awesome-public-datasets

一个高质量公开数据集的精选列表，涵盖多个领域和主题，适用于各种研究和开发需求。

A curated list of high-quality public datasets, spanning multiple domains and topics, suitable for a variety of research and development needs.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国农业部的植物数据库链接。

生物学

• 1000 Genomes: 提供人类基因组数据。
• American Gut (Microbiome Project): 美国肠道项目，研究人类肠道微生物。
• 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: 完整基因组公共数据。
• EBI ArrayExpress: 欧洲生物信息学研究所的基因表达数据。
• 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: 基因组浏览器。
• 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库。
• Harvard Medical School (HMS) LINCS Project: 哈佛医学院的LINCS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: 图像分类基准数据集。
• 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: 麻省理工学院癌症基因组数据。
• NCBI Proteins: 国家生物技术信息中心蛋白质数据库。
• NCBI Taxonomy: 国家生物技术信息中心分类数据库。
• NIH Microarray data: 美国国立卫生研究院的微阵列数据。
• OpenSNP genotypes data: 开放SNP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: 公共化学数据库。
• PubGene (now Coremine Medical): 公共基因数据库。
• 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学项目。
• Sequence Read Archive(SRA): 序列读取档案。
• Stanford Microarray Data: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: 斯托尔斯研究所原始数据存储库。
• 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。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因集合数据库。

气候/天气

• 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。
• 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单位数据。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 世界天气信息服务历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: 引用链接数据集。
• 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收集。
• Protein-protein interaction network: 蛋白质相互作用网络数据。
• PyPI and Maven Dependency Network: Python包索引和Maven依赖网络数据。
• Scopus Citation Database: 斯高帕斯引用数据库。
• 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收集。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络收集。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• The Nexus Network Repository: 网络关系库。
• 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: 迪马克斯道路网络收集。

计算机网络

• 3.5B Web Pages from CommonCraw 2012: 2012年CommonCraw的35亿网页数据。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿网页点击数据。
• CAIDA Internet Datasets: 互联网数据集分析协会数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页数据。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页数据。
• 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。

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: 推动数据竞赛以促进社会公益。
• 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: 2012年腾讯KDD杯。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖赛数据。
• Space Apps Challenge: 太空应用挑战赛数据。
• 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: 英国海洋数据中心约22,000个变量的海洋数据。
• Earth Models: 地球模型数据。
• 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: Jon Haveman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: SciencesPo世界贸易重力数据集。
• 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

• 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: 分布式资源能源数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能源研究数据。
• HFED: 家庭能源数据集。
• iAWE: 建筑能源数据集。
• 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。
• 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

• Cambridge, MA, US, GIS data on GitHub: 美国马萨诸塞州剑桥市的GIS数据。
• Factual Global Location Data: Factual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提取的多种格式和区域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: 古地名和图形数据。
• 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: 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: 多种格式的世界国家数据。

政府

• OpenDataSofts list of 1,600 open data portals: OpenDataSoft列出的1600个开放数据门户。
• 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: 医疗保险数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: PubMed索引文章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: 开放支付数据，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的猫照片数据。
• Affective Image Classification: 情感图像分类数据。
• Animals with attributes: 带有属性的动物图像数据。
• Chars74K dataset, Character Recognition in Natural Images (both English and Kannada are available): Chars74K数据集，自然图像中的字符识别（英语和卡纳达语可用）。
• Face Recognition Benchmark: 面部识别基准数据。
• ImageNet (in WordNet hierarchy): ImageNet（在WordNet层次结构中）。
• Indoor Scene Recognition: 室内场景识别数据。
• International Affective Picture System, UFL: 国际情感图片系统，佛罗里达大学。
• Massive Visual Memory Stimuli, MIT: 大规模视觉记忆刺激，麻省理工学院。
• MNIST database of handwritten digits, near 1 million examples: MNIST手写数字数据库，近100万例。
• Several Shape-from-Silhouette Datasets: 几个从轮廓中提取形状的数据集。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• SUN database, MIT: SUN数据库，麻省理工学院。
• 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

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、问答平台及用户反馈的公开数据源构建而成。其内容涵盖了多个领域，包括农业、生物学、气候、复杂网络、计算机科学、经济学、教育、能源、金融、地理信息系统、政府、医疗保健、图像处理及机器学习等。数据集中的大部分资源为免费提供，部分资源则需付费获取。该数据集旨在为研究人员和开发者提供一个全面且易于访问的公开数据资源库。

特点

该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。它不仅包含了来自政府机构、学术研究机构和企业的数据，还涵盖了多个学科领域的数据集。数据集中的每个条目都附有详细的描述和访问链接，便于用户快速找到所需的数据资源。此外，数据集还提供了分类目录，使用户能够根据特定领域或主题快速浏览和筛选数据。

使用方法

用户可以通过访问 awesome-public-datasets 的 GitHub 页面，浏览数据集中的各个分类目录，找到感兴趣的数据源。每个数据源条目都附有链接，用户可以直接点击访问相关数据。对于需要进一步处理或分析的数据，用户可以根据数据提供者的许可协议进行下载和使用。数据集还提供了与其他类似资源库的链接，方便用户扩展其数据搜索范围。

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维护，最早由GitHub用户caesar0301于2015年创建，旨在为研究人员、开发者和数据科学家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，以支持跨学科的研究和应用。该数据集的影响力体现在其为数据驱动的科学研究提供了丰富的资源，推动了开放数据运动的发展，并促进了数据共享文化的普及。

当前挑战

awesome-public-datasets 数据集面临的挑战主要包括两个方面。首先，数据源的多样性和异构性使得数据整合和标准化成为一大难题。不同领域的数据格式、存储方式和元数据标准差异较大，如何统一管理和高效检索这些数据是一个亟待解决的问题。其次，数据质量和更新频率的不一致性也带来了挑战。部分数据源可能缺乏维护，导致数据过时或缺失，影响研究的可靠性和可重复性。此外，数据集构建过程中还需解决数据版权和隐私问题，确保数据的合法使用和共享。

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、机器学习和人工智能领域。研究人员和开发者可以通过该数据集快速获取高质量的公开数据，用于模型训练、算法验证和数据分析。例如，在生物学领域，该数据集提供了1000 Genomes和ENCODE项目的数据，帮助研究人员进行基因组学和生物信息学研究。在气候和天气领域，数据集包含了NASA和NOAA的全球气候数据，支持气候变化和气象预测的研究。

衍生相关工作

awesome-public-datasets 数据集衍生了许多经典的研究工作和应用项目。例如，基于该数据集中的ImageNet数据，研究人员开发了深度学习的经典模型如AlexNet和ResNet，推动了计算机视觉领域的快速发展。在自然语言处理领域，数据集中的Common Crawl和ClueWeb数据被广泛用于训练大规模语言模型，如BERT和GPT系列。此外，数据集还支持了许多开源工具和平台的开发，如Kaggle竞赛平台和Google的BigQuery服务，进一步促进了数据科学和人工智能技术的普及和应用。

数据集最近研究

最新研究方向

近年来，awesome-public-datasets数据集在多个领域的研究中展现了其广泛的应用价值。特别是在生物学和气候科学领域，数据集如1000 Genomes和NASA Global Imagery Browse Services等，为基因组学和气候变化研究提供了丰富的数据支持。这些数据集不仅促进了精准医学的发展，还增强了全球气候模型的预测能力。此外，随着机器学习和人工智能技术的进步，这些数据集在算法训练和模型优化中也扮演了关键角色，推动了数据驱动决策的普及和深入。