CORD-19 预处理数据集
CORD-19 预处理数据集包含超过 20,000 篇与 COVID-19 及冠状病毒家族相关的科学文章，数据经过清洗和预处理，便于文本分类、信息检索等自然语言处理任务
基本信息
资源简介
CORD-19 预处理数据集
cord_df
CORD-19 预处理数据集包含超过 20,000 篇与 COVID-19 及冠状病毒家族相关的科学文章，数据经过清洗和预处理，便于文本分类、信息检索等自然语言处理任务。文章来源于知名科学期刊和出版物，涵盖病毒学、流行病学、临床治疗和公共卫生政策等广泛主题。该数据集可用于 COVID-19 相关文本挖掘、聚类分析和主题分类研究（来源 Kaggle，Unknown 许可）。
【数据集背景】
本数据集源站标题为《cord df》。源站首次发布：2023-02-28。
【数据内容】
源站描述（机器翻译，仅供参考）：CORD-19 预处理数据集是超过 20,000 篇与 COVID-19 及冠状病毒家族病毒相关的科学文章的集合。数据已经过清洗和预处理，使其更易于用于自然语言处理任务，例如文本分类和信息检索。这些文章来源于知名的科学期刊和出版物。它们涵盖了 CORD-19 数据集中与 COVID-19 相关的广泛主题，包括病毒学、流行病学、临床治疗和公共卫生政策。数据预处理 CORD-19 数据集包含大量数据，难以分析。为了使数据集更易于管理，我们将执行一些预处理步骤，以去除不必要的信息并减小数据集的大小。预处理步骤包括去除重复文章和去除文章 t
【数据结构与技术规格】
文件数 5 个，合计 15.54 GB。
【主题与分类】
主题标签：earth and nature、nlp、covid19、text mining、clustering。本站分类：呼吸道疾病/急性呼吸窘迫综合征。
【获取与许可】
源站页面：https://www.kaggle.com/datasets/divyapatel4/cord-df
使用许可：Unknown。
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
源站：https://kaggle.com/datasets/divyapatel4/cord-df
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:
数据集大小约 15.54 GB。
数据说明
cord_df Divya Patel · Updated 4 years ago Usability 5.3 · 5 Files (CSV) · 4 GB · 211 downloads · 6 notebooks arrow_drop_up 2 more_horiz
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。
