Golub ALL/AML 基因表达经典分类数据集
这是肿瘤分子分型和生物信息机器学习领域最著名的基准测试数据集之一。数据集包含了72个白血病患者的DNA微阵列基因表达数据（其中涵盖了急性髓系白血病和急性淋巴细胞白血病的大量基因特征）。虽然样本规模不大，但它开创了利用基因芯片进行白血病计算机辅助分类的先河，被广泛用作各类监督学习算法、降维算法在特征选择和疾病预测任务中的经典练手数据。
基本信息
资源简介
Golub ALL/AML 基因表达经典分类数据集
【数据集背景】
本数据集源站标题为《Gene expression dataset (Golub et al.)》。源站首次发布：2017-08-08。
【数据内容】
源站原始描述：### Context This dataset comes from a proof-of-concept study published in 1999 by Golub et al. It showed how new cases of cancer could be classified by gene expression monitoring (via DNA microarray) and thereby provided a general approach for identifying new cancer classes and assigning tumors to known classes. These data were used to classify patients with acute myeloid leukemia (AML) and acute lymphoblastic leukemia (ALL). ### Content Golub et al "Molecular Classification of Cancer: Class Dis…
【数据结构与技术规格】
文件数 3 个，合计 3.90 MB。
【主题与分类】
主题标签：earth and nature、cancer、biology、biotechnology、genetics。
【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://www.kaggle.com/datasets/crawford/gene-expression
使用许可：CC0: Public Domain。
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。
需登录公开下载
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。
暂未开放有偿下载
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
方式一：KaggleHub（Python，推荐 AI Agent 使用）
# 前置依赖: pip install kagglehub
import kagglehub
path = kagglehub.dataset_download("crawford/gene-expression")
print("数据已下载至:", path)
方式二：Kaggle CLI（命令行）
# 前置条件: 注册 Kaggle 账号, Settings > API > Create New Token
# 将 kaggle.json 放到 ~/.kaggle/ 并 chmod 600
pip install kaggle
kaggle datasets download -d crawford/gene-expression
unzip gene-expression.zip -d gene-expression/
数据集大小约 0.01 GB。
数据说明
早期微阵列芯片领域的奠基性数据集，通过监测数千个基因的表达模式来准确区分急性淋巴细胞白血病(ALL)和急性髓系白血病(AML)。
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))
许可
CC0
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。
