awesome-public-datasets

一个主题导向的高质量公开数据集列表，涵盖多个领域，旨在为公众提供丰富的数据资源。

A topic-oriented, high-quality public dataset list covering multiple domains, designed to provide the public with a wealth of data resources.

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。
• U.S. Department of Agricultures Nutrient Database: 提供营养成分数据。

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 Bioimage Benchmark Collection (BBBC): 生物图像数据集。
• 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。
• 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: 基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论。
• 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: 图像分割基准数据。
• International HapMap Project: 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: 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。
• 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。
• 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: 生物动力学系统科学数据库。
• 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。
• UniGene: 基因数据库。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。

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 information for the world airspace system: 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。
• 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。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 专利引用数据集。
• Network Repository with Interactive Exploratory Analysis Tools: 网络存储库与交互式探索分析工具。
• NIST complex networks data collection: 美国国家标准与技术研究院复杂网络数据集。
• 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: 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: 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: 稀疏矩阵集合。
• 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。
• 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CommonCrawl网络数据。
• 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 - 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。
• 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: CrowdANALYTIX数据X。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: 推动数据竞赛以促进社会公益。
• ICWSM Data Challenge (since 2009): 国际网络社会媒体会议数据挑战。
• 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大奖。
• Space Apps Challenge: 太空应用挑战。
• 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。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源及其使用情况。
• BODC - marine data of ~22K vars: 英国海洋数据中心约22,000个变量的海洋数据。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: 美国宇航局地球观测系统数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统约30TB的海洋测量数据。
• 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重力数据集。
• 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: 自由代码营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑级使用数据集。
• COMBED: 组合能源数据集。
• Dataport: 能源数据港。
• DRED: 分布式资源数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能源研究。
• HFED: 家庭能源数据集。
• iAWE: 室内环境与能源数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源使用跟踪数据集。
• UK-DALE: 英国家庭能源数据集。
• WHITED: 白色能源数据集。

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: 安达外汇数据。
• 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 - 提取到各种格式和区域的开源地图数据。
• GeoNames Worldwide: 全球地理名称数据库。
• 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: 所有国家在所有语言中的列表。
• National Weather Service GIS Data Portal: 国家气象局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: 古地名和图表。
• Reverse Geocoder using OSM data: 使用开源地图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: 多种格式的世界国家数据。

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.: 基因组数据共享平台支持多个癌症基因组项目。
• PhysioBank Databases - a large and growing archive of physiological data: PhysioBank数据库 - 大型且不断增长的生理数据档案。
• Medicare Coverage Database (MCD), U.S.: 美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: 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: 用于PubMed文章索引的词汇同义词库。
• 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察站。

图像处理

• 10k US Adult Faces Database: 10,000名美国成年人面部数据库。
• 2GB of Photos of Cats: 2GB的猫照片。
• 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。
• Animals with attributes: 带有属性的动物。
• Caltech Pedestrian Detection Benchmark: 加州理工学院行人检测基准。
• 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。
• Flickr: 32 Class Brand Logos: Flickr上的32类品牌标志。
• GDXray: X-ray images for X-ray testing and Computer Vision: GDXray: X射线测试和计算机视觉的X射线图像。
• ImageNet (in WordNet hierarchy): 在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，佛罗里达大学。
• Massive Visual Memory Stimuli, MIT: 麻省理工学院的大规模视觉记忆刺激。
• MNIST database of handwritten digits, near 1 million examples: 近100万个示例的手写数字

搜集汇总

数据集介绍

构建方式

awesome-public-datasets 数据集通过整合来自博客、问答平台和用户反馈的高质量公共数据源构建而成。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、政府、医疗保健、图像处理和机器学习等。每个领域的数据源均经过精心筛选和整理，确保数据的可靠性和多样性。

特点

该数据集的特点在于其广泛的主题覆盖和高质量的数据源。它不仅包含了来自政府机构、研究机构和开源社区的权威数据，还涵盖了多个学科领域的最新研究成果。数据集中的大部分数据是免费的，但也有一些需要付费获取。此外，数据集还提供了丰富的元数据信息，帮助用户快速了解每个数据源的内容和用途。

使用方法

用户可以通过访问 awesome-public-datasets 的 GitHub 页面，浏览按主题分类的数据源列表。每个数据源都附有详细的描述和链接，用户可以根据需求直接访问相关数据。对于研究人员和开发者来说，该数据集是进行数据分析、模型训练和算法验证的理想资源。此外，数据集还提供了与其他优秀数据集的链接，方便用户进一步扩展研究范围。

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，涵盖了从农业、生物学到气候、经济等多个领域的丰富数据资源。该数据集由GitHub用户caesar0301于2015年创建，旨在为研究人员、数据科学家和开发者提供一个高质量、主题明确的公共数据源索引。其数据来源广泛，包括博客、用户反馈和问答平台等。该数据集不仅为学术研究提供了便利，还在数据驱动的决策支持和创新应用中发挥了重要作用。通过整合全球范围内的开放数据资源，awesome-public-datasets 极大地促进了跨领域的数据共享与合作。

当前挑战

awesome-public-datasets 面临的主要挑战包括数据质量的保障与数据集的持续更新。由于数据来源多样，部分数据集可能存在格式不统一、数据缺失或更新滞后的问题，这为数据使用者带来了额外的清洗和预处理负担。此外，尽管大多数数据集是免费的，但部分数据集可能涉及版权或访问限制，这在一定程度上限制了数据的广泛使用。在构建过程中，如何有效筛选和整合高质量的数据源，同时确保数据的时效性和可用性，是该数据集维护者面临的核心挑战。

常用场景

经典使用场景

awesome-public-datasets 数据集广泛应用于多个领域的研究与开发，尤其是在数据科学和机器学习领域。研究者们利用该数据集中的高质量公共数据源，进行数据挖掘、模型训练和算法验证。例如，在生物学领域，研究者可以使用1000 Genomes数据集进行基因组分析，而在气候学领域，NASA的全球气候数据则被用于气候模型的构建与验证。

解决学术问题

该数据集解决了学术界在数据获取和质量控制方面的诸多难题。通过整合来自不同领域的公开数据，研究者可以避免重复劳动，专注于数据分析和模型优化。例如，在经济学领域，研究者可以利用该数据集中的国际贸易统计数据，进行全球经济趋势的分析与预测，从而为政策制定提供科学依据。

衍生相关工作

该数据集衍生了许多经典的研究工作。例如，基于1000 Genomes数据集的基因组分析研究，推动了精准医学的发展；基于NASA气候数据的气候模型研究，为全球气候变化预测提供了重要支持。此外，该数据集还催生了许多开源工具和平台，如Kaggle竞赛平台，进一步促进了数据科学社区的合作与创新。