otdnnc/japan-fashion-items

ファッションアイテムデータセット

日本の大手ファッションEコマースサイトから収集された商品カタログデータセットです。ブランド、カテゴリ、価格、商品画像URL、商品説明文、バリエーション（色・サイズ）など、ファッションアイテムに関するリッチなメタデータを含んでおり、商品分類、レコメンデーション、マルチモーダル学習、画像-テキスト対応学習などの研究・開発用途に利用できます。

データセット概要

• ファイル形式: Apache Parquet (Snappy 圧縮)
• 言語: 日本語 (ja)
• ドメイン: ファッション / アパレル / Eコマース

想定ユースケース

• ファッション商品の自動カテゴリ分類 (テキスト/画像)
• 商品説明文からのメタデータ抽出 (素材、色、サイズ、用途など)
• 画像-テキストペアによるマルチモーダル事前学習 (CLIP 風モデル)
• 価格予測 / ブランド予測モデル
• レコメンデーションシステムの評価用商品コーパス
• 日本語ファッションドメインの言語モデルファインチューニング
• 検索 / セマンティック検索のベンチマーク

スキーマ詳細

カラム名	型	説明
brand	struct	ブランド情報。id (int), is_published (bool), key (str), name (str), name_kana (str) を含むネストされた構造体
brand_no	string	ブランド独自の品番 (例: 703-06301)
category	struct	カテゴリ情報。id, keyword, name (親カテゴリ) と child_category (子カテゴリ) を含む
content	string	商品の詳細説明文 (日本語)。素材、デザインの意図、機能、モデル身長などを含むことが多い長文テキスト
currency_code	string	通貨コード (ISO 4217)。例: JPY
currency_unit	string	通貨記号。例: ¥
display_price	string	表示用の整形済み価格文字列 (例: ¥104,500)
id	int	アイテム内部 ID
images	struct	商品画像 URL のリスト。各要素に id, url_125, url_215, url_500 (3 種類の解像度) を含む
item_detail_id	int	商品詳細ページの ID
keywords	struct	商品に紐づくキーワードタグのリスト。各要素は id, name を持つ (例: 無地(柄), ナイロン(素材), A4サイズ収納可(バッグ サイズ))
name	string	商品名 (日本語)。例: ヒート リュックサック
price	int	価格 (整数、税込)。currency_code の通貨単位
sex_name	string	対象性別。MEN, WOMEN, KIDS など
variations	struct	バリエーション情報。colors (色のリスト) と sizes (サイズのリスト) を含む

ネスト構造のサンプル

brand

{
  "id": 1140,
  "is_published": true,
  "key": "porter",
  "name": "PORTER",
  "name_kana": "ポーター"
}

category

{
  "id": 114,
  "keyword": "bag",
  "name": "Bags",
  "child_category": {
    "id": 2045,
    "keyword": "backpack-rucksack",
    "name": "Backpack"
  }
}

images

{
  "items": [
    {
      "id": 79,
      "url_125": "https://c.imgz.jp/116/1060116/1060116b_8_d_125.jpg",
      "url_215": "https://c.imgz.jp/116/1060116/1060116b_8_d_215.jpg",
      "url_500": "https://c.imgz.jp/116/1060116/1060116b_8_d_500.jpg"
    }
  ]
}

画像 URL のサフィックス _125, _215, _500 はそれぞれ短辺ピクセル数の目安 (サムネイル / 中サイズ / 大サイズ) です。

keywords

{
  "items": [
    {"id": 15,  "name": "無地(柄)"},
    {"id": 35,  "name": "ナイロン(素材)"},
    {"id": 156, "name": "ナイロン(素材)"},
    {"id": 161, "name": "A4サイズ収納可(バッグ サイズ)"}
  ]
}

キーワードは 名前(属性カテゴリ) の形式が多く、(...) 内が属性タイプ (素材、柄、サイズなど) を表します。

variations

{
  "items": {
    "colors": [{"name": "ブラック"}],
    "sizes":  [{"name": "FREE"}]
  }
}

サンプルレコード

brand            : {"id":1140,"is_published":true,"key":"porter","name":"PORTER","name_kana":"ポーター"}
brand_no         : 703-06301
category         : {"id":114,"keyword":"bag","name":"Bags","child_category":{"id":2045,"keyword":"backpack-rucksack","name":"Backpack"}}
content          : 耐久性と耐水性に優れた2種類の異なる素材を組み合わせ、無骨でスタイリッシュなデザインが魅力の「HEAT（ヒート）」シリーズです。...
currency_code    : JPY
currency_unit    : ¥
display_price    : ¥104,500
id               : 8
images           : {"items":[{"id":79,"url_125":"https://c.imgz.jp/...","url_215":"...","url_500":"..."}, ...]}
item_detail_id   : 102961
keywords         : {"items":[{"id":15,"name":"無地(柄)"}, {"id":35,"name":"ナイロン(素材)"}, ...]}
name             : ヒート リュックサック
price            : 104500
sex_name         : MEN
variations       : {"items":{"colors":[{"name":"ブラック"}],"sizes":[{"name":"FREE"}]}}

読み込み例

Hugging Face datasets ライブラリ

from datasets import load_dataset

ds = load_dataset("otdnnc/japan-fashion-items", split="train")
print(ds[0])
print(ds.features)

pandas

import pandas as pd

df = pd.read_parquet("data.parquet")
print(df.shape)
print(df.columns.tolist())
print(df.iloc[0])

PyArrow (ストリーミング読み込み)

import pyarrow.parquet as pq

table = pq.read_table("data.parquet")
print(table.schema)

# 必要なカラムだけロードしてメモリを節約
table = pq.read_table("data.parquet", columns=["id", "name", "brand", "price"])

Polars

import polars as pl

df = pl.read_parquet("data.parquet")
print(df.head())

前処理・利用上の注意

文字エンコーディング

すべての文字列は UTF-8 でエンコードされています。日本語の全角記号 (／, （） など) や半角カナが混在する可能性があるため、テキスト処理時には正規化 (NFKC) を推奨します。

ネスト構造の取り扱い

brand, category, images, keywords, variations などは struct/list のネスト型です。pandas で読み込むと dict として展開されます。フラット化が必要な場合は以下のようにします。

import pandas as pd

df = pd.read_parquet("data.parquet")
df["brand_name"] = df["brand"].apply(lambda x: x["name"] if x else None)
df["category_name"] = df["category"].apply(lambda x: x["name"] if x else None)
df["child_category_name"] = df["category"].apply(
    lambda x: x.get("child_category", {}).get("name") if x else None
)
df["image_urls"] = df["images"].apply(
    lambda x: [img["url_500"] for img in x["items"]] if x else []
)

画像のダウンロード

画像 URL は c.imgz.jp ドメインから配信されています。スクレイピング時はサーバ負荷を考慮し、適切なレート制限 (例: 1〜2 req/sec) を設けてください。

import asyncio, aiohttp, aiofiles
from pathlib import Path

async def fetch(session, url, dest):
    async with session.get(url) as r:
        async with aiofiles.open(dest, "wb") as f:
            await f.write(await r.read())

async def main(urls):
    async with aiohttp.ClientSession() as session:
        sem = asyncio.Semaphore(4)  # 同時接続数を制限
        async def bound(u):
            async with sem:
                await fetch(session, u, Path("images") / u.split("/")[-1])
        await asyncio.gather(*[bound(u) for u in urls])

欠損値

一部のレコードでは variations, keywords, images のリストが空のことがあります。学習前に必ず null/空チェックを行ってください。

価格

price は整数値で、currency_code の通貨単位で表現されています。本データセットは日本国内向けで JPY のみが含まれます。

制限事項 (Limitations)

• 本データセットは特定時点のスナップショットであり、商品在庫・価格・URL は時間とともに変化します。
• 画像本体はデータセットに含まれていません。画像 URL を介して別途取得する必要があります。配信元の都合により一部 URL が失効している可能性があります。
• ブランド/カテゴリ分布には偏りがあり、特に高額ブランドや特定カテゴリ (バッグ、シューズなど) に集中する傾向があります。学習用途では分布の確認と必要に応じたサンプリング/重み付けを推奨します。
• sex_name のラベルは MEN/WOMEN/KIDS など限定的で、ジェンダー多様性を完全に反映するものではありません。
• 商品説明文 (content) はマーケティング文書であり、客観的な事実よりも宣伝的な表現を含む場合があります。

ライセンスおよび利用規約

• 本データセット自体は CC BY-NC 4.0 ライセンスで公開しています (非商用利用に限る)。
• ただし、各商品の画像・ブランド名・ロゴ・商品説明文等の知的財産権は、それぞれの権利者 (各ブランド、各撮影者など) に帰属します。
• 商用利用、再配布、画像の二次利用を行う場合は、必ず各権利者に確認・許諾を得てください。
• 本データセットはあくまで研究・教育目的を想定しています。

引用 (Citation)

本データセットを論文や研究で利用される場合は、以下のように引用してください。

@misc{japan_fashion_items,
  title  = {Japan Fashion Items Dataset},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/datasets/otdnnc/japan-fashion-items}}
}

連絡先: otdnnc@gmail.com

連絡先 / 問題報告

データセットに関する問題、誤り、削除依頼などは Hugging Face のディスカッション機能、もしくはリポジトリの Issue よりご連絡ください。

---

Fashion Items Dataset

This is a product catalog dataset collected from a major Japanese fashion e-commerce site. It contains rich metadata about fashion items, including brand, category, price, product image URLs, product descriptions, and variations (color/size). It can be used for research and development purposes such as product classification, recommendation, multimodal learning, and image-text alignment learning.

Dataset Overview

• File format: Apache Parquet (Snappy compression)
• Language: Japanese (ja)
• Domain: Fashion / Apparel / E-commerce

Intended Use Cases

• Automatic category classification of fashion products (text/image)
• Metadata extraction from product descriptions (materials, colors, sizes, intended use, etc.)
• Multimodal pre-training using image-text pairs (CLIP-style models)
• Price prediction / brand prediction models
• Product corpus for evaluating recommendation systems
• Fine-tuning language models for the Japanese fashion domain
• Benchmarking for search / semantic search

Schema Details

Column Name	Type	Description
brand	struct	Brand information. A nested struct containing id (int), is_published (bool), key (str), name (str), name_kana (str)
brand_no	string	Brand-specific product number (e.g., 703-06301)
category	struct	Category information. Contains id, keyword, name (parent category), and child_category (child category)
content	string	Detailed product description (Japanese). Long-form text often including materials, design intent, features, model height, etc.
currency_code	string	Currency code (ISO 4217). E.g., JPY
currency_unit	string	Currency symbol. E.g., ¥
display_price	string	Formatted price string for display (e.g., ¥104,500)
id	int	Internal item ID
images	struct	List of product image URLs. Each element contains id, url_125, url_215, url_500 (three resolutions)
item_detail_id	int	ID of the product detail page
keywords	struct	List of keyword tags associated with the product. Each element has id, name (e.g., 無地(柄) / Solid (Pattern), ナイロン(素材) / Nylon (Material), A4サイズ収納可(バッグ サイズ) / A4 size storage capable (Bag size))
name	string	Product name (Japanese). E.g., ヒート リュックサック (Heat Backpack)
price	int	Price (integer, tax included). In the currency unit of currency_code
sex_name	string	Target gender. MEN, WOMEN, KIDS, etc.
variations	struct	Variation information. Contains colors (list of colors) and sizes (list of sizes)

Nested Structure Samples

brand

{
  "id": 1140,
  "is_published": true,
  "key": "porter",
  "name": "PORTER",
  "name_kana": "ポーター"
}

category

{
  "id": 114,
  "keyword": "bag",
  "name": "Bags",
  "child_category": {
    "id": 2045,
    "keyword": "backpack-rucksack",
    "name": "Backpack"
  }
}

images

{
  "items": [
    {
      "id": 79,
      "url_125": "https://c.imgz.jp/116/1060116/1060116b_8_d_125.jpg",
      "url_215": "https://c.imgz.jp/116/1060116/1060116b_8_d_215.jpg",
      "url_500": "https://c.imgz.jp/116/1060116/1060116b_8_d_500.jpg"
    }
  ]
}

The image URL suffixes _125, _215, _500 indicate approximate short-edge pixel counts (thumbnail / medium / large), respectively.

keywords

{
  "items": [
    {"id": 15,  "name": "無地(柄)"},
    {"id": 35,  "name": "ナイロン(素材)"},
    {"id": 156, "name": "ナイロン(素材)"},
    {"id": 161, "name": "A4サイズ収納可(バッグ サイズ)"}
  ]
}

Keywords are often in the format name(attribute category), where the part inside (...) represents the attribute type (material, pattern, size, etc.).

variations

{
  "items": {
    "colors": [{"name": "ブラック"}],
    "sizes":  [{"name": "FREE"}]
  }
}

Sample Record

brand            : {"id":1140,"is_published":true,"key":"porter","name":"PORTER","name_kana":"ポーター"}
brand_no         : 703-06301
category         : {"id":114,"keyword":"bag","name":"Bags","child_category":{"id":2045,"keyword":"backpack-rucksack","name":"Backpack"}}
content          : The "HEAT" series combines two different materials with excellent durability and water resistance, featuring a rugged yet stylish design...
currency_code    : JPY
currency_unit    : ¥
display_price    : ¥104,500
id               : 8
images           : {"items":[{"id":79,"url_125":"https://c.imgz.jp/...","url_215":"...","url_500":"..."}, ...]}
item_detail_id   : 102961
keywords         : {"items":[{"id":15,"name":"無地(柄)"}, {"id":35,"name":"ナイロン(素材)"}, ...]}
name             : ヒート リュックサック
price            : 104500
sex_name         : MEN
variations       : {"items":{"colors":[{"name":"ブラック"}],"sizes":[{"name":"FREE"}]}}

Loading Examples

Hugging Face datasets library

from datasets import load_dataset

ds = load_dataset("otdnnc/japan-fashion-items", split="train")
print(ds[0])
print(ds.features)

pandas

import pandas as pd

df = pd.read_parquet("data.parquet")
print(df.shape)
print(df.columns.tolist())
print(df.iloc[0])

PyArrow (streaming load)

import pyarrow.parquet as pq

table = pq.read_table("data.parquet")
print(table.schema)

# Load only the necessary columns to save memory
table = pq.read_table("data.parquet", columns=["id", "name", "brand", "price"])

Polars

import polars as pl

df = pl.read_parquet("data.parquet")
print(df.head())

Preprocessing and Usage Notes

Character Encoding

All strings are encoded in UTF-8. Since full-width symbols (／, （）, etc.) and half-width kana may be mixed in Japanese text, normalization (NFKC) is recommended during text processing.

Handling Nested Structures

Fields such as brand, category, images, keywords, variations are struct/list nested types. When loaded with pandas, they are expanded as dict. If flattening is required, you can do as follows:

import pandas as pd

df = pd.read_parquet("data.parquet")
df["brand_name"] = df["brand"].apply(lambda x: x["name"] if x else None)
df["category_name"] = df["category"].apply(lambda x: x["name"] if x else None)
df["child_category_name"] = df["category"].apply(
    lambda x: x.get("child_category", {}).get("name") if x else None
)
df["image_urls"] = df["images"].apply(
    lambda x: [img["url_500"] for img in x["items"]] if x else []
)

Downloading Images

Image URLs are served from the c.imgz.jp domain. When scraping, please consider server load and apply appropriate rate limiting (e.g., 1-2 req/sec).

import asyncio, aiohttp, aiofiles
from pathlib import Path

async def fetch(session, url, dest):
    async with session.get(url) as r:
        async with aiofiles.open(dest, "wb") as f:
            await f.write(await r.read())

async def main(urls):
    async with aiohttp.ClientSession() as session:
        sem = asyncio.Semaphore(4)  # Limit concurrent connections
        async def bound(u):
            async with sem:
                await fetch(session, u, Path("images") / u.split("/")[-1])
        await asyncio.gather(*[bound(u) for u in urls])

Missing Values

In some records, the lists for variations, keywords, and images may be empty. Always perform null/empty checks before training.

Price

price is an integer value expressed in the currency unit of currency_code. This dataset is for the Japanese domestic market and contains only JPY.

Limitations

• This dataset is a snapshot at a specific point in time, and product inventory, prices, and URLs change over time.
• The image files themselves are not included in the dataset. They must be obtained separately via the image URLs. Some URLs may have expired due to circumstances of the source.
• There is bias in the brand/category distribution, with a particular concentration in high-priced brands and certain categories (bags, shoes, etc.). For training use, checking the distribution and applying sampling/weighting as needed is recommended.
• The sex_name labels are limited to MEN/WOMEN/KIDS and do not fully reflect gender diversity.
• Product descriptions (content) are marketing documents and may contain promotional expressions rather than objective facts.

License and Terms of Use

• This dataset itself is released under the CC BY-NC 4.0 license (non-commercial use only).
• However, the intellectual property rights of each product's images, brand names, logos, product descriptions, etc. belong to their respective rights holders (each brand, each photographer, etc.).
• For commercial use, redistribution, or secondary use of images, please be sure to obtain confirmation and permission from each rights holder.
• This dataset is intended solely for research and educational purposes.

Citation

If you use this dataset in a paper or research, please cite it as follows.

@misc{japan_fashion_items,
  title  = {Japan Fashion Items Dataset},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/datasets/otdnnc/japan-fashion-items}}
}

Contact: otdnnc@gmail.com

Contact / Issue Reporting

For issues, errors, deletion requests, etc. regarding the dataset, please contact us via the Hugging Face discussion feature or through the repository's Issues.