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，由大家共享给所有人。

A curated list of high-quality public datasets centered around various themes, sourced from the public domain and shared by the community for everyone's benefit.

原始信息汇总

数据集概述

本数据集名为“Awesome Public Datasets”，收录了多个领域的高质量公共数据源，涵盖农业、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、地理信息系统（GIS）、政府等多个领域。

数据集内容

农业

• U.S. Department of Agricultures Nutrient Database
• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Broad Bioimage Benchmark Collection (BBBC)
• Broad Cancer Cell Line Encyclopedia (CCLE)
• Cell Image Library
• Complete Genomics Public Data
• EBI ArrayExpress
• EBI Protein Data Bank in Europe
• ENCODE project
• Electron Microscopy Pilot Image Archive (EMPIAR)
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interactions (GloBI)
• Harvard Medical School (HMS) LINCS Project
• Human Genome Diversity Project
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• International HapMap Project
• Journal of Cell Biology DataViewer
• MIT Cancer Genomics Data
• NCBI Proteins
• NCBI Taxonomy
• NCI Genomic Data Commons
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid - Protein-Protein Interactions Catalog
• Protein Data Bank
• Psychiatric Genomics Consortium
• PubChem Project
• PubGene (now Coremine Medical)
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• Stowers Institute Original Data Repository
• Systems Science of Biological Dynamics (SSBD) Database
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• UniGene
• Universal Protein Resource (UnitProt)

气候+天气

• Actuaries Climate Index
• Australian Weather
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• European Climate Assessment & Dataset
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• NOAA SURFRAD Meteorology and Radiation Datasets
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WU Historical Weather Worldwide
• WorldClim - Global Climate Data

复杂网络

• AMiner Citation Network Dataset
• CrossRef DOI URLs
• DBLP Citation dataset
• DIMACS Road Networks Collection
• NBER Patent Citations
• NIST complex networks data collection
• Network Repository with Interactive Exploratory Analysis Tools
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Small Network Data
• Stanford GraphBase
• Stanford Large Network Dataset Collection
• Stanford Longitudinal Network Data Sources
• 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 CommonCrawl 2012
• 53.5B Web clicks of 100K users in Indiana Univ.
• CAIDA Internet Datasets
• CRAWDAD Wireless datasets from Dartmouth Univ.
• ClueWeb09 - 1B web pages
• ClueWeb12 - 733M web pages
• CommonCrawl Web Data over 7 years
• Criteo click-through data
• Internet-Wide Scan Data Repository
• OONI: Open Observatory of Network Interference - Internet censorship data
• Open Mobile Data by MobiPerf
• Rapid7 Sonar Internet Scans
• UCSD Network Telescope, IPv4 /8 net

数据挑战

• Bruteforce Database
• Challenges in Machine Learning
• CrowdANALYTIX dataX
• D4D Challenge of Orange
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• KDD Cup by Tencent 2012
• Kaggle Competition Data
• Localytics Data Visualization Challenge
• Netflix Prize
• Space Apps Challenge
• Telecom Italia Big Data Challenge
• TravisTorrent Dataset - MSR2017 Mining Challenge
• TunedIT - Data mining & machine learning data sets, algorithms, challenges
• Yelp Dataset Challenge

地球科学

• AQUASTAT - Global water resources and uses
• BODC - marine data of ~22K vars
• EOSDIS - NASAs earth observing system data
• Earth Models
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements
• Marinexplore - Open Oceanographic Data
• Smithsonian Institution Global Volcano and Eruption Database
• USGS Earthquake Archives

经济学

• American Economic Association (AEA)
• EconData from UMD
• Economic Freedom of the World Data
• Historical MacroEconomic Statistics
• INFORUM - Interindustry Forecasting at the University of Maryland
• International Economics Database
• International Trade Statistics
• Internet Product Code Database
• Joint External Debt Data Hub
• Jon Haveman International Trade Data Links
• OpenCorporates Database of Companies in the World
• Our World in Data
• SciencesPo World Trade Gravity Datasets
• The Atlas of Economic Complexity
• The Center for International Data
• The Observatory of Economic Complexity
• UN Commodity Trade Statistics
• UN Human Development Reports

教育

• College Scorecard Data
• Student Data from Free Code Camp

能源

• AMPds
• BLUEd
• COMBED
• DRED
• ECO
• EIA
• HES - Household Electricity Study, UK
• HFED
• PLAID - The Plug Load Appliance Identification Dataset
• REDD
• Tracebase
• UK-DALE - UK Domestic Appliance-Level Electricity
• WHITED
• iAWE

金融

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

GIS

• ArcGIS Open Data portal
• Cambridge, MA, US, GIS data on GitHub
• Factual Global Location Data
• Geo Maps - High Quality GeoJSON maps programmatically generated
• Geo Spatial Data from ASU
• Geo Wiki Project - Citizen-driven Environmental Monitoring
• GeoFabrik - OSM data extracted to a variety of formats and areas
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Homeland Infrastructure Foundation-Level Data
• Landsat 8 on AWS
• List of all countries in all languages
• National Weather Service GIS Data Portal
• Natural Earth - vectors and rasters of the world
• OpenAddresses
• OpenStreetMap (OSM)
• Pleiades - Gazetteer and graph of ancient places
• Reverse Geocoder using OSM data
• TIGER/Line - U.S. boundaries and roads
• TZ Timezones shapfiles
• TwoFishes - Foursquares coarse geocoder
• UN Environmental Data
• World boundaries from the U.S. Department of State
• World countries in multiple formats

政府

• Alberta, Province of Canada
• Antwerp, Belgium

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个由社区驱动、自动生成的开源项目，旨在收集和整理高质量的主题中心公共数据源。该数据集的构建主要通过从博客、回答和用户响应中搜集信息，并利用 apd-core 工具进行自动化整理和维护。

使用方法

用户可以通过数据集的GitHub页面浏览和搜索感兴趣的数据集。每个数据集通常包含详细的数据描述、使用说明和相关的技术文档。用户可以根据自己的需求下载数据集，或通过API进行数据的访问和调用。此外，部分数据集还支持在线可视化和分析工具，方便用户进行探索和分析。

背景与挑战

背景概述

Awesome Public Datasets 是一个由社区驱动的开源项目，旨在收集和整理互联网上各种领域的公共数据集。该项目创建于2013年，由Sindre Sorhus发起，并逐渐发展成为一个包含众多领域数据集的综合性资源库。它涵盖了从农业、生物学到地理科学、金融等众多学科，为研究人员和开发者提供了极大的便利。Awesome Public Datasets 的核心研究问题是提供易于访问、可靠且多样化的数据集，以促进数据驱动的研究和开发工作。该数据集的影响力遍及全球，被广泛应用于学术研究、商业分析和公共决策等多个领域。

当前挑战

尽管 Awesome Public Datasets 在数据收集和整理方面取得了显著成就，但仍然面临一些挑战。首先，数据集的构建过程中，确保数据的准确性和时效性是一个持续的挑战。其次，随着数据量的不断增长，如何高效地存储和索引这些数据，以便用户能够快速检索和访问，也是一个技术上的挑战。此外，不同领域的数据集在质量和可用性方面存在差异，这给跨学科研究和应用带来了困难。最后，数据隐私和安全问题也是该数据集需要不断关注和改进的重要方面。

常用场景

经典使用场景

Awesome Public Datasets作为一个汇总了各类公共数据集的仓库，其经典使用场景主要在于为研究人员、数据科学家和开发者提供一站式的数据资源查找服务。用户可以通过该平台快速定位到所需的数据集，用于学术研究、数据分析、机器学习模型训练等多种用途。

解决学术问题

该数据集解决了学术研究中数据获取的难题，尤其是对于那些难以直接从原始来源获取或者需要大量时间和资源进行整合的数据。它通过集合和整理互联网上高质量的公共数据集，降低了研究人员的门槛，提高了研究效率。

实际应用

在实际应用中，Awesome Public Datasets的数据集被广泛用于商业智能、地理信息系统、金融分析、健康医疗研究、气候变化研究等领域。这些数据集为各行业提供了宝贵的信息资源，帮助决策者做出基于数据的决策。

数据集最近研究

最新研究方向

Awesome Public Datasets 数据集的近期研究方向主要集中于数据的收集、整理与共享，特别是在开源数据集的整理与发布方面。研究者和开发者通过该平台分享和利用各类公共数据资源，推动了数据科学、机器学习、地理信息系统等多个领域的发展。当前研究热点包括利用这些数据集进行的数据挖掘、大数据分析、自然语言处理等，以及在此基础上开展的社会网络分析、生物信息学、金融分析等跨学科研究。