Awesome Public Datasets

一个包含高质量公开数据集的列表，涵盖多个领域，如农业、生物学、气候/天气等。

A list of high-quality public datasets covering multiple fields such as agriculture, biology, climate/weather, etc.

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。

生物学

• 1000 Genomes: 提供基因组数据。
• American Gut (Microbiome Project): 美国微生物组项目数据。
• Collaborative Research in Computational Neuroscience (CRCNS): 计算神经科学合作研究数据。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• ICOS PSP Benchmark: 生物信息学基准数据。
• MIT Cancer Genomics Data: 麻省理工学院癌症基因组数据。
• NIH Microarray data (FTP): 美国国立卫生研究院微阵列数据。
• 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。
• PubChem Project: 公共化学项目数据。
• PubGene (now Coremine Medical): 生物医学数据。
• 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。
• 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中心数据。
• WU Historical Weather Worldwide: 世界历史天气数据。

复杂网络

• CrossRef DOI URLs: 学术出版物DOI链接数据。
• DBLP Citation dataset: DBLP引用数据集。
• NBER Patent Citations: 国家经济研究局专利引用数据。
• NIST complex networks data collection: 美国国家标准与技术研究院复杂网络数据集。
• 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。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图基数据集。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集。
• The Koblenz Network Collection: 科布伦茨网络数据集。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• The Nexus Network Repository: 网络存储库数据集。
• 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数据集。
• WSU Graph Database: 华盛顿州立大学图数据库。

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535亿网络点击数据。
• CAIDA Internet Datasets: 互联网数据分析合作组织数据集。
• 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年间的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的数据挑战。
• CrowdANALYTIX dataX: CrowdANALYTIX数据X。
• 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: 腾讯2012年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数据集挑战。

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: 能源数据集。
• BLUEd: 能源数据集。
• COMBED: 能源数据集。
• Dataport: 能源数据集。
• ECO: 能源数据集。
• EIA: 能源信息署数据。
• HFED: 能源数据集。
• iAWE: 能源数据集。
• Plaid: 能源数据集。
• REDD: 能源数据集。
• UK-Dale: 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数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: Quandl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。

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: 英国海洋数据中心数据。
• Cambridge, MA, US, GIS data on GitHub: 剑桥，马萨诸塞州，美国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: 自然地球数据集。
• OpenStreetMap (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: 多格式世界国家数据。
• List of all countries in all languages: 所有语言的所有国家列表。
• OpenAddresses: 开放地址数据。

政府

• Austin, TX, US: 奥斯汀，德克萨斯州，美国政府数据。
• Australia (abs.gov.au): 澳大利亚政府数据。
• Australia (data.gov.au): 澳大利亚政府开放数据。
• Austria (data.gv.at): 奥地利政府数据。
• Brazil: 巴西政府数据。
• Cambridge, MA, US: 剑桥，马萨诸塞州，美国政府数据。
• Canada: 加拿大政府数据。
• Chicago: 芝加哥政府数据。
• Dallas Open Data: 达拉斯开放数据。
• Denver Open Data: 丹佛开放数据。
• Durham, NC Open Data: 达勒姆，北卡罗来纳州开放数据。
• 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，苏格兰，英国政府数据。
• Guardian world governments: 卫报世界政府数据。
• Houston Open Data: 休斯顿开放数据。
• Indian Government Data: 印度政府数据。
• Indonesian Data Portal: 印度尼西亚数据门户。
• London Datastore, UK: 伦敦数据存储，英国。
• Los Angeles Open Data: 洛杉矶开放数据。
• MassGIS, Massachusetts, U.S.: 马萨诸塞州地理信息系统，美国。
• Mexico: 墨西哥政府数据。
• Netherlands: 荷兰政府数据。
• New Zealand: 新西兰政府数据。
• NYC betanyc: 纽约市betanyc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: 俄克拉荷马州政府数据。
• Open Government Data (OGD) Platform India: 印度开放政府数据平台。
• Rio de Janeiro, Brazil: 里约热内卢，巴西政府数据。
• Romania: 罗马尼亚政府数据。
• San Francisco Data sets: 旧金山数据集。
• Seattle: 西雅图政府数据。
• Singapore Government Data: 新加坡政府数据。
• South Africa: 南非政府数据。
• 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集项目。
• United Nations: 联合国数据。
• Vancouver, BC Open Data Catalog: 温哥华，不列颠哥伦比亚省开放数据目录。

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): 受影响国家埃博拉病例和死亡人数（2014年）。

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的猫照片数据。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• Animals with attributes: 带有属性的动物数据集。
• Affective Image Classification: 情感图像分类数据集。
• Face Recognition Benchmark: 面部识别基准数据集。
• ImageNet (in WordNet hierarchy): 基于WordNet层次结构的ImageNet数据集。
• 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面部数据集。
• Indoor Scene Recognition: 室内场景识别数据集。

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每月数据。
• eBay Online Auctions (2012): eBay在线拍卖数据（2012年）。
• 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集。
• 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: UCI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-休伊特博物馆收藏数据库。
• Minneapolis Institute of Arts metadata: 明尼阿波利斯艺术学院元数据。
• Tate Collection metadata: 泰特收藏元数据。
• The Getty vocabularies: 盖蒂词汇。
• Rijksmuseum Historical Art Collection: 荷兰国家博物馆历史艺术收藏。

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-gram数据（2.2TB）。
• Google Web 5gram (1TB, 2006): 谷歌网络5-gram数据（1TB，2006年）。
• 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块。
• Machine Translation of European languages: 欧洲语言机器翻译数据。
• SMS Spam Collection in English: 英语短信垃圾邮件收集。
• SaudiNewsNet Collection of Saudi Newspaper Articles (Arabic, 30K articles): 沙特新闻网络收集的沙特报纸文章（阿拉伯语，30,000篇文章）。
• 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 - 4000万实体上下文。
• WordNet databases and tools: WordNet数据库和工具。

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个收集和整理自博客、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网络爬虫自动化收集和人工筛选相结合的方式完成，确保了数据的多样性和可用性。

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/天气、复杂网络、计算机网络等多个领域，且大部分数据集是免费的。此外，数据集持续更新，保证了数据的时效性。

使用方法

用户可以通过访问提供的链接直接获取数据集，或者通过数据集的名称在相关平台上进行搜索。部分数据集可能需要特定的软件或工具来处理和分析。

背景与挑战

背景概述

Awesome Public Datasets是一个由sindresorhus维护的GitHub列表，该列表收集和整理了来自博客、回答和用户反馈的公共数据集。这些数据集大多数是免费的，但也有一些不是。该数据集的创建旨在为研究人员提供方便，使其能够轻松地访问和利用这些数据集。自其创建以来，它已经成为数据科学和机器学习社区中一个重要的资源库，对相关领域的研究产生了积极的影响。

当前挑战

尽管Awesome Public Datasets提供了大量的数据集，但在使用这些数据集时仍然面临一些挑战。首先，数据集的质量和一致性各不相同，这给数据的预处理和整合带来了困难。其次，部分数据集的版权和使用权不明确，可能存在法律和伦理问题。此外，数据集的更新和维护也是一个挑战，因为随着时间的推移，一些数据集可能会过时或不再可用。

常用场景

经典使用场景

Awesome Public Datasets作为一个全面的数据集清单，其经典使用场景主要是在学术研究和数据分析领域。研究者可以根据清单找到所需的数据集，进行各种学科的研究，例如生物学、气候学、复杂网络分析、计算机视觉等。

解决学术问题

该数据集解决了一系列学术研究问题，如提供生物学研究中的基因序列数据、气候研究中的历史天气记录、网络科学研究中的社交网络数据等。这些数据集帮助研究者避免了数据收集的复杂性，能够更专注于研究本身，提高了学术研究的效率和质量。

衍生相关工作

基于Awesome Public Datasets，衍生出了许多相关的工作。例如，研究者可能会使用这些数据集来训练机器学习模型，发表新的研究成果，或者开发新的数据分析工具。这些工作进一步扩展了数据集的应用范围，推动了相关领域的发展。