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 open 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

  • 链接: U.S. Department of Agricultures Nutrient Database

• U.S. Department of Agricultures PLANTS Database

  • 链接: U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes

  • 链接: 1000 Genomes

• American Gut (Microbiome Project)

  • 链接: American Gut (Microbiome Project)

• Broad Bioimage Benchmark Collection (BBBC)

  • 链接: Broad Bioimage Benchmark Collection (BBBC)

• Broad Cancer Cell Line Encyclopedia (CCLE)

  • 链接: Broad Cancer Cell Line Encyclopedia (CCLE)

• Cell Image Library

  • 链接: Cell Image Library

• Complete Genomics Public Data

  • 链接: Complete Genomics Public Data

• EBI ArrayExpress

  • 链接: EBI ArrayExpress

• EBI Protein Data Bank in Europe

  • 链接: EBI Protein Data Bank in Europe

• ENCODE project

  • 链接: ENCODE project

• Electron Microscopy Pilot Image Archive (EMPIAR)

  • 链接: Electron Microscopy Pilot Image Archive (EMPIAR)

• Ensembl Genomes

  • 链接: Ensembl Genomes

• Gene Expression Omnibus (GEO)

  • 链接: Gene Expression Omnibus (GEO)

• Gene Ontology (GO)

  • 链接: Gene Ontology (GO)

• Global Biotic Interactions (GloBI)

  • 链接: Global Biotic Interactions (GloBI)

• Harvard Medical School (HMS) LINCS Project

  • 链接: Harvard Medical School (HMS) LINCS Project

• Human Genome Diversity Project

  • 链接: Human Genome Diversity Project

• Human Microbiome Project (HMP)

  • 链接: Human Microbiome Project (HMP)

• ICOS PSP Benchmark

  • 链接: ICOS PSP Benchmark

• International HapMap Project

  • 链接: International HapMap Project

• Journal of Cell Biology DataViewer

  • 链接: Journal of Cell Biology DataViewer

• KEGG - KEGG is a database resource for understanding high-level functions [...]

  • 链接: KEGG

• MIT Cancer Genomics Data

  • 链接: MIT Cancer Genomics Data

• NCBI Proteins

  • 链接: NCBI Proteins

• NCBI Taxonomy

  • 链接: NCBI Taxonomy

• NCI Genomic Data Commons

  • 链接: NCI Genomic Data Commons

• NIH Microarray data

  • 链接: NIH Microarray data
  • 状态: 待修复

• OpenSNP genotypes data

  • 链接: OpenSNP genotypes data

• Pathguid - Protein-Protein Interactions Catalog

  • 链接: Pathguid - Protein-Protein Interactions Catalog

• Protein Data Bank

  • 链接: Protein Data Bank

• Psychiatric Genomics Consortium

  • 链接: Psychiatric Genomics Consortium

• PubChem Project

  • 链接: PubChem Project

• PubGene (now Coremine Medical)

  • 链接: PubGene (now Coremine Medical)

• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)

  • 链接: Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)

• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)

  • 链接: Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)

• Sequence Read Archive(SRA)

  • 链接: Sequence Read Archive(SRA)

• Stanford Microarray Data

  • 链接: Stanford Microarray Data
  • 状态: 待修复

• Stowers Institute Original Data Repository

  • 链接: Stowers Institute Original Data Repository

• Systems Science of Biological Dynamics (SSBD) Database

  • 链接: Systems Science of Biological Dynamics (SSBD) Database

• The Cancer Genome Atlas (TCGA), available via Broad GDAC

  • 链接: The Cancer Genome Atlas (TCGA), available via Broad GDAC

• The Catalogue of Life

  • 链接: The Catalogue of Life

• The Personal Genome Project

  • 链接: The Personal Genome Project

• UCSC Public Data

  • 链接: UCSC Public Data

• UniGene

  • 链接: UniGene

• Universal Protein Resource (UnitProt)

  • 链接: Universal Protein Resource (UnitProt)

气候+天气

• Actuaries Climate Index

  • 链接: Actuaries Climate Index

• Australian Weather

  • 链接: Australian Weather

• Aviation Weather Center - Consistent, timely and accurate weather [...]

  • 链接: Aviation Weather Center - Consistent, timely and accurate weather [...]

• Brazilian Weather - Historical data (In Portuguese)

  • 链接: Brazilian Weather - Historical data (In Portuguese)

• Canadian Meteorological Centre

  • 链接: Canadian Meteorological Centre

• Climate Data from UEA (updated monthly)

  • 链接: [Climate Data from UEA (updated monthly)](https://crudata.uea.ac.uk/cru/data/temperature/#datter and ftp://ftp.cmdl.noaa.gov/)

• European Climate Assessment & Dataset

  • 链接: European Climate Assessment & Dataset
  • 状态: 待修复

• Global Climate Data Since 1929

  • 链接: Global Climate Data Since 1929

• NASA Global Imagery Browse Services

  • 链接: NASA Global Imagery Browse Services

• NOAA Bering Sea Climate

  • 链接: NOAA Bering Sea Climate

• NOAA Climate Datasets

  • 链接: NOAA Climate Datasets

• NOAA Realtime Weather Models

  • 链接: NOAA Realtime Weather Models

• NOAA SURFRAD Meteorology and Radiation Datasets

  • 链接: NOAA SURFRAD Meteorology and Radiation Datasets

• The World Bank Open Data Resources for Climate Change

  • 链接: The World Bank Open Data Resources for Climate Change

• UEA Climatic Research Unit

  • 链接: UEA Climatic Research Unit

• WU Historical Weather Worldwide

  • 链接: WU Historical Weather Worldwide

• WorldClim - Global Climate Data

  • 链接: WorldClim - Global Climate Data

复杂网络

• AMiner Citation Network Dataset

  • 链接: AMiner Citation Network Dataset

• CrossRef DOI URLs

  • 链接: CrossRef DOI URLs

• DBLP Citation dataset

  • 链接: DBLP Citation dataset
  • 状态: 待修复

• DIMACS Road Networks Collection

  • 链接: DIMACS Road Networks Collection

• NBER Patent Citations

  • 链接: NBER Patent Citations

• NIST complex networks data collection

  • 链接: NIST complex networks data collection

• Network Repository with Interactive Exploratory Analysis Tools

  • 链接: Network Repository with Interactive Exploratory Analysis Tools

• Protein-protein interaction network

  • 链接: Protein-protein interaction network

• PyPI and Maven Dependency Network

  • 链接: PyPI and Maven Dependency Network

• Scopus Citation Database

  • 链接: Scopus Citation Database

• Small Network Data

  • 链接: Small Network Data

• Stanford GraphBase

  • 链接: Stanford GraphBase

• Stanford Large Network Dataset Collection

  • 链接: Stanford Large Network Dataset Collection

• Stanford Longitudinal Network Data Sources

  • 链接: Stanford Longitudinal Network Data Sources

• The Koblenz Network Collection

  • 链接: The Koblenz Network Collection

• The Laboratory for Web Algorithmics (UNIMI)

  • 链接: The Laboratory for Web Algorithmics (UNIMI)

• The Nexus Network Repository

  • 链接: The Nexus Network Repository
  • 状态: 待修复

• UCI Network Data Repository

  • 链接: UCI Network Data Repository

• UFL sparse matrix collection

  • 链接: UFL sparse matrix collection

• WSU Graph Database

  • 链接: WSU Graph Database

计算机网络

• 3.5B Web Pages from CommonCrawl 2012

  • 链接: 3.5B Web Pages from CommonCrawl 2012

• 53.5B Web clicks of 100K users in Indiana Univ.

  • 链接: 53.5B Web clicks of 100K users in Indiana Univ.

• CAIDA Internet Datasets

  • 链接: CAIDA Internet Datasets

• CRAWDAD Wireless datasets from Dartmouth Univ.

  • 链接: CRAWDAD Wireless datasets from Dartmouth Univ.

• ClueWeb09 - 1B web pages

  • 链接: ClueWeb09 - 1B web pages

• ClueWeb12 - 733M web pages

  • 链接: ClueWeb12 - 733M web pages

• CommonCrawl Web Data over 7 years

  • 链接: CommonCrawl Web Data over 7 years

• Criteo click-through data

  • 链接: Criteo click-through data

• Internet-Wide Scan Data Repository

  • 链接: Internet-Wide Scan Data Repository

• **OON

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个高质量、主题导向的公共数据源集合，涵盖了农业、生物学、气候与天气、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多个领域。该数据集的构建方式主要依赖于从博客、问答平台和用户反馈中收集和整理数据。大部分数据集是免费的，但也有部分数据集需要付费获取。数据集通过自动化工具 `apd-core` 生成，确保了数据的及时更新和一致性。

特点

Awesome Public Datasets 的特点在于其广泛的覆盖范围和高质量的数据源。数据集涵盖了多个学科领域，且每个数据源都经过严格的筛选和验证，确保其可靠性和实用性。数据集以主题分类，便于用户快速找到所需的数据。此外，数据集还提供了丰富的外部链接，方便用户进一步探索和使用。数据集的内容不仅包括科学研究所需的数据，还涵盖了社会、经济和环境等多个方面的信息，具有极高的应用价值。

使用方法

使用 Awesome Public Datasets 时，用户可以通过 GitHub 页面浏览数据集的主题分类，并根据需求选择相应的数据源。每个数据源都附有详细的描述和外部链接，用户可以直接访问原始数据或相关文档。对于需要进一步贡献或修改数据集的用户，可以通过 `apd-core` 提供的贡献指南进行操作，确保数据集的更新和维护。此外，数据集还提供了丰富的 API 和工具，方便用户进行数据分析和可视化。无论是学术研究、商业分析还是个人项目，该数据集都能提供强大的数据支持。

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、数据科学家和开发者提供高质量、多样化的数据资源。该数据集由 awesomedata 组织维护，涵盖了从农业、生物学到气候、经济等多个领域的公共数据集。其创建时间可追溯至 GitHub 上的首次提交，核心目标是通过整理和分类来自博客、用户反馈和其他公开渠道的数据集，促进数据共享和跨领域研究。该数据集的影响力体现在其为学术界和工业界提供了便捷的数据访问途径，推动了数据驱动的研究和创新。

当前挑战

Awesome Public Datasets 面临的主要挑战包括数据集的多样性和质量保证。首先，由于数据集来源广泛，涵盖领域众多，如何确保数据的准确性、完整性和时效性是一个持续的难题。其次，部分数据集可能涉及版权或访问限制，这为数据的使用和共享带来了法律和伦理上的挑战。此外，随着数据量的增长，如何高效地管理和更新数据集，确保其与最新研究需求同步，也是一个亟待解决的问题。最后，数据集的标准化和元数据描述的不足，可能导致用户在查找和使用数据时遇到困难，影响其实际应用价值。

常用场景

经典使用场景

Awesome Public Datasets 是一个广泛收集高质量公共数据源的资源库，涵盖了从农业、生物学到气候、经济等多个领域的数据集。该数据集最经典的使用场景是为研究人员提供跨学科的数据支持，特别是在数据驱动的科学研究中，帮助研究者快速获取和整合所需的数据资源。通过该数据集，研究者可以轻松访问到全球范围内的公开数据，从而加速科学发现和技术创新。

解决学术问题

Awesome Public Datasets 解决了学术研究中数据获取困难、数据质量参差不齐的常见问题。通过提供一个集中化的高质量数据源平台，研究者可以避免在数据收集和验证上耗费大量时间，从而将更多精力投入到数据分析和模型构建中。此外，该数据集还促进了跨学科研究，使得不同领域的研究者能够共享和利用彼此的数据资源，推动了科学研究的协同发展。

衍生相关工作

Awesome Public Datasets 衍生了许多经典的研究工作，特别是在数据科学和机器学习领域。例如，基于该数据集中的生物学数据，研究者开发了多种基因表达分析工具和癌症预测模型。在气候领域，该数据集为全球气候变化研究提供了丰富的数据支持，推动了气候模型的改进和预测精度的提升。此外，该数据集还促进了开源社区的发展，许多基于该数据集的开源工具和算法被广泛应用于学术界和工业界。