awesome-public-datasets

一个主题中心的高质量公开数据集列表，这些数据集来自公共领域，由大家收集整理，供所有人使用。

A curated list of high-quality open datasets centered around specific themes, sourced from the public domain and collectively organized for universal access and utilization.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国植物信息。
• 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。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Gene Ontology (GO): 基因本体论数据。
• Global Biotic Interactions (GloBI): 生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 细胞扰动数据。
• 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: 人类遗传变异数据。
• 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。
• NCBI Taxonomy: 生物分类数据。
• 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): 基因和疾病关联数据。
• 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): 序列读取存档。
• 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: 基因簇数据。
• Universal Protein Resource (UnitProt): 蛋白质资源。

气候/天气

• Actuaries Climate Index: 精算师气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气中心数据。
• Brazilian Weather - Historical data: 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 东安格利亚大学气候数据。
• European Climate Assessment & Dataset: 欧洲气候评估与数据集。
• Global Climate Data Since 1929: 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: 东安格利亚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: DBLP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: 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。
• PyPI and Maven Dependency Network: PyPI和Maven依赖网络。
• Scopus Citation Database: Scopus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: 佛罗里达大学稀疏矩阵收集。
• WSU Graph Database: 华盛顿州立大学图形数据库。

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535亿网络点击。
• 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: 网络干扰开放观测站数据。
• 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: 社会公益驱动数据竞赛。
• 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。
• Space Apps Challenge: 空间应用挑战。
• 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: 全球水资源和使用情况。
• BODC - marine data of ~22K vars: 英国海洋数据中心约2.2万个变量的海洋数据。
• 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): 综合海洋观测系统数据。
• 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: 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世界贸易引力数据集。
• 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: 经济复杂性观测站。
• 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: 大学评分卡数据。
• Student Data from Free Code Camp: 来自免费编程营的学生数据。

能源

• AMPds: 自动抄表数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 组合能耗数据集。
• Dataport: 数据港能耗数据。
• DRED: 分布式资源能源数据集。
• ECO: 能效数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能耗研究。
• HFED: 家庭能耗数据集。
• iAWE: 智能建筑能耗数据集。
• PLAID: 插头负载设备识别数据集。
• REDD: 住宅能耗数据集。
• Tracebase: 能耗跟踪数据集。
• UK-DALE: 英国家庭能耗数据集。
• WHITED: 白盒能耗数据集。

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: 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。

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: 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: 国土基础设施基础级数据。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• List of all countries in all languages: 所有语言中的所有国家列表。
• 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: 古代地点的地名录和图形。
• 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: 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

• 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.: GDC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 - 大量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: MeSH，用于PubMed索引文章的词汇叙词表。
• 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NHS结构开放数据集。
• 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测站。

图像处理

• 10k US Adult Faces Database: 10,000美国成人面部数据库。
• 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: 情感图像分类数据。
• Animals with attributes: 带有属性的动物数据。
• 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: 面部识别基准数据。
• 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): 基于WordNet层次结构的ImageNet数据。
• 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: 麻省理工学院的大量视觉记忆刺激。
• MNIST database of handwritten digits, near 1 million examples: 近100万个手写数字示例的MNIST数据库。
• Several Shape-from-Silhouette Datasets: 几个从轮廓形状数据集。

搜集汇总

数据集介绍

构建方式

awesome-public-datasets 数据集的构建方式主要依赖于广泛的公共数据源收集与整理。该数据集通过整合来自博客、问答平台以及用户反馈的高质量数据源，形成了一个主题中心的公共数据集列表。数据来源涵盖了多个领域，包括农业、生物学、气候、复杂网络等，确保了数据的多样性和广泛性。数据集中的大部分数据是免费的，但也包含部分付费数据，以满足不同用户的需求。

特点

awesome-public-datasets 数据集的特点在于其广泛的主题覆盖和高质量的数据源。数据集涵盖了从农业、生物学到气候、复杂网络等多个领域，每个领域都提供了多个权威的数据源链接。这些数据源不仅具有高度的可信度，还提供了丰富的数据类型，包括基因组数据、气候模型、网络拓扑结构等。此外，数据集还特别标注了数据的免费或付费状态，方便用户根据需求进行选择。

使用方法

使用 awesome-public-datasets 数据集时，用户可以通过访问其 GitHub 页面获取完整的数据源列表。每个数据源都附有详细的链接和描述，用户可以根据研究需求直接访问相关数据。数据集的使用方法灵活多样，既可以直接下载数据进行分析，也可以通过 API 接口进行实时数据获取。对于需要付费的数据源，用户可以根据提供的链接进行购买或申请访问权限。此外，数据集还提供了与其他优秀数据集列表的链接，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，旨在为研究人员、开发者和数据科学家提供高质量、主题明确的公开数据资源。该数据集由 GitHub 用户 caesar0301 于 2016 年创建，并持续更新。其数据来源广泛，涵盖了农业、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、机器学习等多个领域。该数据集的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，以便为跨学科研究提供便利。awesome-public-datasets 的影响力在于其广泛的数据覆盖范围和社区驱动的更新机制，使其成为数据科学领域的重要参考资源之一。

当前挑战

awesome-public-datasets 面临的主要挑战包括两个方面。首先，数据集的多样性和广泛性使得数据质量难以统一，部分数据可能存在格式不一致、更新滞后或数据缺失等问题，这对数据的使用和分析提出了较高的要求。其次，数据集的构建过程中，如何有效整合来自不同来源的数据并确保其准确性和时效性是一个持续的挑战。此外，随着数据量的不断增加，如何优化数据集的分类和检索机制，以便用户能够快速找到所需数据，也是一个亟待解决的问题。这些挑战不仅影响了数据集的使用效率，也对数据集的长期维护提出了更高的要求。

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 数据集为研究人员和开发者提供了一个广泛且多样化的公共数据源集合。这些数据集涵盖了从农业、生物学到气候、经济等多个领域，常用于构建和测试机器学习模型，尤其是在需要跨领域数据支持的复杂项目中。例如，生物学家可以利用其中的基因组数据来研究基因表达模式，而经济学家则可以通过经济数据集分析市场趋势。

衍生相关工作

该数据集衍生了许多经典的研究工作，尤其是在机器学习和数据科学领域。例如，基于其中的基因组数据，研究人员开发了新的基因编辑工具；利用气候数据，科学家们构建了更精确的气候预测模型。此外，许多开源项目和工具也依赖于这些数据集进行开发和测试，进一步推动了数据科学领域的技术进步。

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发挥了重要作用，尤其是在生物学、气候科学和复杂网络分析等前沿领域。在生物学领域，数据集如1000 Genomes和ENCODE项目为基因组学和表观遗传学研究提供了丰富的数据资源，推动了精准医学和个性化治疗的发展。气候科学领域，NOAA和NASA提供的气候数据集为全球气候变化建模和预测提供了关键支持，帮助科学家更好地理解极端天气事件的成因及其影响。复杂网络分析方面，Stanford Large Network Dataset Collection和AMiner Citation Network Dataset等数据集为社交网络、生物网络和信息传播研究提供了基础数据，促进了网络科学和机器学习算法的创新。这些数据集的应用不仅加速了科学研究的进展，也为跨学科合作提供了新的可能性。