公共数据集列表

这是一个包含多个领域高质量公开数据集的列表，数据集来源广泛，涵盖农业、生物学、气候等多个领域。

This is a list of high-quality open datasets spanning multiple domains, with sources covering a wide range of fields including agriculture, biology, climate, and more.

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: 提供人类基因组数据。
• American Gut (Microbiome Project): 美国肠道项目，研究人类肠道微生物。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像基准集合。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 完整基因组公共数据。
• EBI ArrayExpress: 欧洲生物信息学研究所的基因表达数据。
• EBI Protein Data Bank in Europe: 欧洲蛋白质数据库。
• 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: 非哺乳类基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论数据库。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据库。
• Harvard Medical School (HMS) LINCS Project: 哈佛医学院的LINCS项目。
• Human Genome Diversity Project: 人类基因组多样性项目。
• Human Microbiome Project (HMP): 人类微生物组项目。
• ICOS PSP Benchmark: 图像分类基准数据集。
• International HapMap Project: 国际人类基因组单体型图计划。
• Journal of Cell Biology DataViewer: 细胞生物学数据查看器。
• MIT Cancer Genomics Data: 麻省理工学院癌症基因组数据。
• NCBI Proteins: 国家生物技术信息中心的蛋白质数据库。
• NCBI Taxonomy: 国家生物技术信息中心的分类数据库。
• NIH Microarray data: 美国国立卫生研究院的微阵列数据。
• 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。
• Psychiatric Genomics Consortium: 精神病基因组学联盟。
• PubChem Project: 公共化学数据库。
• PubGene (now Coremine Medical): 生物医学文献数据库。
• 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): 序列读取档案。
• Stanford Microarray Data: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: 斯托尔斯研究所原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学系统科学数据库。
• The Cancer Genome Atlas (TCGA), available via Broad GDAC: 癌症基因组图谱。
• The Catalogue of Life: 生命目录。
• 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。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因序列数据库。

气候/天气

• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system: 航空天气中心数据。
• Brazilian Weather - Historical data (In Portuguese): 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA (updated monthly): 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: 美国国家海洋和大气管理局的Bering海气候数据。
• NOAA Climate Datasets: 美国国家海洋和大气管理局的气候数据集。
• NOAA Realtime Weather Models: 美国国家海洋和大气管理局的实时天气模型。
• 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。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 世界历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 学术引用网络数据集。
• CrossRef DOI URLs: 学术出版物DOI链接。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• NBER Patent Citations: 美国国家经济研究局的专利引用数据。
• 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: 美国国家标准与技术研究院复杂网络数据收集。
• Protein-protein interaction network: 蛋白质相互作用网络。
• PyPI and Maven Dependency Network: Python包和Maven依赖网络。
• Scopus Citation Database: 学术数据库Scopus的引用数据。
• Small Network Data: 小型网络数据集。
• Stanford GraphBase (Steven Skiena): 斯坦福图基（Steven Skiena）。
• 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: Koblenz网络收集。
• The Laboratory for Web Algorithmics (UNIMI): 米兰大学网络算法实验室。
• The Nexus Network Repository: Nexus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。
• DIMACS Road Networks Collection: DIMACS道路网络收集。

计算机网络

• 3.5B Web Pages from CommonCraw 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的点击通过数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7的Sonar互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校的网络望远镜数据。

上下文数据

• Context-aware data sets from five domains: 五个领域的上下文感知数据集。

数据挑战

• Challenges in Machine Learning: 机器学习挑战。
• CrowdANALYTIX dataX: CrowdANALYTIX的数据挑战。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: DrivenData的社会公益竞赛。
• 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年的KDD杯。
• Localytics Data Visualization Challenge: Localytics的数据可视化挑战。
• Netflix Prize: Netflix奖。
• Space Apps Challenge: 太空应用挑战。
• Telecom Italia Big Data Challenge: 意大利电信的大数据挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。
• Bruteforce Database: 暴力破解数据库。

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: 英国海洋数据中心的数据。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: 美国宇航局的地球观测系统数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋探索的开放海洋学数据。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼学会的全球火山和喷发数据库。
• USGS Earthquake Archives: 美国地质调查局的地震档案。

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: 联合外部债务数据中心。
• Jon Haveman International Trade Data Links: Jon Haveman的国际贸易数据链接。
• 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: SciencesPo的世界贸易重力数据集。
• 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

• Student Data from Free Code Camp: 免费编程营的学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑物能源使用数据集。
• COMBED: 能源使用数据集。
• Dataport: 能源数据集。
• DRED: 能源使用数据集。
• ECO: 能源使用数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能源研究。
• HFED: 能源使用数据集。
• iAWE: 能源使用数据集。
• PLAID: 插头负载设备识别数据集。
• REDD: 住宅能源使用数据集。
• Tracebase: 能源使用数据集。
• UK-DALE: 英国家庭能源使用数据集。
• WHITED: 能源使用数据集。

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。
• St Louis Federal: 圣路易斯联邦储备银行数据。
• Yahoo Finance: 雅虎财经数据。
• NYSE Market Data: 纽约证券交易所市场数据。

GIS

• Planet.Parts: List of Near-Realtime Earth Observation Data Sources: 近实时地球观测数据源列表。
• Global Landcover Data Time Series (1992-2015): 1992-2015年全球土地覆盖数据时间序列。
• Worldwide data discovery portal: 全球数据发现门户。
• Cambridge, MA, US, GIS data on GitHub: 马萨诸塞州剑桥市的GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• Geo Spatial Data from ASU: 亚利桑那州立大学的GIS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 - 提取到各种格式和区域的OSM数据。
• GeoNames Worldwide: 全球地理名称。
• Global Administrative Areas Database (GADM): 全球行政区域数据库。
• Homeland Infrastructure Foundation-Level Data: 国土基础设施基础数据。
• HydroSHEDS: Global hydrographic data at 90m resolution: 90米分辨率的全球水文数据。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• Data browser for Landsat 8 and Sentinel 2: Landsat 8和Sentinel 2数据浏览器。
• List of all countries in all languages: 所有国家在所有语言中的列表。
• 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, including elevation: 自然地球 - 世界向量和光栅，包括高程。
• Additional sources of elevation data: 高程数据的其他来源。
• OpenAddresses: 开放地址。
• OpenStreetMap (OSM): 开放街道地图。
• Pleiades - Gazetteer and graph of ancient places: 古代地点的目录和图。
• Reverse Geocoder using OSM data: 使用OSM数据的反向地理编码器。
• 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: 美国国务院的世界边界。
• World countries in multiple formats: 多种格式的世界国家。

GIS - 区域

GIS - 美国 """"""""""""""""""""

• US Hydrography (Rivers, Lakes, etc) - NHDPlus: 美国水文（河流、湖泊等）- NHDPlus。
• TIGER/Line - U.S. boundaries and roads: TIGER/Line - 美国边界和道路。
• National Land Cover Dataset: 国家土地覆盖数据集。
• Protected Areas Dataset (PAD-US): 保护区数据集。
• Estimated Private Domestic Wells: 估计的私人国内井。
• USGS Water Flow Data: 美国地质调查局的水流数据。
• USGS National Map Viewer (Find other data): 美国地质调查局的全国地图查看器。
• American Factfinder: Census data (demographics, economic, etc): 美国事实查找器：人口普查数据（人口统计、经济等）。
• NRCS Geospatial Data Gateway (climate, geology, soils, imagery, and more): 自然资源保护服务的空间数据网关。
• eDNA Species Occurence Database: 环境DNA物种出现数据库。

GIS - 加利福尼亚 """"""""""""""""""""""""""""

• California Open Data Portal: 加利福尼亚开放数据门户。
• Natural Resources Agency Data Portal: 自然资源机构数据门户。
• Department of Conservation Map Viewer: 保护部门地图查看器。
• DWR Crop Land Use Maps: 水资源部作物土地使用地图。
• CalEnviroScreen: 加利福尼亚环境筛查工具。
• CEC all power plants: 加利福尼亚能源委员会所有发电厂。
• CEC Hydropower: 加利福尼亚能源委员会水力发电。
• Historical (2000-) wholesale electricity prices: 2000年以来的批发电力价格历史数据。
• Generation sources: 发电来源。
• Seafloor mapping lab: bathymetry portal: 海底测绘实验室：水深门户。
• CDEC: 加利福尼亚能源数据报告。
• USGS daily streamflow: 美国地质调查局每日流量。
• USGS all sites: 美国地质调查局所有站点。
• NRCS snotel site data: 自然资源保护服务SNOTEL站点数据。
• NOAA Historical precip/temp: 美国国家海洋和大气管理局历史降水/温度。
• DWR Full Natural Flows 1922-2003: 水资源部1922-2003年全自然流量。
• NOAA/NWS RFC Archive: 美国国家海洋和大气管理局/国家气象局河流预报中心档案。
• Paleo Reconstruction: 古重建。
• Dayflow (Delta outflows): 日流量（三角洲流出量）。

搜集汇总

数据集介绍

构建方式

公共数据集列表的构建源于对各类博客、问答平台及用户反馈的广泛收集与整理。该数据集涵盖了多个领域，包括农业、生物学、气候与天气、复杂网络、计算机网络、经济学、教育、能源、金融、地理信息系统等。每个领域的数据源均经过精心筛选与分类，确保其权威性与实用性。数据集的构建过程注重数据的多样性与覆盖面，旨在为研究人员提供全面且易于访问的公共数据资源。

特点

公共数据集列表的特点在于其广泛的数据覆盖范围与高度的可访问性。该数据集不仅包含了多个学科领域的核心数据源，还特别标注了数据的免费或付费属性，方便用户根据需求进行选择。此外，数据集的结构清晰，按照领域分类排列，便于用户快速定位所需资源。每个数据源均附有详细的链接与简要说明，进一步提升了数据的使用效率与便捷性。

使用方法

使用公共数据集列表时，用户可根据自身研究需求，通过分类导航快速定位相关领域的数据源。每个数据源均提供了直接访问链接，用户可点击链接进入数据提供方的官方网站或数据下载页面。对于需要进一步筛选的数据，用户可参考数据集中的简要说明，了解数据的具体内容与适用场景。此外，数据集还提供了部分数据的FTP链接或API接口，方便用户进行批量下载或自动化处理。

背景与挑战

背景概述

公共数据集列表是一个广泛收集和整理各类公开数据资源的项目，涵盖了农业、生物学、气候、复杂网络、计算机网络、经济学、教育、能源、金融、地理信息系统（GIS）等多个领域。该项目最初由GitHub用户caesar0301发起，旨在为研究人员、开发者和数据科学家提供一个便捷的数据资源索引。通过整合来自博客、问答平台和用户反馈的数据源，该列表不仅包含了大量免费数据集，还收录了部分付费资源。自创建以来，公共数据集列表已成为数据科学和机器学习领域的重要参考工具，极大地促进了跨学科研究和数据驱动的创新。

当前挑战

公共数据集列表在构建和应用过程中面临多重挑战。首先，数据集的多样性和广泛性使得其质量参差不齐，部分数据集可能存在数据缺失、格式不统一或更新不及时的问题，这为数据预处理和分析带来了困难。其次，尽管大多数数据集是免费的，但部分资源需要付费或受限于访问权限，这在一定程度上限制了其可用性。此外，随着数据科学的快速发展，如何持续更新和维护这一庞大的数据集列表，确保其时效性和准确性，也是一个亟待解决的问题。最后，跨领域数据集的应用场景复杂多样，如何有效地整合和利用这些数据，以满足不同研究需求，仍是一个重要的技术挑战。

常用场景

经典使用场景

公共数据集列表广泛应用于跨学科研究，特别是在生物学、气候学和经济学等领域。研究者通过该数据集获取高质量的公开数据，进行数据挖掘、模型训练和验证。例如，在生物学研究中，1000 Genomes和ENCODE项目的数据被用于基因组分析和功能注释；在气候学领域，NASA和NOAA提供的气候数据被用于全球气候变化模型的构建和预测。

解决学术问题

该数据集解决了学术研究中数据获取难、数据质量参差不齐的问题。通过整合来自多个权威机构的公开数据，研究者能够便捷地访问到标准化、高可信度的数据资源。例如，在癌症基因组学研究中，The Cancer Genome Atlas (TCGA)提供了全面的癌症基因组数据，极大地推动了癌症分子机制的研究和个性化治疗的发展。

衍生相关工作

该数据集衍生了许多经典的研究工作。例如，基于1000 Genomes数据的研究揭示了人类基因组多样性的分布规律；利用ENCODE项目的数据，研究者开发了新的基因功能预测算法。此外，Netflix Prize数据集推动了推荐系统算法的创新，成为机器学习领域的经典案例。