Awesome Public Datasets|公共数据集数据集|数据资源数据集

一个主题中心的高质量公共数据集列表，收集并整理自博客、答案和用户响应。

A curated list of high-quality public datasets centered around specific themes, compiled from blogs, answers, and user responses.

原始信息汇总

Awesome Public Datasets 概述

农业

• U.S. Department of Agricultures Nutrient Database: 提供营养数据。
• U.S. Department of Agricultures PLANTS Database: 提供植物数据。

生物学

• 1000 Genomes: 基因组数据。
• American Gut (Microbiome Project): 微生物组项目数据。
• 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: 蛋白质数据库。
• ENCODE project: 基因组注释项目数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像档案。
• Ensembl Genomes: 基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体数据库。
• Global Biotic Interactions (GloBI): 生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 药物敏感性项目数据。
• Human Genome Diversity Project: 人类基因组多样性数据。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• ICOS PSP Benchmark: 系统生物学数据集。
• International HapMap Project: 人类遗传变异数据。
• Journal of Cell Biology DataViewer: 细胞生物学数据查看器。
• KEGG: 基因组和生物化学数据库。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NCBI Proteins: 蛋白质数据库。
• NCBI Taxonomy: 生物分类数据库。
• 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: 蛋白质相互作用目录。
• Protein Data Bank: 蛋白质结构数据库。
• Psychiatric Genomics Consortium: 精神病基因组联盟数据。
• PubChem Project: 化学信息数据库。
• PubGene (now Coremine Medical): 基因和疾病关联数据库。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): 癌症体细胞突变目录。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): 癌症药物敏感性基因组项目数据。
• Sequence Read Archive(SRA): 测序数据存档。
• Stanford Microarray Data: 微阵列数据。
• Stowers Institute Original Data Repository: 原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动态系统科学数据库。
• The Cancer Genome Atlas (TCGA), available via Broad GDAC: 癌症基因组图谱。
• The Catalogue of Life: 生物物种目录。
• The Personal Genome Project: 个人基因组项目数据。
• UCSC Public Data: 加州大学圣克鲁兹分校公共数据。
• UniGene: 基因特异性序列集合。
• Universal Protein Resource (UnitProt): 蛋白质资源数据库。

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 - Consistent, timely and accurate weather: 航空天气中心数据。
• 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 (updated monthly): 东英吉利大学气候数据。
• Global Climate Data Since 1929: 自1929年以来的全球气候数据。
• NASA Global Imagery Browse Services: 美国宇航局全球图像浏览服务。
• NOAA Bering Sea Climate: 美国国家海洋和大气管理局白令海气候数据。
• NOAA Climate Datasets: 美国国家海洋和大气管理局气候数据集。
• NOAA Realtime Weather Models: 美国国家海洋和大气管理局实时天气模型。
• NOAA SURFRAD Meteorology and Radiation Datasets: 美国国家海洋和大气管理局SURFRAD气象和辐射数据集。
• The World Bank Open Data Resources for Climate Change: 世界银行气候变化开放数据资源。
• UEA Climatic Research Unit: 东英吉利大学气候研究单位数据。
• WU Historical Weather Worldwide: 世界历史天气数据。
• WorldClim - Global Climate Data: 全球气候数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: DOI链接数据集。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 专利引用数据。
• NIST complex networks data collection: 复杂网络数据收集。
• Network Repository with Interactive Exploratory Analysis Tools: 网络存储库与交互式探索分析工具。
• Protein-protein interaction network: 蛋白质相互作用网络。
• PyPI and Maven Dependency Network: Python和Maven依赖网络。
• Scopus Citation Database: Scopus引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase: 斯坦福图形库。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集收集。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• UCI Network Data Repository: 加州大学欧文分校网络数据存储库。
• UFL sparse matrix collection: 稀疏矩阵集合。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 2012年CommonCrawl的35亿网页。
• 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。
• CAIDA Internet Datasets: 互联网数据集。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的一亿网页。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页。
• CommonCrawl Web Data over 7 years: 7年内的CommonCrawl网页数据。
• Criteo click-through data: Criteo点击数据。
• Internet-Wide Scan Data Repository: 互联网范围扫描数据存储库。
• OONI: Open Observatory of Network Interference - Internet censorship data: 网络干扰开放观察站数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• The Peer-to-Peer Trace Archive: 点对点跟踪档案。
• Rapid7 Sonar Internet Scans: Rapid7 Sonar互联网扫描。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校网络望远镜数据。

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X。
• 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。
• KDD Cup by Tencent 2012: 2012年腾讯KDD杯。
• Kaggle Competition Data: Kaggle竞赛数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖赛数据。
• Space Apps Challenge: 空间应用挑战。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集 - MSR2017挖掘挑战。
• TunedIT - Data mining & machine learning data sets, algorithms, challenges: TunedIT - 数据挖掘与机器学习数据集、算法、挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源和使用情况。
• BODC - marine data of ~22K vars: 英国海洋数据中心数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局地球观测系统数据。
• Earth Models: 地球模型。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋探索 - 开放海洋学数据。
• Alabama Real-Time Coastal Observing System: 阿拉巴马实时海岸观测系统。
• National Estuarine Research Reserves System-Wide Monitoring Program: 国家河口研究储备系统范围监测计划。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼学会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。
• INFORUM - Interindustry Forecasting at the University of Maryland: 马里兰大学产业间预测。
• 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: 乔恩·哈维曼国际贸易数据链接。
• OpenCorporates Database of Companies in the World: 全球公司数据库。
• Our World in Data: 我们的世界数据。
• SciencesPo World Trade Gravity Datasets: 巴黎政治学院世界贸易引力数据集。
• The Atlas of Economic Complexity: 经济复杂性图谱。
• The Center for International Data: 国际数据中心。
• The Observatory of Economic Complexity: 经济复杂性观察站。
• 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: 大学记分卡数据。
• Student Data from Free Code Camp: 免费编程营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 多建筑能效数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• Global Power Plant Database: 全球发电厂数据库。
• HES - Household Electricity Study, UK: 英国家庭电力研究。
• HFED: 家庭能源数据集。
• PLAID - The Plug Load Appliance Identification Dataset: 插件负载设备识别数据集。
• REDD: 住宅能源数据集。
• Smart Meter Data Portal: 智能电表数据门户。
• Tracebase: 能源使用跟踪数据集。
• UK-DALE - UK Domestic Appliance-Level Electricity: 英国家用电器级电力数据。
• WHITED: 白宫能源数据集。
• iAWE: 室内能源使用数据集。

金融

• Blockmodo Coin Registry: 加密货币注册表。
• CBOE Futures Exchange: 芝加哥期权交易所期货交易数据。
• 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金融和经济数据。
• 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。
• IEEE Geoscience and Remote Sensing Society DASE Website: IEEE地球科学与遥感学会DASE网站。
• Geo Maps - High Quality GeoJSON maps programmatically generated: 高质量GeoJSON地图。
• 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: 地理维基项目 - 公民驱动的环境监测。
• GeoFabrik - OSM data extracted to a variety of formats: GeoFabrik提取的OSM数据。

AI搜集汇总

数据集介绍

构建方式

Awesome Public Datasets的构建过程依赖于自动化工具`apd-core`，该工具通过从博客、问答平台和用户反馈中收集高质量的主题中心化公共数据源，并进行整理和分类。数据集的内容涵盖了多个领域，包括农业、生物学、气候与天气、复杂网络等。为确保数据的准确性和一致性，贡献者需通过指定的方式提交数据，而非直接修改主文件。

使用方法

用户可以通过访问Awesome Public Datasets的GitHub页面，浏览不同主题下的数据源链接。每个数据源都附有简要说明和访问链接，用户可以根据需求直接下载或访问相关数据。对于希望贡献新数据源的用户，需遵循项目提供的贡献指南，通过`apd-core`工具提交数据，确保数据的一致性和可维护性。

背景与挑战

背景概述

Awesome Public Datasets 是一个由社区驱动的公共数据集集合，旨在为研究人员、开发者和数据科学家提供高质量、主题广泛的公开数据资源。该数据集由 awesomedata 组织维护，最初创建于2015年，其核心目标是通过整合来自博客、问答平台和用户反馈的数据源，构建一个全面且易于访问的数据集目录。Awesome Public Datasets 涵盖了农业、生物学、气候与天气、复杂网络、计算机网络、地球科学、经济学、教育、能源、金融、地理信息系统等多个领域，为跨学科研究提供了丰富的数据支持。该数据集的影响力不仅体现在其广泛的应用场景中，还在于其推动了数据开放共享的文化，成为许多研究项目和竞赛的重要数据来源。

当前挑战

Awesome Public Datasets 在解决领域问题和构建过程中面临多重挑战。首先，数据集的多样性和广泛性使得数据质量的标准化成为一大难题，不同来源的数据格式、更新频率和完整性差异较大，增加了数据整合和清洗的复杂性。其次，尽管大多数数据集是免费的，但部分数据仍涉及版权或访问限制，这在一定程度上限制了其可用性。此外，数据集的动态更新和维护需要持续的技术支持和社区贡献，如何确保数据的时效性和准确性是一个长期挑战。最后，随着数据量的不断增长，如何高效地组织、分类和检索数据，以满足用户多样化的需求，也是该数据集需要持续优化的方向。

常用场景

经典使用场景

Awesome Public Datasets作为一个广泛收录高质量公共数据源的集合，其经典使用场景主要集中在学术研究、数据分析和机器学习模型的训练与验证。研究人员和开发者可以通过该数据集快速获取跨领域的公开数据，如农业、生物学、气候与天气、复杂网络等，从而加速研究进程并提升模型的泛化能力。

解决学术问题

该数据集解决了学术界在数据获取和整合方面的常见问题，特别是在跨学科研究中，数据源的多样性和质量往往成为瓶颈。通过提供经过整理和验证的公共数据集，研究人员可以更专注于数据分析和模型构建，而不必耗费大量时间在数据收集和预处理上。此外，该数据集还为数据驱动的科学研究提供了坚实的基础，推动了多个领域的创新与突破。

实际应用

在实际应用中，Awesome Public Datasets被广泛用于政府决策支持、企业数据分析和教育领域。例如，农业数据集可用于优化作物种植策略，气候数据集则有助于预测极端天气事件。企业可以利用这些数据集进行市场分析和商业智能开发，而教育机构则将其作为教学资源，帮助学生掌握数据科学的基本技能。

数据集最近研究

最新研究方向

在数据科学和人工智能领域，Awesome Public Datasets作为一个广泛涵盖多个学科的高质量公共数据集集合，近年来在跨学科研究中扮演了重要角色。特别是在生物信息学、气候科学和复杂网络分析等领域，该数据集为研究者提供了丰富的数据资源，推动了基因组学、环境监测以及社交网络分析等前沿研究的发展。例如，在生物信息学中，1000 Genomes和ENCODE项目的数据被广泛应用于人类基因组变异和功能基因组学的研究；在气候科学领域，NASA和NOAA提供的气候数据集为全球气候变化模型提供了关键支持。此外，复杂网络分析中的AMiner Citation Network Dataset和Stanford Large Network Dataset Collection等数据集，为社交网络、知识图谱等研究提供了重要数据基础。这些数据集的应用不仅加速了科学研究的进程，也为解决全球性挑战如气候变化、疾病防控等提供了数据驱动的决策支持。