awesome-public-datasets

这是一个包含高质量公共数据集的列表，数据集涵盖农业、生物学、气候/天气、复杂网络等多个领域。

This is a list of high-quality public datasets, covering multiple fields such as agriculture, biology, climate/weather, complex networks, and more.

原始信息汇总

数据集概述

本数据集详情页面提供了多个领域的公共数据源列表，涵盖了农业、生物学、气候/天气、复杂网络、计算机网络、数据挑战、经济学、能源、金融、地质、地理空间/GIS、政府、医疗保健、图像处理、机器学习、博物馆、自然语言、物理、心理学/认知、公共领域、搜索引擎、社会科学等多个领域。以下是各领域数据集的简要概述：

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• Collaborative Research in Computational Neuroscience (CRCNS)
• Gene Expression Omnibus (GEO)
• Human Microbiome Project (HMP)
• American Gut (Microbiome Project)
• ICOS PSP Benchmark
• MIT Cancer Genomics Data
• NIH Microarray data (FTP)
• Protein Data Bank
• PubChem Project
• PubGene (now Coremine Medical)
• Stanford Microarray Data
• The Personal Genome Project or PGP
• UCSC Public Data
• UniGene

气候/天气

• Australian Weather
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• 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
• WU Historical Weather Worldwide

复杂网络

• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• NIST complex networks data collection
• Small Network Data
• UCI Network Data Repository
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Stanford GraphBase (Steven Skiena)
• Stanford Large Network Dataset Collection
• 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

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
• UCSD Network Telescope, IPv4 /8 net

数据挑战

• Challenges in Machine Learning
• 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

经济学

• American Economic Ass (AEA)
• EconData from UMD
• Internet Product Code Database

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• ECO
• EIA
• HFED
• iAWE
• Plaid
• REDD
• UK-Dale

金融

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

地质

• USGS Earthquake Archives
• Smithsonian Institution Global Volcano and Eruption Database

地理空间/GIS

• BODC - marine data of ~22K vars
• Cambridge, MA, US, GIS data on GitHub
• EOSDIS - NASAs earth observing system data
• Factual Global Location Data
• Geo Spatial Data from ASU
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Landsat 8 on AWS
• Natural Earth - vectors and rasters of the world
• Open Street Map (OSM)
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• World countries in multiple formats
• List of all countries in all languages
• OpenAddresses

政府

• Austin, TX, US
• Australia (abs.gov.au)
• Australia (data.gov.au)
• Austria (data.gv.at)
• Brazil
• Cambridge, MA, US
• Canada
• Chicago
• Dallas Open Data
• Denver Open Data
• England LGInform
• EuroStat
• FedStats
• Finland
• France
• Germany
• Glasgow, Scotland, UK
• Guardian world governments
• Houston Open Data
• Indian Government Data
• London Datastore, UK
• Los Angeles Open Data
• MassGIS, Massachusetts, U.S.
• Mexico
• Netherlands
• New Zealand
• NYC betanyc
• NYC Open Data
• OECD
• Oklahoma
• Open Government Data (OGD) Platform India
• Rio de Janeiro, Brazil
• Romania
• San Francisco Data sets
• Seattle
• South Africa
• Switzerland
• The World Bank
• Texas Open Data
• Puerto Rico Government
• U.K. Government Data
• Uruguay
• U.S. American Community Survey
• U.S. CDC Public Health datasets
• U.S. Census Bureau
• U.S. National Center for Education Statistics (NCES)
• U.S. Department of Housing and Urban Development (HUD)
• U.S. Federal Government Agencies
• U.S. Federal Government Data Catalog
• U.S. Food and Drug Administration (FDA)
• U.S. Open Government
• UK 2011 Census Open Atlas Project
• United Nations

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
• Number of Ebola Cases and Deaths in Affected Countries (2014)

图像处理

• 10k US Adult Faces Database
• 2GB of Photos of Cats
• Affective Image Classification
• Face Recognition Benchmark
• ImageNet (in WordNet hierarchy)
• International Affective Picture System, UFL
• Massive Visual Memory Stimuli, MIT
• SUN database, MIT
• YouTube Faces Database

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
• Lending Club Loan Data
• Machine Learning Data Set Repository
• Million Song Dataset
• More Song Datasets
• 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

• Cooper-Hewitts Collection Database
• Minneapolis Institute of Arts metadata
• Tate Collection metadata
• The Getty vocabularies
• Rijksmuseum Historical Art Collection

自然语言

• Blogger Corpus
• ClueWeb09 FACC
• ClueWeb12 FACC
• DBpedia - 4.58M things with 583M facts
• Flickr Personal Taxonomies
• Google Books Ngrams (2.2TB)
• Google Web 5gram (1TB, 2006)
• Gutenberg eBooks List
• Hansards text chunks of Canadian Parliament
• Machine Translation of European languages
• SMS Spam Collection in English
• USENET postings corpus of 2005~2011
• Wikidata - Wikipedia databases
• Wikipedia Links data - 40 Million Entities in Context
• WordNet databases and tools

物理

• CERN Open Data Portal
• NSSDC (NASA) data of 550 space spacecraft
• NASA Exoplanet Archive
• Sloan Digital Sky Survey (SDSS) - Mapping the Universe

心理学/认知

• OSU Cognitive Modeling Repository Datasets

公共领域

• Amazon
• Archive.org Datasets
• CMU JASA data archive
• CMU StatLab collections
• Data360
• Datamob.org
• Google
• Infochimps
• KDNuggets Data Collections
• Microsoft Azure Data Market Free DataSets
• Numbray
• Reddit Datasets
• RevolutionAnalytics Collection
• Sample R data sets
• Stats4Stem R data sets
• StatSci.org
• The Washington Post List
• UCLA SOCR data collection
• UFO Reports
• Wikileaks 911 pager intercepts
• Yahoo Webscope

搜索引擎

• Academic Torrents of data sharing from UMB
• Archive-it from Internet Archive
• Datahub.io
• DataMarket (Qlik)
• Freebase.com of people, places, and things
• Harvard Dataverse Network of scientific data
• ICPSR (UMICH)
• Open Data Certificates (beta)
• Statista.com - statistics and Studies

社会科学

• Ancestry.com Forum Dataset over 10 years
• CMU Enron Email of 150 users
• EDRM Enron EMail of 151 users, hosted on S3
• Facebook Data Scrape (2005)
• Facebook Social Networks from LAW (since 2007)
• Foursquare Social Network in 2010, 2011
• Foursquare from UMN/Sarwat (2013)
• General Social Survey (GSS) since 1972
• GetGlue - users rating TV shows
• GitHub Collaboration Archive
• MIT Reality Mining Dataset
• Mobile Social Networks from UMASS

搜集汇总

数据集介绍

构建方式

该数据集是通过从博客、回答和用户响应中收集和整理公共数据源而构建的。它包含了大量免费的数据库，尽管其中也有一些不是免费的。

特点

数据集的特点在于其来源的多样性和数据的开放性。它涵盖了农业、生物学、气候、复杂网络、计算机网络、数据挑战、经济学、能源、金融、地理学、健康护理、图像处理、机器学习、博物馆、自然语言处理、物理学、心理学、公共领域、搜索引擎、社会科学等多个领域。此外，数据集还包含了各种类型的数据，如文本、图像、网络流量、地理信息等。

使用方法

使用该数据集时，用户可以根据自己的需求浏览和下载相应的数据。数据集的GitHub页面提供了详细的说明和链接，用户可以通过这些链接访问和获取数据。对于一些特定的数据集，可能还需要使用特定的工具或软件来处理和分析数据。

背景与挑战

背景概述

awesome-public-datasets 是一个收集自博客、回答和用户响应的公开数据集列表。该数据集涵盖了多个领域，包括农业、生物学、气候/天气、复杂网络、计算机网络、数据挑战、经济学、能源、金融、地质学、地理信息系统、政府、健康护理、图像处理、机器学习、博物馆、自然语言处理、物理学、心理学/认知科学、公共领域、搜索引擎、社会科学等。它由 Caesar0301 创建并维护，旨在为研究人员提供方便的数据集资源。

当前挑战

该数据集的挑战主要在于其多样性和广泛性，涵盖了从传统数据库到社交媒体数据等多种类型。对于研究人员来说，挑战在于如何有效地筛选和利用这些数据集来解决特定的问题。此外，由于数据集来源的多样性和更新频率，保持数据的时效性和准确性也是一个挑战。

常用场景

经典使用场景

‘awesome-public-datasets’是一个囊括了众多公共数据集的清单，其经典使用场景主要在于为研究者提供一站式资源查找服务，便于学者快速定位到所需的数据集，进而进行数据分析、学术研究或项目开发。

衍生相关工作

基于‘awesome-public-datasets’，衍生出了众多相关工作，包括数据集的扩展、相关工具的开发以及基于这些数据集的学术研究和应用案例的分享，进一步推动了数据科学领域的发展。

数据集最近研究

最新研究方向

该数据集涵盖了多个领域的大量公共数据集，最新研究方向主要聚焦于数据集的整合、清洗和高效利用。研究者们正致力于探索如何从这些数据集中提取有价值的信息，以及如何利用先进的数据分析技术来推动相关领域的发展。例如，在生物信息学领域，研究者们利用Gene Expression Omnibus (GEO)等数据集进行基因表达分析，以揭示基因调控网络和疾病相关基因。在社会科学领域，通过分析Twitter、Facebook等社交媒体数据集，研究者们能够洞察社会舆论和群体行为。此外，随着机器学习和深度学习技术的发展，如何利用这些大规模数据集进行模型训练和预测，也是当前研究的热点。