awesome-public-datasets

一个高质量公开数据集的精选列表，涵盖多个领域，如农业、生物学等。

A curated list of high-quality public datasets spanning various fields such as agriculture, biology, 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链接。

生物学

• 1000 Genomes: 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。
• Collaborative Research in Computational Neuroscience (CRCNS): 计算神经科学合作研究。
• 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): 电子显微镜图像存档。
• ENCODE project: 基因组功能注释项目。
• Ensembl Genomes: 基因组浏览器。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论。
• 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。
• 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。
• NeuroData: 神经科学数据。
• 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): 医学相关的基因数据库。
• 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项目。
• Sequence Read Archive(SRA): 序列读取存档。
• 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仓库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学系统科学数据库。
• Temple University Hospital EEG Database: 坦普尔大学医院脑电图数据库。
• 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: 基因集合。

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。
• 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: 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。
• 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: 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。
• Stanford GraphBase (Steven Skiena): 斯坦福图基。
• Stanford Large Network Dataset Collection: 斯坦福大学大型网络数据集收集。
• Stanford Longitudinal Network Data Sources: 斯坦福大学纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络收集。
• The Laboratory for Web Algorithmics (UNIMI): 米兰大学网络算法实验室。
• 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年来的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数据挑战。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: 为社会公益的DrivenData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。

经济学

• American Economic Ass (AEA): 美国经济协会。
• 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 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: 乔恩·哈维曼国际贸易数据链接。
• 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: 经济复杂性地图集。
• The Center for International Data: 国际数据中心。
• The Observatory of Economic Complexity: 经济复杂性观察站。
• 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: 自由代码营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 综合能耗数据集。
• Dataport: 能源数据港。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HFED: 家庭能耗数据集。
• iAWE: 智能建筑能耗数据集。
• Plaid: 能源监测数据集。
• REDD: 住宅能耗数据集。
• UK-Dale: 英国住宅能耗数据集。

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。

地质学

• Earth Models: 地球模型数据。
• 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。

GIS/环境

• BODC - marine data of ~22K vars: 英国海洋数据中心约2.2万个变量的海洋数据。
• Cambridge, MA, US, GIS data on GitHub: 美国马萨诸塞州剑桥市的GIS数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局的地球观测系统数据。
• 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球空间数据。
• 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提取的开放街道地图数据。
• 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。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统 - 约30TB的海洋测量数据。
• International Institute for Systems Analysis - GIS Datasets: 国际系统分析研究所GIS数据集。
• Landsat 8 on AWS: 亚马逊网络服务上的Landsat 8数据。
• List of all countries in all languages: 所有国家在所有语言中的列表。
• Marinexplore - Open Oceanographic Data: 海洋探索 - 开放海洋学数据。
• National Weather Service GIS Data Portal: 美国国家气象服务GIS数据门户。
• Natural Earth - vectors and rasters of the world: 自然地球 - 世界矢量和光栅数据。
• OpenAddresses: 开放地址数据。
• OpenStreetMap (OSM): 开放街道地图数据。
• Pleiades - Gazetteer and graph of ancient places: 古代地点的地名录和图。
• Reverse Geocoder using OSM data: 使用开放街道地图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

• OpenDataSofts list of 1,600 open data portals: OpenDataSoft提供的1600个开放数据门户列表。
• 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: 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: PubMed使用的医学主题词表。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 2014年受影响国家埃博拉病例和死亡人数。
• Open-ODS (structure of the UK NHS): 英国国民健康服务的开放数据集。
• OpenPaymentsData, Healthcare financial relationship data: 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名美国成年人面部数据库。
• 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数据集。
• 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: 几个基于轮廓的形状数据集。
• 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未过滤的面部数据集，用于性别和年龄分类。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标记挑战。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 暴力流动 - 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): 多伦多大学用于分类和回归的Delve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: 用于分类、回归和时间序列的Keel存储库。
• Labeled Faces in the Wild (LFW): 野外标记面部数据集。
• 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:

搜集汇总

数据集介绍

构建方式

该数据集是通过收集和整理来自博客、回答和用户响应中的公共数据源而构建的，涵盖了多个领域的公共数据集。

使用方法

用户可以通过GitHub页面提供的链接访问和下载数据集。每个数据集的详细信息，如数据来源、格式和用途等，都在相应的数据集页面中有详细说明。用户应根据自身需求选择合适的数据集，并遵循数据使用条款和条件。

背景与挑战

背景概述

‘awesome-public-datasets’是一个由sindresorhus创建的GitHub项目，旨在收集和整理网络上公开的数据集。这些数据集来源于博客、回答和用户响应，其中大部分是免费的，但也有一些是付费的。该项目列出了多个领域中可供公众使用的数据集，涵盖了从农业、生物学到自然语言处理、机器学习等众多领域，对相关研究者和机构产生了重要影响。

当前挑战

该数据集的构建过程中遇到了多方面的挑战，主要包括：1) 数据集的收集和整理依赖于网络资源的可靠性和及时更新；2) 数据集的质量和准确性需要经过严格的筛选和验证；3) 不同领域的数据集在构建方法和应用上存在差异，需要针对性的处理和优化；4) 数据集的开放性和访问权限也需要考虑，以保障数据的安全和合规性。

常用场景

经典使用场景

awesome-public-datasets数据集是一个汇集了众多领域公共数据集的资源库，其经典使用场景主要在于为研究者提供了一个便捷的途径，以发现和访问不同学科领域的高质量数据集，例如生物学、地理信息系统、健康医疗等。

解决学术问题

该数据集解决了研究者寻找和获取特定领域数据集的难题，减少了数据收集和预处理的时间，有助于提高学术研究的效率。同时，它也促进了数据共享和复用，增强了研究的透明度和可验证性。

实际应用

在实际应用中，awesome-public-datasets数据集可用于教育、数据分析、机器学习模型训练等多个领域。教育工作者可以利用这些数据集教授数据科学相关课程，数据分析师可以从中获取洞察，而机器学习工程师则可以利用这些数据集来训练模型，提升算法性能。

数据集最近研究

最新研究方向

该数据集的最新研究方向主要集中在对公开数据集的整理、归类和利用上，以支持不同领域的研究。例如，在生物医学领域，研究人员可能会使用这些数据集来进行基因组分析、疾病预测和药物发现等研究；在气候学领域，数据集可以用于气候变化的模型预测和灾害预防；在计算机视觉领域，数据集则被用于图像识别、分类和情感分析等。这些研究不仅推动了相关领域的发展，也为跨学科的研究提供了丰富的数据资源。