awesome-public-datasets

这是一个包含高质量公共数据集的列表，涵盖了农业、生物学、气候/天气、复杂网络等多个领域的数据集。

This is a list of high-quality public datasets, encompassing various fields such as agriculture, biology, climate/weather, complex networks, and more.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database
  • 链接: http://www.plants.usda.gov/dl_all.html

生物学

• 1000 Genomes
  • 链接: http://www.1000genomes.org/data
• Collaborative Research in Computational Neuroscience (CRCNS)
  • 链接: http://crcns.org/data-sets
• Gene Expression Omnibus (GEO)
  • 链接: http://www.ncbi.nlm.nih.gov/geo/
• Human Microbiome Project (HMP)
  • 链接: http://www.hmpdacc.org/reference_genomes/reference_genomes.php
• American Gut (Microbiome Project)
  • 链接: https://github.com/biocore/American-Gut
• ICOS PSP Benchmark
  • 链接: http://www.infobiotic.net/PSPbenchmarks/
• MIT Cancer Genomics Data
  • 链接: http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi
• NIH Microarray data (FTP)
  • 链接: http://bit.do/VVW6
• Protein Data Bank
  • 链接: http://pdb.org/
• PubChem Project
  • 链接: https://pubchem.ncbi.nlm.nih.gov/
• PubGene (now Coremine Medical)
  • 链接: http://www.pubgene.org/
• Stanford Microarray Data
  • 链接: http://smd.stanford.edu/
• The Personal Genome Project
  • 链接: http://www.personalgenomes.org/
  • 或 https://my.pgp-hms.org/public_genetic_data
• UCSC Public Data
  • 链接: http://hgdownload.soe.ucsc.edu/downloads.html
• UniGene
  • 链接: http://www.ncbi.nlm.nih.gov/unigene

气候/天气

• Australian Weather
  • 链接: http://www.bom.gov.au/climate/dwo/
• Brazilian Weather - Historical data (In Portuguese)
  • 链接: http://sinda.crn2.inpe.br/PCD/SITE/novo/site/
• Canadian Meteorological Centre
  • 链接: https://weather.gc.ca/grib/index_e.html
• Climate Data from UEA (updated monthly)
  • 链接: http://www.cru.uea.ac.uk/cru/data/temperature/
  • 和 ftp://ftp.cmdl.noaa.gov/
• Global Climate Data Since 1929
  • 链接: http://www.tutiempo.net/en/Climate
• NASA Global Imagery Browse Services
  • 链接: https://wiki.earthdata.nasa.gov/display/GIBS
• NOAA Bering Sea Climate
  • 链接: http://www.beringclimate.noaa.gov/
• NOAA Climate Datasets
  • 链接: http://ncdc.noaa.gov/data-access/quick-links
• NOAA Realtime Weather Models
  • 链接: http://www.ncdc.noaa.gov/data-access/model-data/model-datasets/numerical-weather-prediction
• The World Bank Open Data Resources for Climate Change
  • 链接: http://data.worldbank.org/developers/climate-data-api
• UEA Climatic Research Unit
  • 链接: http://www.cru.uea.ac.uk/data
• WU Historical Weather Worldwide
  • 链接: http://www.wunderground.com/history/index.html

复杂网络

• CrossRef DOI URLs
  • 链接: https://archive.org/details/doi-urls
• DBLP Citation dataset
  • 链接: https://kdl.cs.umass.edu/display/public/DBLP
• NBER Patent Citations
  • 链接: http://nber.org/patents/
• NIST complex networks data collection
  • 链接: http://math.nist.gov/~RPozo/complex_datasets.html
• Small Network Data
  • 链接: http://www-personal.umich.edu/~mejn/netdata/
• UCI Network Data Repository
  • 链接: https://networkdata.ics.uci.edu/resources.php
• Protein-protein interaction network
  • 链接: http://vlado.fmf.uni-lj.si/pub/networks/data/bio/Yeast/Yeast.htm
• PyPI and Maven Dependency Network
  • 链接: http://ogirardot.wordpress.com/2013/01/31/sharing-pypimaven-dependency-data/
• Scopus Citation Database
  • 链接: http://www.elsevier.com/online-tools/scopus
• Stanford GraphBase (Steven Skiena)
  • 链接: http://www3.cs.stonybrook.edu/~algorith/implement/graphbase/implement.shtml
• Stanford Large Network Dataset Collection
  • 链接: http://snap.stanford.edu/data/
• The Koblenz Network Collection
  • 链接: http://konect.uni-koblenz.de/
• The Laboratory for Web Algorithmics (UNIMI)
  • 链接: http://law.di.unimi.it/datasets.php
• The Nexus Network Repository
  • 链接: http://nexus.igraph.org/
• UCI Network Data Repository
  • 链接: http://networkdata.ics.uci.edu/resources.php
• UFL sparse matrix collection
  • 链接: http://www.cise.ufl.edu/research/sparse/matrices/
• WSU Graph Database
  • 链接: http://www.eecs.wsu.edu/mgd/gdb.html

计算机网络

• 3.5B Web Pages from CommonCraw 2012
  • 链接: http://www.bigdatanews.com/profiles/blogs/big-data-set-3-5-billion-web-pages-made-available-for-all-of-us
• 53.5B Web clicks of 100K users in Indiana Univ.
  • 链接: http://cnets.indiana.edu/groups/nan/webtraffic/click-dataset
• CAIDA Internet Datasets
  • 链接: http://www.caida.org/data/overview/
• ClueWeb09 - 1B web pages
  • 链接: http://lemurproject.org/clueweb09/
• ClueWeb12 - 733M web pages
  • 链接: http://lemurproject.org/clueweb12/
• CommonCrawl Web Data over 7 years
  • 链接: http://commoncrawl.org/the-data/get-started/
• CRAWDAD Wireless datasets from Dartmouth Univ.
  • 链接: http://crawdad.cs.dartmouth.edu/
• Criteo click-through data
  • 链接: http://labs.criteo.com/2015/03/criteo-releses-its-new-dataset/
• Open Mobile Data by MobiPerf
  • 链接: https://console.developers.google.com/storage/openmobiledata_public/
• UCSD Network Telescope, IPv4 /8 net
  • 链接: http://www.caida.org/projects/network_telescope/

数据挑战

• Challenges in Machine Learning
  • 链接: http://www.chalearn.org/
• D4D Challenge of Orange
  • 链接: http://www.d4d.orange.com/en/home
• DrivenData Competitions for Social Good
  • 链接: http://www.drivendata.org/
• ICWSM Data Challenge (since 2009)
  • 链接: http://icwsm.cs.umbc.edu/
• Kaggle Competition Data
  • 链接: http://www.kaggle.com/
• KDD Cup by Tencent 2012
  • 链接: https://www.kddcup2012.org/
• Localytics Data Visualization Challenge
  • 链接: https://github.com/localytics/data-viz-challenge
• Netflix Prize
  • 链接: http://www.netflixprize.com/leaderboard
• Space Apps Challenge
  • 链接: https://www.spaceappschallenge.org/
• Telecom Italia Big Data Challenge
  • 链接: https://dandelion.eu/datamine/open-big-data/
• Yelp Dataset Challenge
  • 链接: http://www.yelp.com/dataset_challenge

经济学

• American Economic Ass (AEA)
  • 链接: http://www.aeaweb.org/RFE/toc.php?show=complete
• EconData from UMD
  • 链接: http://inforumweb.umd.edu/econdata/econdata.html
• Internet Product Code Database
  • 链接: http://www.upcdatabase.com/

能源

• AMPds
  • 链接: http://ampds.org/
• BLUEd
  • 链接: http://nilm.cmubi.org/
• COMBED
  • 链接: http://combed.github.io/
• Dataport
  • 链接: https://dataport.pecanstreet.org/
• ECO
  • 链接: http://www.vs.inf.ethz.ch/res/show.html?what=eco-data
• EIA
  • 链接: http://www.eia.gov/electricity/data/eia923/
• HFED
  • 链接: http://hfed.github.io/
• iAWE
  • 链接: http://iawe.github.io/
• Plaid
  • 链接: http://plaidplug.com/
• REDD
  • 链接: http://redd.csail.mit.edu/
• UK-Dale
  • 链接: [http://www.doc.ic.ac.uk/~dk3810/data/](http://www.doc.ic.ac.uk/~dk38

搜集汇总

数据集介绍

构建方式

该数据集是一个收集自博客、回答和用户响应的公开数据源列表，大多数数据集是免费的，但也有一些不是。它包含了各种领域的数据集，如农业、生物学、气候/天气、复杂网络、计算机网络等，涵盖了从学术研究到公共数据的多个方面。

特点

数据集的特点在于其多样性和公开性，包含了大量免费的数据资源，涉及多个学科和领域。它不断更新，包含了各种格式和类型的数据集，从原始数据到经过处理的数据集都有所涵盖。

使用方法

用户可以通过数据集提供的链接访问和下载数据。每个数据集通常都包含了详细的描述和使用说明，用户可以根据自己的需求选择合适的数据集。对于一些特定的数据集，可能需要注册或者遵守特定的使用条款。

背景与挑战

背景概述

‘awesome-public-datasets’是一个由博客、回答和用户响应收集而来的公共数据集列表。该数据集涵盖了许多领域，包括农业、生物学、气候/天气、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、心理学/认知科学、公共领域、搜索引擎、社会科学等。它由Caesar0301于2017年创建，并托管在GitHub上，目的是为了方便研究人员和开发者找到并使用这些公共数据集。

当前挑战

该数据集的构建过程中遇到了多个挑战，主要包括：1) 数据集的多样性和异构性，涉及不同领域和格式的数据集整合；2) 数据集的质量控制和准确性验证；3) 数据集的更新和维护。此外，该数据集在解决领域问题方面也面临挑战，如确保数据集的适用性和有效性，以及如何将数据集应用于实际问题中。

常用场景

经典使用场景

‘awesome-public-datasets’是一个汇总了众多公开数据集的清单，其经典使用场景在于为研究者提供一站式的资源查找服务，方便他们快速定位到所需的数据集，进而开展数据分析和科学研究。

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、分析工具的开发、以及针对特定领域的数据挖掘和模型构建等。

数据集最近研究

最新研究方向

该数据集涵盖了多个领域的大量公共数据集，最新研究方向主要集中在数据挖掘、机器学习、自然语言处理、社会网络分析等方面。研究者们利用这些数据进行探索，以提取有价值的信息，推动相关领域的发展。