awesome-public-datasets

这是一个包含高质量公开数据集的列表，涵盖了农业、生物学等多个领域的数据集，这些数据集主要来源于公共领域，且持续更新中。

This is a list of high-quality public datasets covering multiple fields such as agriculture and biology. These datasets are primarily sourced from the public domain and are continuously updated.

原始信息汇总

数据集概述

本数据集是一个综合性的公共数据源列表，涵盖了多个领域的数据集，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、博物馆等。以下是各领域数据集的概要信息：

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Broad Cancer Cell Line Encyclopedia (CCLE)
• Broad Bioimage Benchmark Collection (BBBC)
• Cell Image Library
• Complete Genomics Public Data
• EBI ArrayExpress
• EBI Protein Data Bank in Europe
• Electron Microscopy Pilot Image Archive (EMPIAR)
• ENCODE project
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interactions (GloBI)
• Harvard Medical School (HMS) LINCS Project
• Human Genome Diversity Project
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• International HapMap Project
• Journal of Cell Biology DataViewer
• MIT Cancer Genomics Data
• NCBI Proteins
• NCBI Taxonomy
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid - Protein-Protein Interactions Catalog
• Protein Data Bank
• Psychiatric Genomics Consortium
• PubChem Project
• PubGene (now Coremine Medical)
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• Stowers Institute Original Data Repository
• Systems Science of Biological Dynamics (SSBD) Database
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• Universal Protein Resource (UnitProt)
• UniGene

气候/天气

• Australian Weather
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• European Climate Assessment & Dataset
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WorldClim - Global Climate Data
• WU Historical Weather Worldwide

复杂网络

• AMiner Citation Network Dataset
• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• Network Repository with Interactive Exploratory Analysis Tools
• NIST complex networks data collection
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Small Network Data
• Stanford GraphBase (Steven Skiena)
• Stanford Large Network Dataset Collection
• Stanford Longitudinal Network Data Sources
• The Koblenz Network Collection
• The Laboratory for Web Algorithmics (UNIMI)
• The Nexus Network Repository
• UCI Network Data Repository
• UFL sparse matrix collection
• WSU Graph Database
• DIMACS Road Networks Collection

计算机网络

• 3.5B Web Pages from CommonCraw 2012
• 53.5B Web clicks of 100K users in Indiana Univ.
• CAIDA Internet Datasets
• ClueWeb09 - 1B web pages
• ClueWeb12 - 733M web pages
• CommonCrawl Web Data over 7 years
• CRAWDAD Wireless datasets from Dartmouth Univ.
• Criteo click-through data
• Open Mobile Data by MobiPerf
• Rapid7 Sonar Internet Scans
• UCSD Network Telescope, IPv4 /8 net

上下文数据

• Context-aware data sets from five domains

数据挑战

• Challenges in Machine Learning
• CrowdANALYTIX dataX
• D4D Challenge of Orange
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• Kaggle Competition Data
• KDD Cup by Tencent 2012
• Localytics Data Visualization Challenge
• Netflix Prize
• Space Apps Challenge
• Telecom Italia Big Data Challenge
• Yelp Dataset Challenge
• Bruteforce Database

地球科学

• AQUASTAT - Global water resources and uses
• BODC - marine data of ~22K vars
• Earth Models
• EOSDIS - NASAs earth observing system data
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements
• Marinexplore - Open Oceanographic Data
• Smithsonian Institution Global Volcano and Eruption Database
• USGS Earthquake Archives

经济学

• American Economic Association (AEA)
• EconData from UMD
• Economic Freedom of the World Data
• Historical MacroEconomic Statistics
• International Economics Database
• International Trade Statistics
• Internet Product Code Database
• Joint External Debt Data Hub
• Jon Haveman International Trade Data Links
• OpenCorporates Database of Companies in the World
• Our World in Data
• SciencesPo World Trade Gravity Datasets
• The Atlas of Economic Complexity
• The Center for International Data
• The Observatory of Economic Complexity
• UN Commodity Trade Statistics
• UN Human Development Reports

教育

• Student Data from Free Code Camp

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• DRED
• ECO
• EIA
• HES - Household Electricity Study, UK
• HFED
• iAWE
• PLAID - the Plug Load Appliance Identification Dataset
• REDD
• Tracebase
• UK-DALE - UK Domestic Appliance-Level Electricity
• WHITED

金融

• CBOE Futures Exchange
• Google Finance
• Google Trends
• NASDAQ
• OANDA
• OSU Financial data
• Quandl
• St Louis Federal
• Yahoo Finance
• NYSE Market Data

GIS

• Cambridge, MA, US, GIS data on GitHub
• Factual Global Location Data
• Geo Spatial Data from ASU
• Geo Wiki Project - Citizen-driven Environmental Monitoring
• GeoFabrik - OSM data extracted to a variety of formats and areas
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Homeland Infrastructure Foundation-Level Data
• Landsat 8 on AWS
• List of all countries in all languages
• National Weather Service GIS Data Portal
• Natural Earth - vectors and rasters of the world
• OpenAddresses
• OpenStreetMap (OSM)
• Pleiades - Gazetteer and graph of ancient places
• Reverse Geocoder using OSM data
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• UN Environmental Data
• World boundaries from the U.S. Department of State
• World countries in multiple formats

政府

• OpenDataSofts list of 1,600 open data portals
• A list of cities and countries contributed by community

医疗保健

• EHDP Large Health Data Sets
• Gapminder World demographic databases
• Medicare Coverage Database (MCD), U.S.
• Medicare Data Engine of medicare.gov Data
• Medicare Data File
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed
• Number of Ebola Cases and Deaths in Affected Countries (2014)
• Open-ODS (structure of the UK NHS)
• OpenPaymentsData, Healthcare financial relationship data
• The Cancer Genome Atlas project (TCGA)
• World Health Organization Global Health Observatory

图像处理

• 10k US Adult Faces Database
• 2GB of Photos of Cats
• Affective Image Classification
• Animals with attributes
• Face Recognition Benchmark
• ImageNet (in WordNet hierarchy)
• Indoor Scene Recognition
• International Affective Picture System, UFL
• Massive Visual Memory Stimuli, MIT
• Several Shape-from-Silhouette Datasets
• Stanford Dogs Dataset
• SUN database, MIT
• The Oxford-IIIT Pet Dataset
• YouTube Faces Database
• Adience Unfiltered faces for gender and age classification
• The Action Similarity Labeling (ASLAN) Challenge
• Violent-Flows - Crowd Violence Non-violence Database and benchmark

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto)
• Discogs Monthly Data
• eBay Online Auctions (2012)
• IMDb Database
• Keel Repository for classification, regression and time series
• Labeled Faces in the Wild (LFW)
• Lending Club Loan Data
• Machine Learning Data Set Repository
• Million Song Dataset
• More Song Datasets
• New Yorker caption contest ratings
• MovieLens Data Sets
• RDataMining - "R and Data Mining" ebook data
• Registered Meteorites on Earth
• Restaurants Health Score Data in San Francisco
• UCI Machine Learning Repository
• Yahoo! Ratings and Classification Data

博物馆

• Canada Science and Technology Museums Corporations Open Data

搜集汇总

数据集介绍

构建方式

awesome-public-datasets 数据集是通过广泛收集和整理来自博客、问答平台以及用户反馈的公开数据源构建而成。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、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、机器学习等。每个领域的数据源均经过精心筛选，确保其权威性和可用性。数据集的构建过程注重数据的多样性和覆盖面，旨在为研究人员和开发者提供一个全面的公开数据资源库。

特点

awesome-public-datasets 数据集的特点在于其广泛的数据覆盖范围和多样化的数据来源。数据集不仅包含了大量免费公开的数据源，还涵盖了一些付费数据资源，为用户提供了丰富的选择。此外，数据集的结构清晰，按领域分类，便于用户快速定位所需数据。每个数据源均附有详细的链接和描述，确保用户能够轻松访问和使用。数据集的多样性和权威性使其成为研究人员、数据科学家和开发者的重要参考工具。

使用方法

使用 awesome-public-datasets 数据集时，用户可以通过浏览数据集中的分类目录，快速找到感兴趣领域的数据源。每个数据源均附有链接和简要描述，用户可以直接访问相关网站获取数据。对于需要进一步处理的数据，用户可以根据数据源提供的格式和指南进行下载和分析。此外，数据集还提供了与其他优秀数据资源列表的链接，方便用户扩展数据搜索范围。无论是进行学术研究、数据分析还是应用开发，该数据集都能为用户提供强有力的支持。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个广泛收集和整理公共数据源的资源库，涵盖了从农业、生物学到计算机科学、经济学等多个领域。该数据集由社区贡献者caesar0301于GitHub上创建并维护，旨在为研究人员、数据科学家和开发者提供一个便捷的公共数据访问平台。其核心研究问题在于如何高效地整合和分类来自不同领域的公开数据集，以促进跨学科的研究与应用。自创建以来，该数据集已成为许多研究项目和数据分析任务的重要参考，极大地推动了数据驱动研究的发展。

当前挑战

awesome-public-datasets 数据集面临的主要挑战包括：1) 数据源的多样性与异构性，不同领域的数据格式、结构和质量标准差异较大，导致数据整合与清洗的复杂性增加；2) 数据更新与维护的挑战，由于数据集依赖于外部数据源，确保数据的时效性和准确性需要持续的努力；3) 数据许可与使用的法律问题，部分数据集可能受到版权或使用限制，需要用户在使用时仔细审查相关条款。此外，构建过程中还面临如何有效分类和索引海量数据，以提升用户检索效率的挑战。

常用场景

经典使用场景

在数据科学和机器学习领域，awesome-public-datasets 数据集被广泛用于探索性数据分析和模型训练。研究人员和开发者通过该数据集获取多样化的公开数据源，涵盖从生物学到气候学的多个领域，极大地丰富了数据驱动的科学研究。

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。通过提供结构化和非结构化的公开数据，研究人员能够快速访问高质量的数据源，从而加速科学发现和技术创新。特别是在跨学科研究中，数据集的多领域覆盖为复杂问题的解决提供了数据支持。

衍生相关工作

基于 awesome-public-datasets 数据集，衍生了许多经典的研究工作。例如，在生物信息学领域，研究人员利用其中的基因组数据开发了新的疾病预测模型；在气候学领域，数据集被用于构建全球气候变化趋势分析工具。这些工作不仅推动了相关领域的发展，也为后续研究提供了宝贵的数据基础。