糖尿病预测数据集-66899
包含768名女性患者生理指标与糖尿病诊断结果的表格数据集，用于二分类预测任务。
基本信息
资源简介
糖尿病预测数据集
【一句话概览】
本数据集是 Mendeley Data 公开的结构化表格数据集，收录 1 个文件、合计 70.03 KB，可用于统计建模、特征工程与队列分析。
【数据集背景】
本数据集源站标题为《Diabetes》。源站首次发布：2024-08-21。
【数据内容】
源站原始描述：Diabetes Prediction Dataset This dataset contains medical diagnostic measurements for 768 female patients, used to predict the onset of diabetes. The data includes various physiological factors and a class variable that indicates whether or not a patient has diabetes. The dataset is structured as follows: Pregnancies: Number of times the patient has been pregnant. Glucose: Plasma glucose concentration (mg/dL) after 2 hours in an oral glucose tolerance test. BloodPressure: Diastolic blood pressur…
中文译文（机器翻译，仅供快速理解，请以原文为准）：糖尿病预测数据集 该数据集包含768名女性患者的医学诊断测量数据，用于预测糖尿病的发生。数据包括各种生理因素以及一个表示患者是否患有糖尿病的类别变量。数据集结构如下： 怀孕次数：患者怀孕的次数。 葡萄糖：口服葡萄糖耐量试验2小时后的血浆葡萄糖浓度（mg/dL）。 血压：舒张压（mm Hg）。 皮肤厚度：三头肌皮褶厚度（mm）。 胰岛素：2小时血清胰岛素（mu U/ml）。 BMI：体重指数，按体重（kg）/身高（m）^2计算。 糖尿病谱系函数：根据家族史评估糖尿病可能性的函数。 年龄：患者的年龄（岁）。 结果：二值变量（0或1），表示患者是否患有糖尿病（1）或未患糖尿病（0）。 用法：该数据集广泛用于训练机器学习模型以预测糖尿病的可能性。它适用于二分类任务，并可用于数据科学、医疗保健分析和机器学习教育等项目。
【数据结构与技术规格】
文件数 1 个，合计 70.03 KB。数据集 DOI：10.17632/pd64hfttwy.1。
【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://data.mendeley.com/datasets/pd64hfttwy
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
源站：https://data.mendeley.com/datasets/pd64hfttwy
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
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))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
