Awesome Public Datasets

一个主题中心的高质量公开数据集列表，收集并整理自博客、问答和用户反馈。

A curated list of high-quality public datasets centered around specific themes, collected and organized from blogs, Q&A platforms, and user feedback.

原始信息汇总

数据集概述

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): 生物图像基准数据集。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 基因组公共数据。
• 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。
• 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): 基因本体论数据库。
• 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: 人类遗传变异图谱项目。
• 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: 生物物种目录。
• 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。
• UniGene: 基因数据库。
• Universal Protein Resource (UnitProt): 蛋白质资源数据库。

气候+天气

• Actuaries Climate Index: 气候指数。
• 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 (In Portuguese): 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。
• 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数据。
• WU Historical Weather Worldwide: 全球历史天气数据。
• 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。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• 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: 依赖网络数据集。
• Scopus Citation Database: 文献引用数据库。
• Small Network Data: 小型网络数据集。
• Stanford GraphBase: 斯坦福图形库。
• Stanford Large Network Dataset Collection: 大型网络数据集。
• Stanford Longitudinal Network Data Sources: 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: 网络数据存储库。
• UFL sparse matrix collection: 稀疏矩阵集合。
• WSU Graph Database: 图形数据库。

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。
• Criteo click-through data: Criteo点击数据。
• Internet-Wide Scan Data Repository: 互联网全面扫描数据存储库。
• 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。

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: 数据分析挑战平台数据。
• D4D Challenge of Orange: 橙色D4D挑战。
• DrivenData Competitions for Social Good: 社会公益数据竞赛。
• 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: 数据可视化挑战。
• Netflix Prize: Netflix大奖赛数据。
• 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: MSR2017挖掘挑战数据集。
• TunedIT - Data mining & machine learning data sets, algorithms, challenges: 数据挖掘与机器学习数据集、算法、挑战。
• Yelp Dataset Challenge: Yelp数据挑战。

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: 约22,000个变量的海洋数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局的地球观测系统数据。
• Earth Models: 地球模型数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 约30TB的海洋观测数据。
• Marinexplore - Open Oceanographic Data: 开放海洋学数据。
• Alabama Real-Time Coastal Observing System: 阿拉巴马州实时海岸观测系统。
• National Estuarine Research Reserves System-Wide Monitoring Program: 国家河口研究保护区系统范围监测计划。
• 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: 建筑能源数据集。
• COMBED: 组合能源数据集。
• DRED: 分布式资源能源数据集。
• ECO: 能源消耗数据集。
• EIA: 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: 高频能源数据集。
• PLAID - The Plug Load Appliance Identification Dataset: 插座负载设备识别数据集。
• REDD: 住宅能源数据集。
• 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: 白盒能源数据集。
• iAWE: 室内和建筑能源数据集。

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: 外汇数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: 金融和经济数据平台。
• 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，马萨诸塞州，美国，GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• Geo Maps - High Quality GeoJSON maps programmatically generated: 高质量GeoJSON地图程序化生成。

搜集汇总

数据集介绍

构建方式

该数据集是通过从博客、回答和用户响应中收集和整理高质量的主题中心公共数据源而构建的。

使用方法

用户可以通过数据集的GitHub详情页面查看每个数据集的具体信息，包括数据集的描述、数据格式、获取方式和相关链接。对于每个数据集，用户需要根据提供的链接和说明进行访问和下载。部分数据集可能需要特定的软件或工具来查看或分析数据。

背景与挑战

背景概述

Awesome Public Datasets是一个由社区维护的、涵盖多个领域的公共数据集列表，旨在为研究人员和开发者提供方便的数据资源。该数据集创建于2013年，由sindresorhus在GitHub上发起，汇集了来自不同领域的公共数据集，包括但不限于农业、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、金融和地理信息系统等。这些数据集多来源于科研机构、政府部门和开源项目，对相关领域的研究有着重要的推动作用。

当前挑战

尽管Awesome Public Datasets为研究人员提供了丰富的数据资源，但在构建和使用过程中也面临着一些挑战。首先，数据集的多样性和异构性使得整合和标准化成为一个难题。其次，部分数据集存在更新不及时、数据质量参差不齐的问题。此外，数据集的版权和使用许可也常常给数据的合法使用带来挑战。具体到各个领域，例如在生物学领域，基因序列数据的隐私保护、在金融领域数据的实时性和准确性等，都是需要克服的重要挑战。

常用场景

经典使用场景

Awesome Public Datasets 集合了众多领域的公共数据集，经典使用场景主要涉及数据挖掘、机器学习、大数据分析等研究。用户可以根据需求，从中选择适合的数据集进行模型训练、算法验证或数据分析。

解决学术问题

该数据集解决了学术研究中数据获取困难的问题，提供了丰富的数据资源，使得研究者能够更容易地获取到特定领域的数据集，进而推动学术研究的进展。同时，它也帮助研究者避免了数据收集和整理的繁琐工作，提高了研究效率。

实际应用

在实际应用中，Awesome Public Datasets 可以为政府决策、企业数据分析、教育机构的教学研究等提供数据支持。例如，政府部门可以利用这些数据进行政策分析和决策支持，企业可以用这些数据进行市场分析和产品优化。

数据集最近研究

最新研究方向

Awesome Public Datasets 数据集涵盖了多个领域，其最新的研究方向主要集中在数据集的整合、维护和自动化更新上。研究意义在于为科研人员提供便捷、可靠的数据资源，以支持各领域的研究工作。