00-8432.00等）数据量为4216条，仅42160.00-46376.00区间为4215条，206584.00-210800.00区间为4217条。
- 数据示例（前5条）：
- 序号0：标题“Zareen Khan’s lawyer issues statement on arrest warrant, says ‘she was victim of fraud’”，类别Technology
- 序号1：标题“What is Women’s Reservation Bill, demanded by parties at Parliament today?”，类别Politics
- 序号2：标题“IIT Kanpur Director Abhay Karandikar appointed as Centre’s Science & Tech Secretary”，类别Technology
- 序号3：标题“Time stops for you: Mahindra as he praises PM Modi’s pace of work”，类别Business
- 序号4：标题“BJP MP Satish Dubey injured after car rams into vehicle in Bihar”，类别Politics
四、 作者与合作者信息
- 主要贡献者：REHAM MAYEA
- 更新时间：数据集最后更新于一个月前。
五、 许可证相关信息
- 许可证类型：CC0: Public Domain（公有领域协议）
https://creativecommons.org/publicdomain/zero/1.0/
