对于想学习Databricks的同学，可能最关心两个问题：

• 第一：是可否可以免费试用？

• 答案是有的，Databricks有一个community版本，免费试用14天。具体如何申请，我之前已经写过一篇详细的教程，有感兴趣的同学可以参考这篇文章：薅资本主义的羊毛：Databrciks大数据分析平台免费用

• 第二：是否有现成的数据集来做上手练习？

• Databricks自带的数据集有哪些？

• 在哪里可以找到这些数据集？

• 以及如何使用databricks自带的数据集

• 答案也是有的。

今天就和大家来分享一下这方面的内容。

熟悉Databricks的同学都知道，Databricks是一个基于云的大数据智能平台，让数据分析师，数据工程师以及数据科学家在一个统一的平台上处理数据、分析数据和构建人工智能应用。它支持湖仓一体化（Lakehouse）的架构，为企业数据团队提供了一个协作式的工作环境，一个灵活的平台。

Databricks自带的数据集基本涵盖了从基本数据、学习示例，到复杂的计算机视觉、自然语言处理、金融和经济等主题。而且从官网对这些数据集的声明（见下图）可以看出来，这些数据集Databricks也会不定期更新。

注意：Databricks 数据集的可用性和位置如有更改，恕不另行通知。

Databricks自带的数据集在哪里？

Databricks自带的数据集就在dbfs根目录下：/databricks-datasets，在Databricks Workspace中打开任意一个Python的Notebook，可以使用下面的命令查看有哪些数据集：

display(dbutils.fs.ls("/databricks-datasets/"))

从结果来看，大概有50多个文件夹中有相关的数据集，上面前几个可以看到有新冠病毒感染的数据集、人口普查、航线相关以及亚马逊电商平台评论相关数据集。

Databricks提供的数据集有哪些格式？

从目前了解到的情况来看，Databricks提供的数据集包括了平时常见的数据格式：csv，txt，json，parquet，avro，MP4，jpg等等。

今天来看一个比较大而且种类比较多的数据集：Rdatasets。

“Rdatasets” 是 747 个数据集的集合，这些数据集最初与统计软件环境“R” 及其一些附加软件包一起分发。目标是让这些数据更广泛地用于教学和统计软件开发。

这个数据集在Databricks中的具体路径为：

display(dbutils.fs.ls("/databricks-datasets/Rdatasets/"))

可以看到数据应该都在data-001这个文件夹里，来进去看一下：

display(dbutils.fs.ls("/databricks-datasets/Rdatasets/data-001/"))

可以看到，所有数据集的格式全部是csv格式的数据。所以如果你在学习相关知识，需要csv格式的数据时，来这个文件夹里来找就没错了。

再进去看一下csv这个文件夹下有多少个种类吧：

display(dbutils.fs.ls("/databricks-datasets/Rdatasets/data-001/csv"))

结果显示有30个文件夹，随便找一个文件夹，进去再看一下，比如COUNT：

display(dbutils.fs.ls("/databricks-datasets/Rdatasets/data-001/csv/COUNT/"))

终于可以看到这个子文件夹下所有csv格式的数据文件了。具体里面都是什么，请大家参考下面这个网站，有详细的文档说明：

https://vincentarelbundock.github.io/Rdatasets/datasets.html

点击关注本公众号，避开Azure更多坑！