awesome-public-datasets

一个包含高质量公开数据集的精彩列表，这些数据集来自公共领域，由大家共同维护，供所有人使用。

A curated list of high-quality public datasets, sourced from the public domain, collaboratively maintained, and made available for everyone to use.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国植物数据。

生物学

• 1000 Genomes: 人类基因组数据。
• American Gut (Microbiome Project): 微生物组项目数据。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像基准集合。
• 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: 欧洲蛋白质数据库。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像档案。
• ENCODE project: 基因组功能注释项目。
• Ensembl Genomes: 基因组数据。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论数据库。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 药物敏感性研究项目。
• Human Genome Diversity Project: 人类基因组多样性项目。
• Human Microbiome Project (HMP): 人类微生物组项目。
• ICOS PSP Benchmark: 性能评估基准数据。
• International HapMap Project: 国际人类基因组单体型图计划。
• Journal of Cell Biology DataViewer: 细胞生物学数据查看器。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NCBI Proteins: 蛋白质数据库。
• NCBI Taxonomy: 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: 蛋白质数据库。
• Psychiatric Genomics Consortium: 精神病基因组学联盟。
• PubChem Project: 化学信息数据库。
• PubGene (now Coremine Medical): 医学文献数据库。
• 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。
• Sequence Read Archive(SRA): 序列读取档案。
• 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: 生命目录。
• The Personal Genome Project: 个人基因组项目。
• UCSC Public Data: 加州大学圣克鲁兹分校公共数据。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因数据库。

气候/天气

• Actuaries Climate Index: 保险业气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 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: 东英吉利大学气候数据。
• European Climate Assessment & Dataset: 欧洲气候评估与数据集。
• 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中心。
• 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链接数据集。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• NBER Patent Citations: 国家经济研究局专利引用数据。
• Network Repository with Interactive Exploratory Analysis Tools: 网络存储库与交互式探索分析工具。
• NIST complex networks data collection: 国家标准与技术研究所复杂网络数据集。
• Protein-protein interaction network: 蛋白质相互作用网络。
• PyPI and Maven Dependency Network: Python包和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 (Steven Skiena): 斯坦福图形库。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集集合。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络集合。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• The Nexus Network Repository: 网络存储库。
• UCI Network Data Repository: 加州大学欧文分校网络数据存储库。
• UFL sparse matrix collection: 佛罗里达大学稀疏矩阵集合。
• WSU Graph Database: 华盛顿州立大学图形数据库。
• DIMACS Road Networks Collection: 道路网络集合。

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。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页。
• CommonCrawl Web Data over 7 years: 7年间的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: 网络干扰开放观测站数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7 Sonar互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校网络望远镜数据。

上下文数据

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

数据挑战

• 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。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix奖数据。
• Space Apps Challenge: 空间应用挑战。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。
• Bruteforce Database: 暴力破解数据库。
• TravisTorrent Dataset - MSR2017 Mining Challenge: MSR2017挖掘挑战的TravisTorrent数据集。

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: 约22,000个变量的海洋数据。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: 美国宇航局的地球观测系统数据。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋探索开放海洋学数据。
• 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。
• 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: 联合外部债务数据中心。
• Jon Haveman International Trade Data Links: 乔恩·哈夫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: 大学记分卡数据。
• Student Data from Free Code Camp: 免费代码营学生数据。

能源

• AMPds: 自动抄表数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 组合能效数据集。
• Dataport: 数据港能效数据。
• DRED: 分布式可再生能源数据集。
• ECO: 能效优化数据集。
• EIA: 能源信息管理局数据。
• HES: 家庭能效研究数据。
• HFED: 家庭能效数据集。
• iAWE: 智能建筑能效数据集。
• PLAID: 插头负载设备识别数据集。
• REDD: 住宅能效数据集。
• Tracebase: 能效跟踪数据集。
• UK-DALE: 英国家庭能效数据。
• WHITED: 白宫能效数据集。

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。
• 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。
• NYSE Market Data: 纽约证券交易所市场数据。

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: 事实全球位置数据。
• 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: 地理维基项目 - 公民驱动的环境监测。
• 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: 国土基础设施基础级数据。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• List of all countries in all languages: 所有国家名称列表。
• 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 - 全球矢量和栅格数据。
• OpenAddresses: 开放地址数据。
• OpenStreetMap (OSM): 开放街道地图数据。
• Pleiades - Gazetteer and graph of ancient places: 古代地点地名录和图谱。
• 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shapefile数据。
• 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: 多格式的世界国家数据。

政府

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

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。
• Medicare Coverage Database (MCD), U.S.: 美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: medicare.gov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文章索引使用的词汇同义词库。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 受影响国家埃博拉病例和死亡人数（2014年）。
• Open-ODS (structure of the UK NHS): 英国国民健康服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 医疗保健财务关系数据。
• 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: 10,000张美国成年人面部数据库。
• 2GB of Photos of Cats: 2GB的猫照片。
• Affective Image Classification: 情感图像分类。
• Animals with attributes: 带有属性的动物图像。
• Chars74K dataset, Character Recognition in Natural Images: 自然图像中的字符识别数据集。
• Face Recognition Benchmark: 面部识别基准。
• ImageNet (in WordNet hierarchy): WordNet层次结构中的ImageNet。
• Indoor Scene Recognition: 室内场景识别。
• 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。
• MNIST database of handwritten digits, near 1 million examples: 近100万个手写数字的MNIST数据库。
• Several Shape-from-Silhouette Datasets: 几个从轮廓提取形状的数据集。
• Stanford Dogs Dataset: 斯坦福犬类数据集。
• SUN database, MIT: 麻省理工学院SUN数据库。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• YouTube Faces Database: YouTube面部数据库。
• Adience Unfiltered faces for gender and age classification: Adience性别和年龄分类的未过滤面部数据。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标记挑战。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 暴力流动 - 人群暴力与非暴力数据库和基准。
• Visual genome: 视觉基因组。

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto):

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、回答和用户响应的公共数据源而构建的。

特点

数据集特点在于涵盖了多个领域的公共数据集，大多数数据集是免费的，但也有一些不是免费的。此外，该数据集还包含了其他令人惊叹的数据集列表，如awesome-awesomeness和sindresorhus's awesome。

使用方法

用户可以通过访问提供的链接来浏览和下载各个数据集。每个数据集的详细信息和使用方法通常在其对应的GitHub页面或官方网站上有说明。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个收集和整理自博客、回答和用户响应的公共数据源列表。该数据集的创建时间为未知，主要研究人员或机构为sindresorhus，核心研究问题是整理和分类免费的公共数据集，并对相关领域产生了广泛的影响力。该数据集涵盖了多个领域，包括农业、生物学、气候/天气、复杂网络、计算机网络、上下文数据、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，为研究人员提供了丰富的数据资源。

当前挑战

该数据集在构建过程中遇到的挑战主要包括数据的收集和整理，由于数据来源多样，格式和类型不一，整理工作具有复杂性。此外，数据集的更新和维护也是一个挑战，需要不断地跟踪和验证数据源的可用性和准确性。在所解决的领域问题方面，该数据集提供了丰富的数据资源，但如何有效地利用这些数据进行研究和分析，以及如何确保数据质量和研究结果的可靠性，是研究人员面临的挑战。

常用场景

经典使用场景

该数据集主要被用于收集和整理公共数据源，其经典使用场景包括为研究人员提供便捷的方式来发现和访问各种领域的公共数据集，例如生物学、气候、复杂网络等。数据集的易用性和广泛覆盖的领域使其成为学术研究和数据科学项目的重要资源。

解决学术问题

该数据集解决了学术研究中数据获取的难题，尤其是在数据集搜寻和整理方面。它帮助研究者节省了在多个来源中寻找和验证数据的时间，从而提高了研究的效率。此外，它还促进了数据共享和重用，对学术社区的开放获取和合作研究产生了积极影响。

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，包括但不限于数据集的进一步整理、特定领域的数据挖掘和分析、以及基于这些数据集开发的新算法和模型。这些相关工作进一步推动了数据科学和人工智能领域的发展。