癌症标志语料库

Name: 癌症标志语料库
Creator: qanastek

该数据集是一个文本模态的医学文献数据集，包含1852篇经过专家标注的PubMed癌症研究摘要，每句话都根据癌症标志的37个层次分类体系进行多标签标注。主要用于训练和评估多标签文本分类模型，支持癌症文献的自动语义分类研究，为生物信息学领域的癌症标志分析提供标准化的标注数据资源。

qanastek

Hugging Face

2022-11-01 更新

分类task_categories:text-classificationtask_ids:multi-class-classificationannotations_creators:machine-generatedannotations_creators:expert-generatedlanguage_creators:foundsource_datasets:originallanguage:ensize_categories:10K<n<100Kmodality:textlibrary:datasetslibrary:mlcroissantregion:us

基本信息

大小

0.06 GB

任务类型

分类

创建/更新时间

2022-11-01

资源简介

癌症标志语料库

【数据集背景】

本数据集源站标题为《qanastek/HoC》。源站首次发布：2022-11-01。

【数据内容】

源站原始描述：# HoC : Hallmarks of Cancer Corpus ## Table of Contents - [Dataset Card for [Needs More Information]](#dataset-card-for-needs-more-information) - Table of Contents - Dataset Description - Dataset Summary - Supported Tasks and Leaderboards - Languages - Dataset Structure - Data Instances - Data Fields - Data Splits#data-sp…

主表 CITATION.bib 含 2 列、样本前 10 行结构完整。

文件 HoC.py 为文本内容，开头为：# coding=utf-8 """HoC : Hallmarks of Cancer Corpus""" import datasets from pathlib import Path logger = datasets.logging.get_logger(__name__) _CITATION = "…

【数据结构与技术规格】

文件数 4 个，合计 42.58 KB。

【主题与分类】

主题标签：task_categories:text-classification、task_ids:multi-class-classification、annotations_creators:machine-generated、annotations_creators:expert-generated、language_creators:found、source_datasets:original、language:en、size_categories:10K<n<100K、modality:text、library:datasets。

【适用方向】

结构化表格数据可直接用于统计建模、特征工程与队列分析。

【获取与许可】

源站页面：https://huggingface.co/datasets/qanastek/HoC

原始链接

https://hf-mirror.com/datasets/qanastek/HoC

访问原始数据

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付，我们提供全链路闭环服务，让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持？联系我们获取定制方案。

帮我联系

下载信息

注册下载

需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。

暂未开放

公开下载

无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。

免登录

有偿下载

公开数据集受托下载与技术交付服务。

提供高速下载与技术交付服务（收技术服务费，非数据销售）

暂未开放

当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。

使用方式

数据集获取与加载（Hugging Face datasets）

# 前置依赖: pip install datasets
from datasets import load_dataset

ds = load_dataset("qanastek/HoC")
print(ds)  # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"

git lfs install &amp;&amp; git clone https://hf-mirror.com/datasets/qanastek/HoC

数据说明

癌症标志语料库是一个专门用于文本分类的医学文献数据集，包含1852篇来自PubMed的癌症研究论文摘要。这些摘要由专家根据癌症研究的37个分类层次进行人工标注，为每句话分配零个或多个类别标签。数据集包含文本和标签两个目录，文件名对应PubMed ID。该数据集主要用于训练多标签文本分类模型，支持根据癌症标志对科学文献进行自动语义分类的研究，在生物信息学和癌症研究领域有重要应用价值。

数据加载示例（表格/文本类）

import pandas as pd, glob, os

files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))