Awesome Public Datasets

这是一个高质量公共数据集的精选列表，涵盖多个领域，如农业、生物学、气候/天气和复杂网络等。

This is a curated list of high-quality public datasets spanning various domains, including agriculture, biology, climate/weather, and complex networks, among others.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供植物相关数据。

生物学

• 1000 Genomes: 基因组数据集。
• Collaborative Research in Computational Neuroscience (CRCNS): 计算神经科学研究数据。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• American Gut (Microbiome Project): 美国肠道微生物组项目数据。
• ICOS PSP Benchmark: 生物信息学基准数据。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NIH Microarray data (FTP): 美国国立卫生研究院微阵列数据。
• Protein Data Bank: 蛋白质数据库。
• PubChem Project: 化学物质数据库。
• PubGene (now Coremine Medical): 基因和疾病关联数据库。
• Stanford Microarray Data: 斯坦福微阵列数据。
• The Personal Genome Project: 个人基因组项目数据。
• UCSC Public Data: 加州大学圣克鲁兹分校公共数据。
• UniGene: 基因序列数据库。

气候/天气

• Australian Weather: 澳大利亚天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 东英吉利大学气候数据。
• 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。
• WU Historical Weather Worldwide: 世界天气历史数据。

复杂网络

• CrossRef DOI URLs: 学术出版物DOI链接数据。
• DBLP Citation dataset: 计算机科学文献引用数据。
• NBER Patent Citations: 国家经济研究局专利引用数据。
• NIST complex networks data collection: 国家标准与技术研究院复杂网络数据集。
• Small Network Data: 小型网络数据集。
• UCI Network Data Repository: 加州大学欧文分校网络数据存储库。
• Protein-protein interaction network: 蛋白质相互作用网络数据。
• PyPI and Maven Dependency Network: Python包和Maven依赖网络数据。
• Scopus Citation Database: Scopus引用数据库。
• Stanford GraphBase (Steven Skiena): 斯坦福图形库。
• Stanford Large Network Dataset Collection: 斯坦福大学大型网络数据集集合。
• The Koblenz Network Collection: 科布伦茨网络数据集。
• The Laboratory for Web Algorithmics (UNIMI): 米兰大学网络算法实验室数据。
• The Nexus Network Repository: 网络数据存储库。
• 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集合。
• 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 CommonCraw 2012: 2012年CommonCrawl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535亿次网页点击数据。
• CAIDA Internet Datasets: 互联网数据分析协会数据集。
• 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: 七年间的CommonCrawl网页数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• Criteo click-through data: Criteo点击率数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• 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

• Challenges in Machine Learning: 机器学习挑战数据。
• D4D Challenge of Orange: Orange的D4D挑战数据。
• DrivenData Competitions for Social Good: 社会公益驱动的数据竞赛。
• ICWSM Data Challenge (since 2009): 国际社交媒体会议数据挑战。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 2012年腾讯KDD杯数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix奖数据。
• Space Apps Challenge: 空间应用挑战数据。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• Yelp Dataset Challenge: Yelp数据挑战。

经济学

• American Economic Ass (AEA): 美国经济协会数据。
• EconData from UMD: 马里兰大学经济数据。
• Internet Product Code Database: 互联网产品代码数据库。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能源数据集。
• COMBED: 组合能源数据集。
• Dataport: 能源数据港口。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HFED: 高频能源数据集。
• iAWE: 室内环境与能源数据集。
• Plaid: 能源数据集。
• REDD: 住宅能源数据集。
• UK-Dale: 英国住宅能源数据集。

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金融数据平台。
• St Louis Federal: 圣路易斯联邦储备银行数据。
• Yahoo Finance: 雅虎财经数据。

地质学

• USGS Earthquake Archives: 美国地质调查局地震档案。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼学会全球火山和喷发数据库。

地理空间/GIS

• BODC - marine data of ~22K vars: 英国海洋数据中心海洋数据。
• Cambridge, MA, US, GIS data on GitHub: 剑桥市GIS数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局地球观测系统数据。
• 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。
• GeoNames Worldwide: GeoNames全球地理数据。
• Global Administrative Areas Database (GADM): 全球行政区域数据库。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• Natural Earth - vectors and rasters of the world: 自然地球矢量和栅格数据。
• Open Street Map (OSM): 开放街道地图数据。
• TIGER/Line - U.S. boundaries and roads: 美国边界和道路数据。
• TwoFishes - Foursquares coarse geocoder: Foursquare的粗略地理编码器数据。
• TZ Timezones shapfiles: 时区形状文件。
• World countries in multiple formats: 多种格式的世界国家数据。
• List of all countries in all languages: 所有语言中的所有国家列表。
• OpenAddresses: 开放地址数据。

政府

• Austin, TX, US: 奥斯汀市数据。
• Australia (abs.gov.au): 澳大利亚统计局数据。
• Australia (data.gov.au): 澳大利亚政府数据。
• Brazil: 巴西政府数据。
• Cambridge, MA, US: 剑桥市数据。
• Canada: 加拿大政府数据。
• Chicago: 芝加哥市数据。
• Dallas Open Data: 达拉斯开放数据。
• Denver Open Data: 丹佛开放数据。
• England LGInform: 英格兰地方政府信息。
• EuroStat: 欧洲统计局数据。
• FedStats: 联邦统计数据。
• Finland: 芬兰政府数据。
• France: 法国政府数据。
• Germany: 德国政府数据。
• Glasgow, Scotland, UK: 格拉斯哥市数据。
• Guardian world governments: 卫报世界政府数据。
• Indian Government Data: 印度政府数据。
• London Datastore, UK: 伦敦数据存储。
• MassGIS, Massachusetts, U.S.: 马萨诸塞州地理信息系统。
• Mexico: 墨西哥政府数据。
• Netherlands: 荷兰政府数据。
• New Zealand: 新西兰统计局数据。
• NYC betanyc: 纽约市数据。
• NYC Open Data: 纽约市开放数据。
• OECD: 经济合作与发展组织数据。
• Oklahoma: 俄克拉荷马州数据。
• Open Government Data (OGD) Platform India: 印度开放政府数据平台。
• Romania: 罗马尼亚政府数据。
• San Francisco Data sets: 旧金山数据集。
• Seattle: 西雅图市数据。
• South Africa: 南非统计局数据。
• Switzerland: 瑞士政府数据。
• The World Bank: 世界银行数据。
• Texas Open Data: 德克萨斯州开放数据。
• Puerto Rico Government: 波多黎各政府数据。
• U.K. Government Data: 英国政府数据。
• Uruguay: 乌拉圭政府数据。
• U.S. American Community Survey: 美国社区调查数据。
• U.S. CDC Public Health datasets: 美国疾病控制与预防中心公共卫生数据集。
• U.S. Census Bureau: 美国人口普查局数据。
• U.S. National Center for Education Statistics (NCES): 美国国家教育统计中心数据。
• U.S. Department of Housing and Urban Development (HUD): 美国住房和城市发展部数据。
• U.S. Federal Government Agencies: 美国联邦政府机构数据。
• U.S. Federal Government Data Catalog: 美国联邦政府数据目录。
• U.S. Food and Drug Administration (FDA): 美国食品药品监督管理局数据。
• U.S. Open Government: 美国开放政府数据。
• UK 2011 Census Open Atlas Project: 英国2011年人口普查开放地图项目。
• United Nations: 联合国数据。

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。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 2014年受影响国家埃博拉病例和死亡人数。

图像处理

• 10k US Adult Faces Database: 10,000美国成年人面部数据库。
• 2GB of Photos of Cats: 2GB猫照片数据。
• Affective Image Classification: 情感图像分类数据。
• Face Recognition Benchmark: 面部识别基准数据。
• ImageNet (in WordNet hierarchy): ImageNet数据集。
• International Affective Picture System, UFL: 佛罗里达大学国际情感图片系统。
• Massive Visual Memory Stimuli, MIT: 麻省理工学院大规模视觉记忆刺激数据。
• SUN database, MIT: 麻省理工学院SUN数据库。
• YouTube Faces Database: YouTube面部数据库。

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto): 多伦多大学分类和回归数据集。
• Discogs Monthly Data: Discogs月度数据。
• eBay Online Auctions (2012): 2012年eBay在线拍卖数据。
• IMDb Database: IMDb数据库。
• Keel Repository for classification, regression and time series: KEEL分类、回归和时间序列数据存储库。
• Lending Club Loan Data: Lending Club贷款数据。
• Machine Learning Data Set Repository: 机器学习数据集存储库。
• Million Song Dataset: 百万歌曲数据集。
• More Song Datasets: 更多歌曲数据集。
• MovieLens Data Sets: MovieLens数据集。
• RDataMining - "R and Data Mining" ebook data: R和数据挖掘电子书数据。
• Registered Meteorites on Earth: 地球上注册的陨石数据。
• Restaurants Health Score Data in San Francisco: 旧金山餐厅健康评分数据。
• UCI Machine Learning Repository: 加州大学欧文分校机器学习存储库。
• Yahoo! Ratings and Classification Data: 雅虎评级和分类数据。

博物馆

• Cooper-Hewitts Collection Database: 库珀·休伊特博物馆藏品数据库。
• Minneapolis Institute of Arts metadata: 明尼阿波利斯艺术学院元数据。
• Tate Collection metadata: 泰特美术馆藏品元数据。
• The Getty vocabularies: 盖蒂词汇。
• Rijksmuseum Historical Art Collection: 荷兰国立博物馆历史艺术藏品。

自然语言

• Blogger Corpus: 博客语料库。
• ClueWeb09 FACC: ClueWeb09 FACC数据。
• ClueWeb12 FACC: ClueWeb12 FACC数据。
• DBpedia - 4.58M things with 583M facts: DBpedia数据集。
• Flickr Personal Taxonomies: Flickr个人分类法。
• Google Books Ngrams (2.2TB): 谷歌图书N元语法数据。
• Google Web 5gram (1TB, 2006): 谷歌网络5元语法数据。
• Gutenberg eBooks List: 古腾堡电子书列表。
• Hansards text chunks of Canadian Parliament: 加拿大议会汉萨德文本片段。
• Machine Translation of European languages: 欧洲语言机器翻译数据。
• SMS Spam Collection in English: 英文短信垃圾邮件收集。
• USENET postings corpus of 2005~2011: 2005至2011年USENET帖子语料库。
• Wikidata - Wikipedia databases: Wikidata维基百科数据库。
• Wikipedia Links data - 40 Million Entities in Context: 维基百科链接数据。
• WordNet databases and tools: WordNet数据库和工具。

物理学

• CERN Open Data Portal: 欧洲核子研究组织开放数据门户。
• NSSDC (NASA) data of 550 space spacecraft: 美国宇航局国家空间科学数据中心550个太空航天器数据。
• NASA Exoplanet Archive: 美国宇航局系外行星档案。

公共领域

• Amazon: 亚马逊数据集。
• Archive.org Datasets: 互联网档案馆数据集。
• CMU JASA data archive: 卡内基梅隆大学JASA数据档案。
• CMU StatLab collections: 卡内基梅隆大学StatLab数据集。
• Data360: Data360数据平台。
• Datamob.org: Datamob数据集。
• Google: 谷歌公共数据。
• Infochimps: Infochimps数据平台。
• KDNuggets Data Collections: KDNuggets数据集。
• Microsoft Azure Data Market Free DataSets: 微软Azure数据市场免费数据集。
• Numbray: Numbray数据平台。
• Reddit Datasets: Reddit数据集。
• RevolutionAnalytics Collection: Revolution Analytics数据集。
• Sample R data sets: R语言示例数据集。
• Stats4Stem R data sets: Stats4Stem R数据集。
• StatSci.org: StatSci数据集。
• The Washington Post List: 华盛顿邮报数据列表。
• UCLA SOCR data collection: 加州大学洛杉矶分校SOCR数据收集

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个收集自博客、回答和用户响应的公共数据集列表。该数据集的构建主要通过从网络资源中整理和汇总免费的公共数据集，同时也包含了一些非免费的数据集。

特点

该数据集的特点在于其覆盖领域广泛，包括农业、生物学、气候、复杂网络、计算机网络等多个领域，且大部分数据集都是免费的。此外，它提供了详细的数据集描述和来源，方便用户查找和了解所需数据。

使用方法

用户可以通过直接访问数据集提供的链接来使用这些数据。每个数据集的页面通常包含了数据集的描述、使用方式和相关链接，用户可以根据自己的需求进行选择和利用。

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。该数据集创建于2014年，由Caesar0301维护，旨在为研究者提供各类领域的公共数据集，包括农业、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、公共领域数据、搜索引擎和社会科学等。这些数据集大多数是免费的，部分数据集可能需要付费。该数据集列表对相关领域的研究产生了重要影响，成为了研究者寻找和获取数据的重要资源。

当前挑战

尽管Awesome Public Datasets为研究者提供了丰富的数据资源，但在使用过程中也面临一些挑战。首先，数据集的构建过程中，收集和整理来自不同来源的数据是一项繁琐且易出错的任务。其次，数据集的多样性和质量参差不齐，研究者在使用时需要仔细筛选和验证数据。此外，部分数据集可能存在版权或隐私问题，使用时需遵守相应的法律法规。最后，随着数据量的不断增长，如何高效地存储、检索和管理这些数据集也是一个挑战。

常用场景

经典使用场景

Awesome Public Datasets作为一个全面的数据集列表，其经典使用场景主要是在学术研究和数据科学项目中。研究者可以在这个列表中找到与自己研究领域相关的数据集，例如生物信息学、社会网络分析、自然语言处理等，以支持他们的研究和分析工作。

实际应用

在实际应用中，Awesome Public Datasets可以帮助企业、政府机构和非营利组织等利用大数据技术进行分析和决策。例如，通过分析社交媒体数据集，企业可以更好地理解消费者行为；政府机构可以利用公共安全数据集来改善政策制定。

衍生相关工作

基于Awesome Public Datasets，衍生出了一系列相关工作，包括数据集的整理、分析和可视化。这些工作不仅丰富了数据科学领域的知识体系，也为其他研究者提供了宝贵的参考和工具。