（11061期）dataset-finder – 多源数据集智能搜索下载专家

多源数据集智能搜索下载专家 整合 Kaggle、Hugging Face 等顶级数据仓库，提供一键搜索下载与数据卡片生成，大幅简化机器学习项目的数据准备流程。 使用说明 Dataset Finder 是一款专为机器学习从业者和数据科学家设计的开源工具，旨在简化从多个权威数据源获取和管理数据集的过程。该 Skill 通过统一的命令行界面，整合了 Kaggle、Hugging Face、UCI ML Repository 和 Data.gov 四大主流数据仓库，使用户无需切换平台即可搜索、下载和预览海量公开数据集。 核心用法围绕数据获取的全生命周期展开。用户可通过简单的命令行指令在多个仓库中同时搜索相关数据集，利用过滤条件（如文件类型、任务类型、语言等）快速定位所需资源。下载功能支持 CSV、Parquet、JSON、Excel 等主流格式，并具备自动格式检测能力。对于大型数据集，还提供流式下载选项以避免内存溢出。下载后的数据集可通过预览功能快速查看统计信息（行列数、缺失值分布、基础统计量等），而数据卡片生成功能则能自动创建包含数据集模式、使用示例和引用信息的标准化文档，极大提升了团队协作和数据复现的便利性。 该 Skill 的显著优点在于其多源整合能力与丰富的数据管理功能。相比单一平台工具，Dataset Finder 打破了数据孤岛，让用户能够跨平台比较和选择最优数据集。其支持超过 10 种数据格式的转换与处理，内置的数据集分割、合并功能可直接服务于机器学习工作流的特征工程阶段。自动生成的数据卡片遵循行业最佳实践，包含完整的模式定义和统计摘要，有助于建立组织级的数据资产目录。此外，本地数据集管理功能允许用户建立结构化的数据仓库，通过统一的清单视图追踪已下载资源。 然而，该 Skill 也存在一定局限性。首先，使用 Kaggle 功能需要用户自行配置 API 密钥，对初学者不够友好；UCI ML Repository 的搜索功能依赖网页抓取（BeautifulSoup），可能因目标网站结构调整而突然失效。其次，虽然功能丰富，但依赖项版本未完全锁定（使用 >= 范围），在长期使用中可能面临依赖冲突风险。作为 T3 来源的个人项目，其长期维护稳定性和企业级支持相对有限，且官方要求预装 OpenClawCLI 才能运行，增加了部署复杂度。 该 Skill 特别适合以下群体：从事机器学习研究的数据科学家和算法工程师，需要快速获取训练数据的 AI 开发者，进行数据科学教学的教育工作者，以及需要构建数据资产库的技术团队。对于参与 Kaggle 竞赛的选手，该工具能显著缩短数据准备时间；对于学术研究者，UCI 和 Data.gov 的集成提供了可靠的标准数据集来源。 使用过程中的常规风险主要包括存储管理、依赖稳定性和数据合规三方面。下载大型数据集（如 GB 级图像或文本语料）会快速消耗本地磁盘空间，用户需定期清理未使用的数据集。依赖项中使用 >= 版本范围可能导致未来出现破坏性更新，建议在虚拟环境中使用并定期锁定依赖版本。虽然工具本身不收集用户数据，但从第三方平台下载的数据集可能包含版权或隐私限制，用户需自行验证数据使用许可。此外，网络请求虽设有超时保护，但在连接 Hugging Face 等国际服务时仍可能受网络环境影响。 原始说明 Use this skill when users need to search for datasets, download data files, or explore data repositories. Triggers include: requests to "find datasets", "search for data", "download dataset from Kaggle", "get data from Hugging Face", "find ML datasets", or mentions of data repositories like Kaggle, UCI ML Repository, Data.gov, or Hugging Face. Also use for previewing dataset statistics, generating data cards, or discovering datasets for machine learning projects. Requires OpenClawCLI installation from clawhub.ai.