awesome-public-datasets

一个包含高质量开放数据集的精选列表，这些数据集来自公共领域，且持续更新中。

A curated list of high-quality open datasets sourced from the public domain, continuously updated.

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链接。

生物学

• 1000 Genomes: 提供人类基因组数据。
• American Gut (Microbiome Project): 美国肠道项目，研究人体微生物组。
• 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: 非哺乳动物基因组数据库。
• 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。
• 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: 麻省理工学院的癌症基因组数据。
• NCBI Proteins: 美国国家生物技术信息中心的蛋白质数据库。
• NCBI Taxonomy: 生物分类数据库。
• 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: 化学信息数据库。
• PubGene (now Coremine Medical): 医学基因数据库。
• 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学项目。
• 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: 欧洲气候评估和数据集。
• 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的白令海气候数据。
• 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: 世界银行关于气候变化的开源数据资源。
• UEA Climatic Research Unit: 东英吉利大学气候研究中心。
• 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: 引用网络数据集。
• CrossRef DOI URLs: 学术出版物的DOI链接。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• NBER Patent Citations: 国家经济研究局的专利引用数据。
• Network Repository with Interactive Exploratory Analysis Tools: 网络存储库及交互式探索分析工具。
• NIST complex networks data collection: 国家标准与技术研究院的复杂网络数据集。
• 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): 斯坦福图基。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集集合。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络集合。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室。
• The Nexus Network Repository: 网络关系存储库。
• 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集合。
• WSU Graph Database: 华盛顿州立大学图数据库。
• DIMACS Road Networks Collection: 迪马克斯道路网络集合。

计算机网络

• 3.5B Web Pages from CommonCraw 2012: 2012年CommonCraw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年来的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的点击率数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7的互联网扫描数据。
• 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: 推动数据竞赛以促进社会公益。
• 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: 2012年腾讯KDD杯。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖。
• Space Apps Challenge: 太空应用挑战。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• 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: 来自Free Code Camp的学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 组合能效数据集。
• Dataport: 能源数据港口。
• DRED: 分布式可再生能源数据集。
• ECO: 能效数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能源研究。
• HFED: 家庭能效数据集。
• iAWE: 智能建筑能效数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源使用跟踪数据集。
• UK-DALE: 英国家庭能源数据集。
• WHITED: 白光能效数据集。

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。
• OANDA: 外汇交易数据。
• 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。
• NYSE Market Data: 纽约证券交易所市场数据。

GIS

• Cambridge, MA, US, GIS data on GitHub: 美国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: 全球地理名称数据库。
• 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: 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: 古地点的地名录和图。
• 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: 美国边界和道路的TIGER/Line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

• OpenDataSofts list of 1,600 open data portals: OpenDataSoft列出的1600个开放数据门户。
• A list of cities and countries contributed by community: 社区贡献的城市和国家列表。

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。
• Medicare Coverage Database (MCD), U.S.: 美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: medicare.gov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: PubMed使用的MeSH词汇叙词表。
• 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（2014年）。
• Open-ODS (structure of the UK NHS): 英国国家医疗服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 开放支付数据，医疗保健财务关系数据。
• 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美国成人面部数据库。
• 2GB of Photos of Cats: 2GB的猫照片。
• Affective Image Classification: 情感图像分类。
• Animals with attributes: 带有属性的动物图像。
• Face Recognition Benchmark: 面部识别基准。
• ImageNet (in WordNet hierarchy): 基于WordNet层次结构的ImageNet。
• Indoor Scene Recognition: 室内场景识别。
• International Affective Picture System, UFL: 国际情感图片系统，佛罗里达大学。
• Massive Visual Memory Stimuli, MIT: 麻省理工学院的大规模视觉记忆刺激。
• Several Shape-from-Silhouette Datasets: 几个从轮廓恢复形状的数据集。
• Stanford Dogs Dataset: 斯坦福犬类数据集。
• SUN database, MIT: 麻省理工学院的SUN数据库。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• YouTube Faces Database: YouTube面部数据库。
• Adience Unfiltered faces for gender and age classification: Adience未过滤的面部性别和年龄分类。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标记挑战。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 暴力流 - 人群暴力/非暴力数据库和基准。

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto): 多伦多大学的分类和回归数据集。
• Discogs Monthly Data: Discogs每月数据。
• eBay Online Auctions (2012): 2012年eBay在线拍卖数据。
• IMDb Database: IMDb数据库。
• Keel Repository for classification, regression and time series: KEEL存储库，用于分类、回归和时间序列。
• Labeled Faces in the Wild (LFW): 野外标记面部数据集。
• **Lending Club

搜集汇总

数据集介绍

构建方式

awesome-public-datasets数据集是通过广泛收集和整理来自博客、问答平台以及用户反馈的公开数据源构建而成。该数据集涵盖了多个领域，包括农业、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、政府、医疗保健、图像处理、机器学习等。每个领域的数据源都经过精心筛选和分类，确保数据的多样性和广泛性。

特点

该数据集的特点在于其广泛的覆盖范围和高质量的数据源。它不仅包含了大量的免费数据集，还提供了一些付费数据集的链接，方便用户根据需求选择。此外，数据集的结构清晰，按领域分类，便于用户快速找到所需数据。每个数据源都附有详细的描述和链接，确保用户能够轻松访问和使用。

使用方法

使用awesome-public-datasets数据集时，用户可以通过浏览README文件中的目录，快速定位到感兴趣的领域。每个领域下都列出了多个数据源的链接，用户可以根据需求点击链接访问具体的数据集。对于需要进一步处理的数据，用户可以直接下载或通过API接口获取。此外，数据集还提供了相关的工具和资源链接，帮助用户更好地理解和分析数据。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个广泛收集和整理公共数据资源的项目，涵盖了从农业、生物学到气候、经济等多个领域的数据集。该项目由GitHub用户caesar0301于2014年发起，旨在为研究人员和开发者提供一个便捷的公共数据资源索引。通过整合来自博客、问答平台和用户反馈的数据集，awesome-public-datasets 成为了一个跨学科的数据集集合，极大地促进了数据科学和机器学习领域的研究与应用。该数据集的影响力不仅体现在其广泛的数据覆盖范围，还在于其为学术界和工业界提供了一个统一的数据获取平台，推动了数据驱动的科学研究和技术创新。

当前挑战

awesome-public-datasets 数据集面临的主要挑战包括数据集的多样性和数据质量的保证。首先，由于数据集来源广泛，涉及多个领域，数据格式和标准不统一，导致数据整合和预处理工作复杂。其次，部分数据集并非免费提供，可能限制了部分研究者的使用。此外，数据集的更新和维护也是一个重要问题，随着时间推移，部分数据可能过时或失效，需要持续跟踪和更新。最后，数据集的标注和元数据信息不完整，可能影响数据的使用效率和准确性。这些挑战要求数据集的管理者不断优化数据集的整理和维护流程，以确保其持续为研究社区提供高质量的数据支持。

常用场景

经典使用场景

awesome-public-datasets 数据集广泛应用于学术研究和工业界的数据分析项目中。该数据集汇集了来自多个领域的公开数据源，涵盖了从生物学、气候学到经济学等多个学科。研究人员和开发者可以利用这些数据集进行数据挖掘、机器学习模型的训练和验证，以及进行跨学科的综合性研究。

实际应用

在实际应用中，awesome-public-datasets 被广泛用于商业智能、市场分析、环境监测和公共政策制定等领域。例如，企业可以利用该数据集中的经济数据来分析市场趋势，政府机构可以借助气候数据来制定应对气候变化的政策。此外，该数据集还为数据科学家和工程师提供了丰富的资源，用于开发智能应用和优化算法。

衍生相关工作

awesome-public-datasets 衍生了许多经典的研究工作，尤其是在机器学习和数据科学领域。例如，基于该数据集中的生物医学数据，研究者开发了多种疾病预测模型和药物发现算法。此外，该数据集还促进了多个开源工具和框架的发展，如数据可视化工具和自动化数据处理平台，进一步推动了数据科学社区的创新和合作。