awesome-public-datasets

一个主题中心的高质量开放数据集列表，位于公共领域，由大家共同维护，供所有人使用。

一项以主题为中心，品质卓越的开放数据集列表，置身于公共领域之中，并由众志成城的力量共同维护，旨在服务于广大用户。

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国植物信息。
• U.S. Department of Agricultures Nutrient Database: 提供食品营养成分信息。

生物学

• 1000 Genomes: 人类基因组数据。
• American Gut (Microbiome Project): 人类肠道微生物数据。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像数据集。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系数据。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 公共基因组数据。
• EBI ArrayExpress: 基因表达数据。
• EBI Protein Data Bank in Europe: 蛋白质结构数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像数据。
• ENCODE project: 基因组功能注释数据。
• Ensembl Genomes: 基因组数据。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Gene Ontology (GO): 基因功能注释数据。
• Global Biotic Interactions (GloBI): 生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 细胞信号传导数据。
• Human Genome Diversity Project: 人类基因多样性数据。
• Human Microbiome Project (HMP): 人类微生物组数据。
• ICOS PSP Benchmark: 生物过程模拟数据。
• International HapMap Project: 人类遗传变异数据。
• Journal of Cell Biology DataViewer: 细胞生物学数据。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NCBI Proteins: 蛋白质数据。
• NCBI Taxonomy: 生物分类数据。
• NCI Genomic Data Commons: 基因组数据共享平台。
• NIH Microarray data: 微阵列数据。
• OpenSNP genotypes data: 基因型数据。
• Pathguid - Protein-Protein Interactions Catalog: 蛋白质相互作用数据。
• Protein Data Bank: 蛋白质结构数据。
• Psychiatric Genomics Consortium: 精神疾病基因组数据。
• PubChem Project: 化学物质数据。
• PubGene (now Coremine Medical): 基因与疾病关联数据。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): 癌症体细胞突变数据。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): 药物敏感性基因组数据。
• Sequence Read Archive(SRA): 测序数据。
• Stanford Microarray Data: 微阵列数据。
• Stowers Institute Original Data Repository: 生物学原始数据。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学数据。
• The Cancer Genome Atlas (TCGA): 癌症基因组图谱。
• The Catalogue of Life: 生物物种目录。
• The Personal Genome Project: 个人基因组数据。
• UCSC Public Data: 公共基因组数据。
• UniGene: 基因特异性序列数据。
• Universal Protein Resource (UnitProt): 蛋白质数据。

气候/天气

• Actuaries Climate Index: 气候指数数据。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气数据。
• Brazilian Weather - Historical data: 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 东英吉利大学气候数据。
• European Climate Assessment & Dataset: 欧洲气候评估数据。
• Global Climate Data Since 1929: 全球气候数据。
• NASA Global Imagery Browse Services: NASA全球图像浏览服务。
• NOAA Bering Sea Climate: 白令海气候数据。
• NOAA Climate Datasets: NOAA气候数据集。
• NOAA Realtime Weather Models: NOAA实时天气模型数据。
• NOAA SURFRAD Meteorology and Radiation Datasets: NOAA辐射气象数据。
• The World Bank Open Data Resources for Climate Change: 世界银行气候变化数据资源。
• UEA Climatic Research Unit: 东英吉利大学气候研究单位数据。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 全球历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: DOI链接数据。
• DBLP Citation dataset: 计算机科学文献引用数据。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 专利引用数据。
• Network Repository with Interactive Exploratory Analysis Tools: 网络数据存储库。
• NIST complex networks data collection: NIST复杂网络数据集。
• Protein-protein interaction network: 蛋白质相互作用网络数据。
• PyPI and Maven Dependency Network: 软件依赖网络数据。
• Scopus Citation Database: 科学文献引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图库。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: Koblenz网络数据集。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• The Nexus Network Repository: Nexus网络数据存储库。
• UCI Network Data Repository: UCI网络数据存储库。
• UFL sparse matrix collection: 稀疏矩阵数据集。
• WSU Graph Database: 华盛顿州立大学图数据库。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 2012年CommonCrawl的35亿网页数据。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿次网页点击数据。
• CAIDA Internet Datasets: CAIDA互联网数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页数据。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页数据。
• CommonCrawl Web Data over 7 years: 7年CommonCrawl网页数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• Criteo click-through data: Criteo点击数据。
• OONI: Open Observatory of Network Interference: 网络干扰开放观测数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7的互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: UCSD网络望远镜数据。

数据挑战

• Bruteforce Database: 暴力破解数据库。
• Challenges in Machine Learning: 机器学习挑战。
• CrowdANALYTIX dataX: CrowdANALYTIX数据挑战。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: 社会公益驱动数据竞赛。
• ICWSM Data Challenge (since 2009): 自2009年以来的ICWSM数据挑战。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 腾讯2012年KDD杯数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix奖数据。
• Space Apps Challenge: 太空应用挑战数据。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源和使用数据。
• BODC - marine data of ~22K vars: 英国海洋数据中心数据。
• Earth Models: 地球模型数据。
• EOSDIS - NASAs earth observing system data: NASA地球观测系统数据。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋探索开放海洋数据。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼全球火山和喷发数据库。
• USGS Earthquake Archives: 美国地质调查局地震档案。

经济学

• American Economic Association (AEA): 美国经济协会数据。
• EconData from UMD: 马里兰大学经济数据。
• Economic Freedom of the World Data: 世界经济自由数据。
• Historical MacroEconomic Statistics: 历史宏观经济统计数据。
• International Economics Database: 国际经济学数据库。
• International Trade Statistics: 国际贸易统计数据。
• Internet Product Code Database: 互联网产品代码数据库。
• Joint External Debt Data Hub: 联合外债数据中心。
• Jon Haveman International Trade Data Links: Jon Haveman国际贸易数据链接。
• OpenCorporates Database of Companies in the World: 全球公司开放数据库。
• Our World in Data: 我们的世界数据。
• SciencesPo World Trade Gravity Datasets: SciencesPo世界贸易引力数据集。
• The Atlas of Economic Complexity: 经济复杂性地图集。
• The Center for International Data: 国际数据中心。
• The Observatory of Economic Complexity: 经济复杂性观测站。
• UN Commodity Trade Statistics: 联合国商品贸易统计数据。
• UN Human Development Reports: 联合国人类发展报告。

教育

• College Scorecard Data: 大学评分卡数据。
• Student Data from Free Code Camp: 自由代码营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 能源消耗数据集。
• Dataport: 能源数据港。
• DRED: 能源需求响应数据集。
• ECO: 能源消耗数据集。
• EIA: 能源信息署数据。
• HES: 家庭能源研究数据。
• HFED: 家庭能源数据集。
• iAWE: 智能建筑能源数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源跟踪数据集。
• UK-DALE: 英国家庭能源数据集。
• WHITED: 白盒能源数据集。

金融

• CBOE Futures Exchange: 芝加哥期权交易所期货数据。
• Google Finance: 谷歌财经数据。
• Google Trends: 谷歌趋势数据。
• NASDAQ: 纳斯达克数据。
• NYSE Market Data: 纽约证券交易所市场数据。
• OANDA: OANDA外汇数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: Quandl金融数据。
• St Louis Federal: 圣路易斯联邦储备银行数据。
• Yahoo Finance: 雅虎财经数据。

GIS

• ArcGIS Open Data portal: ArcGIS开放数据门户。
• Cambridge, MA, US, GIS data on GitHub: 剑桥市GIS数据。
• Factual Global Location Data: Factual全球位置数据。
• Geo Spatial Data from ASU: 亚利桑那州立大学地理空间数据。
• Geo Wiki Project - Citizen-driven Environmental Monitoring: Geo Wiki项目环境监测数据。
• GeoFabrik - OSM data extracted to a variety of formats and areas: GeoFabrik提取的OSM数据。
• GeoNames Worldwide: GeoNames全球数据。
• Global Administrative Areas Database (GADM): 全球行政区域数据库。
• Homeland Infrastructure Foundation-Level Data: 国土基础设施基础数据。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• List of all countries in all languages: 所有国家名称数据。
• National Weather Service GIS Data Portal: 国家气象服务GIS数据门户。
• Natural Earth - vectors and rasters of the world: 自然地球数据。
• OpenAddresses: 开放地址数据。
• OpenStreetMap (OSM): 开放街道地图数据。
• Pleiades - Gazetteer and graph of ancient places: Pleiades古代地点地名录和图。
• Reverse Geocoder using OSM data: 使用OSM数据的反向地理编码器。
• TIGER/Line - U.S. boundaries and roads: TIGER/Line美国边界和道路数据。
• TwoFishes - Foursquares coarse geocoder: Foursquare的粗略地理编码器。
• TZ Timezones shapfiles: 时区形状文件。
• UN Environmental Data: 联合国环境数据。
• World boundaries from the U.S. Department of State: 美国国务院提供的全球边界数据。
• World countries in multiple formats: 多格式世界国家数据。

政府

• A list of cities and countries contributed by community: 社区贡献的城市和国家列表。
• Open Data for Africa: 非洲开放数据。
• OpenDataSofts list of 1,600 open data: OpenDataSoft的1600个开放数据列表。

医疗保健

• EHDP Large Health Data Sets: EHDP大型健康数据集。
• Gapminder World demographic databases: Gapminder世界人口数据库。
• GDC supports several cancer genome programs for CCG, TCGA, TARGET etc.: GDC支持的多个癌症基因组项目。
• PhysioBank Databases - a large and growing archive of physiological data: PhysioBank生理数据档案。
• Medicare Coverage Database (MCD), U.S.: 美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: 医疗保险数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: PubMed使用的医学主题词表。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 2014年受影响国家埃博拉病例和死亡人数。
• Open-ODS (structure of the UK NHS): 英国国民健康服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 医疗保健金融关系数据。
• The Cancer Genome Atlas project (TCGA): 癌症基因组图谱项目。
• World Health Organization Global Health Observatory: 世界卫生组织全球健康观测站。

图像处理

• 10k US Adult Faces Database: 美国成人面部数据库。
• 2GB of Photos of Cats: 2GB猫照片数据。
• Adience Unfiltered faces for gender and age classification: Adience性别和年龄分类未过滤面部数据。
• Affective Image Classification: 情感图像分类数据。
• Animals with attributes: 带属性的动物图像数据。
• Caltech Pedestrian Detection Benchmark: Caltech行人检测基准数据。
• Chars74K dataset, Character Recognition in Natural Images: Chars74K自然图像字符识别数据。
• Face Recognition Benchmark: 面部识别基准数据。
• Flickr: 32 Class Brand Logos: Flickr品牌标志数据。
• GDXray: X-ray images for X-ray testing and Computer Vision: GDXray X射线图像数据。
• ImageNet (in WordNet hierarchy): ImageNet数据集。
• Indoor Scene Recognition: 室内场景识别数据。
• International Affective Picture System, UFL: 国际情感图片系统。
• Massive Visual Memory Stimuli, MIT: 大规模视觉记忆刺激数据。
• MNIST database of handwritten digits, near 1 million examples: MNIST手写数字数据库。
• Several Shape-from-Silhouette Datasets: 多个形状从轮廓数据集。
• Stanford Dogs Dataset: 斯坦福犬类数据集。
• SUN database, MIT: 斯坦福大学SUN数据库。
• The Action Similarity Labeling (ASLAN) Challenge: ASLAN动作相似性标记挑战数据。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 暴力流 - 人群暴力/非暴力数据库和基准。
• Visual genome: 视觉基因组数据。
• YouTube Faces Database: YouTube面部数据库。

机器学习

• Context-aware data sets from five domains: 五个领域的上下文感知数据集。

搜集汇总

数据集介绍

构建方式

该数据集是通过收集和整理来自博客、回答和用户响应等来源的主题-centric公共数据源而构建的。它包含了大量的数据集，其中大部分是免费的，但也有一些不是。

特点

数据集的特点在于其涵盖了多个领域，如农业、生物学、气候/天气、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融、GIS、政府、医疗保健、图像处理、机器学习等，提供了丰富多样的数据资源。此外，数据集还包含了不同类型的数据，如文本、图片、网络流量等。

使用方法

用户可以通过数据集的GitHub页面查看可用的数据集列表，并根据需要访问相应的链接以下载数据。部分数据集可能需要特定的工具或软件来处理和分析数据。用户应当遵循数据集的使用条款和许可协议。

背景与挑战

背景概述

awesome-public-datasets是一个由社区贡献的公共数据集列表，旨在提供高质量的数据资源。该数据集涵盖了多个领域，包括农业、生物学、气候、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融、地理信息系统、健康护理、图像处理、机器学习等。它创建于2016年，由sindresorhus维护，并汇集了来自博客、回答和用户响应的数据集。

当前挑战

该数据集面临的挑战主要包括：1) 确保数据质量，由于数据集来源多样，需要对数据进行筛选和清洗；2) 数据集的更新和维护，随着数据集的增多，维护更新的工作量也在增加；3) 数据集的可用性和访问性，部分数据集可能存在访问限制或者需要特定的工具和技术来处理；4) 数据集的多样性和覆盖范围，尽管数据集涵盖多个领域，但某些领域可能缺乏足够的数据集。

常用场景

经典使用场景

awesome-public-datasets 数据集广泛收集了各领域的高质量公共数据源，其经典使用场景主要集中于学术研究、数据分析和商业智能等领域。学者和研究人员可以从中获取特定领域的数据集，进行机器学习模型的训练、数据挖掘和统计分析等。

实际应用

在实际应用中，awesome-public-datasets 可以为商业智能分析、政府决策支持、健康医疗数据分析、金融风险评估等提供数据基础，帮助企业、政府和研究机构做出更加精准的决策。

衍生相关工作

基于该数据集，已经衍生出许多相关的经典工作，包括机器学习算法的研究、数据可视化工具的开发、新型数据挖掘技术的探索等，进一步推动了数据科学领域的发展。