awesome-public-datasets

一个主题中心的高质量公开数据集列表，涵盖农业、生物学等多个领域。

A high-quality open dataset list centered around various themes, covering multiple fields such as agriculture and biology.

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): 癌症细胞系数据。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 基因组数据。
• 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: 基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• 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: 人类基因组多样性数据。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• 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: 生物动态系统科学数据库。
• The Cancer Genome Atlas (TCGA): 癌症基因组图谱。
• The Catalogue of Life: 生物物种目录。
• 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: 基因簇数据库。
• Universal Protein Resource (UnitProt): 蛋白质资源。

气候/天气

• Actuaries Climate Index: 气候指数数据。
• 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: 东英吉利大学气候数据。
• 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: 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: 东英吉利大学气候研究中心数据。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 全球历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: 数字对象唯一标识符URL。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 国家经济研究局专利引用数据。
• 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: Python包索引和Maven依赖网络。
• Scopus Citation Database: 斯高帕斯引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图库。
• 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10万名用户的535亿次网页点击。
• 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。
• 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: 推动数据竞赛以促进社会公益。
• ICWSM Data Challenge (since 2009): 国际万维网会议数据挑战。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 2012年腾讯KDD杯。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖赛数据。
• Space Apps Challenge: 太空应用挑战赛。
• 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: 马里兰大学经济学数据。
• 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: 国际经济学数据库。
• 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: 巴黎政治学院世界贸易引力数据集。
• The Atlas of Economic Complexity: 经济复杂性图谱。
• 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: 大学记分卡数据。
• Student Data from Free Code Camp: 免费编程营学生数据。

能源

• AMPds: 自动计量数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 组合能效数据集。
• Dataport: 数据港能效数据。
• DRED: 分布式资源能源数据。
• ECO: 能效数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能效数据。
• HFED: 家庭能效数据集。
• iAWE: 智能建筑能效数据集。
• PLAID: 插件负载设备识别数据集。
• REDD: 住宅能效数据集。
• Tracebase: 能效跟踪数据集。
• UK-DALE: 英国能效数据集。
• WHITED: 白盒能效数据集。

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: 安达外汇数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: 金融和经济数据平台。
• St Louis Federal: 圣路易斯联邦储备银行数据。
• Yahoo Finance: 雅虎财经数据。

GIS

• ArcGIS Open Data portal: ArcGIS开放数据门户。
• Cambridge, MA, US, GIS data on GitHub: 剑桥市GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• 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: 全球地理名称数据。
• 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: 所有国家名称列表。
• 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: 古代地点地名录和图谱。
• 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: 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: 时区形状文件。
• 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.: 基因组数据共享平台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 - 大型生理数据档案。
• Medicare Coverage Database (MCD), U.S.: 美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: 医疗保险数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: 医学主题词表。
• 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。
• Open-ODS (structure of the UK NHS): 英国国民健康服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 医疗保险财务关系数据。
• 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察站。

图像处理

• 10k US Adult Faces Database: 10,000名美国成年人面部数据库。
• 2GB of Photos of Cats: 2GB的猫照片。
• Adience Unfiltered faces for gender and age classification: Adience未过滤面部数据集。
• Affective Image Classification: 情感图像分类数据。
• Animals with attributes: 带有属性的动物图像数据集。
• Caltech Pedestrian Detection Benchmark: 加州理工学院行人检测基准数据。
• 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: 32类品牌标志数据。
• GDXray: X-ray images for X-ray testing and Computer Vision: GDXray X射线图像数据。
• ImageNet (in WordNet hierarchy): 图像网络数据集。
• Indoor Scene Recognition: 室内场景识别数据。
• International Affective Picture System, UFL: 国际情感图片系统。
• Massive Visual Memory Stimuli, MIT: 大规模视觉记忆刺激数据。
• MNIST database of handwritten digits, near 1 million examples: MNIST手写数字数据库。
• Several Shape-from-Silhouette Datasets: 多个形状从轮廓数据集。
• Stanford Dogs Dataset: 斯坦福犬类数据集。
• SUN database, MIT: 斯坦福大学场景理解数据库。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标记挑战。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• **Viol

搜集汇总

数据集介绍

构建方式

在数据科学领域，高质量的数据集是研究的基础。‘awesome-public-datasets’数据集的构建采取了一种全面的梳理与整合策略，通过收集互联网上公开可用的数据集，涵盖多个学科与领域，旨在为研究人员提供一个便捷的资源索引库。

特点

该数据集的特色在于其内容的广泛性与易用性。它不仅包含结构化数据，亦囊括非结构化数据，如文本、图像和音频等。每一数据集都附有详细描述，便于用户理解与选择，同时，数据的开源性质保证了其更新与维护的活力。

使用方法

用户可以通过数据集提供的分类体系快速定位所需资源，并通过链接直接访问原始数据集。此外，该数据集的README文件中提供了每个数据集的基本信息和使用说明，用户在使用前应仔细阅读，确保合规合法地利用数据，尊重数据版权和隐私政策。

背景与挑战

背景概述

在数据科学和机器学习领域，高质量的数据集对于算法模型的训练与验证至关重要。'awesome-public-datasets' 数据集，创建于近年，由数据科学社区成员集体维护，旨在收集和整理各领域中公开可用的优质数据集。该数据集涵盖了从自然语言处理到生物信息学等多个领域，极大地促进了数据共享与科研合作，为研究人员提供了宝贵的资源。其主要研究人员和机构难以明确指认，因其集合了全球范围内的公开数据集，对推动相关领域的学术研究和应用开发产生了深远影响。

当前挑战

尽管 'awesome-public-datasets' 数据集为科研人员提供了极大的便利，但在实际应用中仍面临诸多挑战。首先，数据集的多样性和规模带来了数据清洗、整合和标注的难题，这些工作需要大量的人力和时间投入。其次，数据隐私和版权问题亦不容忽视，尤其是在涉及个人敏感信息的数据集中。此外，随着数据集不断更新，如何保证数据集的质量和一致性，以及如何高效地管理和维护这些数据集，成为了数据集持续发展的重要挑战。

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'数据集被广泛用于搜集和整理各类公开数据资源。其经典使用场景在于为研究人员提供了一个全面的数据集清单，便于他们根据特定需求快速定位和访问相关数据，从而加速模型训练和算法验证的过程。

解决学术问题

该数据集解决了学术研究中数据来源分散、难以检索和整合的问题。它通过构建一个包含多种类型数据集的索引，使得研究者能够高效地寻找适用于各种学术研究的数据资源，极大提升了研究的便利性和效率。

衍生相关工作

基于'awesome-public-datasets'，研究人员衍生出了一系列相关工作，包括数据集的整合与清洗、数据集的评估与比较研究，以及针对特定领域构建的专门数据集。这些工作进一步丰富了数据科学领域的工具和方法论，为后续研究提供了坚实的基础。