Awesome Public Datasets

一个高质量公开数据集的精选列表，涵盖多个领域，供所有人使用。

A curated list of high-quality public datasets spanning multiple domains, available for everyone to use.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database
• U.S. Department of Agricultures Nutrient Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Broad Bioimage Benchmark Collection (BBBC)
• Broad Cancer Cell Line Encyclopedia (CCLE)
• Cell Image Library
• Complete Genomics Public Data
• EBI ArrayExpress
• EBI Protein Data Bank in Europe
• Electron Microscopy Pilot Image Archive (EMPIAR)
• ENCODE project
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interactions (GloBI)
• Harvard Medical School (HMS) LINCS Project
• Human Genome Diversity Project
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• International HapMap Project
• Journal of Cell Biology DataViewer
• MIT Cancer Genomics Data
• NCBI Proteins
• NCBI Taxonomy
• NCI Genomic Data Commons
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid - Protein-Protein Interactions Catalog
• Protein Data Bank
• Psychiatric Genomics Consortium
• PubChem Project
• PubGene (now Coremine Medical)
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• Stowers Institute Original Data Repository
• Systems Science of Biological Dynamics (SSBD) Database
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• UniGene
• Universal Protein Resource (UnitProt)

气候/天气

• Actuaries Climate Index
• Australian Weather
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• European Climate Assessment & Dataset
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• NOAA SURFRAD Meteorology and Radiation Datasets
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WorldClim - Global Climate Data
• WU Historical Weather Worldwide

复杂网络

• AMiner Citation Network Dataset
• CrossRef DOI URLs
• DBLP Citation dataset
• DIMACS Road Networks Collection
• NBER Patent Citations
• Network Repository with Interactive Exploratory Analysis Tools
• NIST complex networks data collection
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Small Network Data
• Stanford GraphBase (Steven Skiena)
• Stanford Large Network Dataset Collection
• Stanford Longitudinal Network Data Sources
• The Koblenz Network Collection
• The Laboratory for Web Algorithmics (UNIMI)
• The Nexus Network Repository
• UCI Network Data Repository
• UFL sparse matrix collection
• WSU Graph Database

计算机网络

• 3.5B Web Pages from CommonCrawl 2012
• 53.5B Web clicks of 100K users in Indiana Univ.
• CAIDA Internet Datasets
• ClueWeb09 - 1B web pages
• ClueWeb12 - 733M web pages
• CommonCrawl Web Data over 7 years
• CRAWDAD Wireless datasets from Dartmouth Univ.
• Criteo click-through data
• OONI: Open Observatory of Network Interference - Internet censorship data
• Open Mobile Data by MobiPerf
• Rapid7 Sonar Internet Scans
• UCSD Network Telescope, IPv4 /8 net

数据挑战

• Bruteforce Database
• Challenges in Machine Learning
• CrowdANALYTIX dataX
• D4D Challenge of Orange
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• Kaggle Competition Data
• KDD Cup by Tencent 2012
• Localytics Data Visualization Challenge
• Netflix Prize
• Space Apps Challenge
• Telecom Italia Big Data Challenge
• TravisTorrent Dataset - MSR2017 Mining Challenge
• Yelp Dataset Challenge

地球科学

• AQUASTAT - Global water resources and uses
• BODC - marine data of ~22K vars
• Earth Models
• EOSDIS - NASAs earth observing system data
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements
• Marinexplore - Open Oceanographic Data
• Smithsonian Institution Global Volcano and Eruption Database
• USGS Earthquake Archives

经济学

• American Economic Association (AEA)
• EconData from UMD
• Economic Freedom of the World Data
• Historical MacroEconomic Statistics
• International Economics Database
• International Trade Statistics
• Internet Product Code Database
• Joint External Debt Data Hub
• Jon Haveman International Trade Data Links
• OpenCorporates Database of Companies in the World
• Our World in Data
• SciencesPo World Trade Gravity Datasets
• The Atlas of Economic Complexity
• The Center for International Data
• The Observatory of Economic Complexity
• UN Commodity Trade Statistics
• UN Human Development Reports

教育

• College Scorecard Data
• Student Data from Free Code Camp

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• DRED
• ECO
• EIA
• HES - Household Electricity Study, UK
• HFED
• iAWE
• PLAID - the Plug Load Appliance Identification Dataset
• REDD
• Tracebase
• UK-DALE - UK Domestic Appliance-Level Electricity
• WHITED

金融

• CBOE Futures Exchange
• Google Finance
• Google Trends
• NASDAQ
• NYSE Market Data
• OANDA
• OSU Financial data
• Quandl
• St Louis Federal
• Yahoo Finance

GIS

• ArcGIS Open Data portal
• Cambridge, MA, US, GIS data on GitHub
• Factual Global Location Data
• Geo Spatial Data from ASU
• Geo Wiki Project - Citizen-driven Environmental Monitoring
• GeoFabrik - OSM data extracted to a variety of formats and areas
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Homeland Infrastructure Foundation-Level Data
• Landsat 8 on AWS
• List of all countries in all languages
• National Weather Service GIS Data Portal
• Natural Earth - vectors and rasters of the world
• OpenAddresses
• OpenStreetMap (OSM)
• Pleiades - Gazetteer and graph of ancient places
• Reverse Geocoder using OSM data
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• UN Environmental Data
• World boundaries from the U.S. Department of State
• World countries in multiple formats

政府

• A list of cities and countries contributed by community
• Open Data for Africa
• OpenDataSofts list of 1,600 open data

医疗保健

• EHDP Large Health Data Sets
• Gapminder World demographic databases
• Medicare Coverage Database (MCD), U.S.
• Medicare Data Engine of medicare.gov Data
• Medicare Data File
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed
• Number of Ebola Cases and Deaths in Affected Countries (2014)
• Open-ODS (structure of the UK NHS)
• OpenPaymentsData, Healthcare financial relationship data
• The Cancer Genome Atlas project (TCGA)
• World Health Organization Global Health Observatory

图像处理

• 10k US Adult Faces Database
• 2GB of Photos of Cats
• Adience Unfiltered faces for gender and age classification
• Affective Image Classification
• Animals with attributes
• Caltech Pedestrian Detection Benchmark
• Chars74K dataset, Character Recognition in Natural Images (both English and Kannada are available)
• Face Recognition Benchmark
• Flickr: 32 Class Brand Logos
• GDXray: X-ray images for X-ray testing and Computer Vision
• ImageNet (in WordNet hierarchy)
• Indoor Scene Recognition
• International Affective Picture System, UFL
• Massive Visual Memory Stimuli, MIT
• MNIST database of handwritten digits, near 1 million examples
• Several Shape-from-Silhouette Datasets
• Stanford Dogs Dataset
• SUN database, MIT
• The Action Similarity Labeling (ASLAN) Challenge
• The Oxford-IIIT Pet Dataset
• Violent-Flows - Crowd Violence Non-violence Database and benchmark
• Visual genome
• YouTube Faces Database

机器学习

• Context-aware data sets from five domains
• Delve Datasets for classification and regression (Univ. of Toronto)
• Discogs Monthly Data
• eBay Online Auctions (2012)

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets是一个收集和整理自博客、回答和用户响应的公共数据集列表。该数据集的构建主要通过从网络资源中搜集和整理各类数据集信息，涵盖了多个领域的数据资源，包括农业、生物学、气候/天气、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融、GIS、政府、健康护理、图像处理、机器学习等。

使用方法

用户可以通过直接访问提供的链接来使用这些数据集。每个数据集通常都会提供详细的说明和使用方法，用户可以根据自己的需求选择合适的数据集，并按照数据集的说明进行使用。此外，部分数据集还提供了API接口，便于用户进行自动化处理和分析。

背景与挑战

背景概述

Awesome Public Datasets是一个收集和整理自博客、回答和用户响应的公共数据集列表。该数据集由sindresorhus维护，旨在提供一个免费的资源，但其中一些数据集可能不是免费的。此数据集的创建时间为2012年，主要研究人员为sindresorhus。该数据集的核心研究问题是收集和整理互联网上可用的公共数据集，以便研究人员和开发者能够轻松访问和利用这些资源。数据集对相关领域的影响力体现在它为研究人员提供了一个全面的数据集列表，极大地促进了数据共享和开放获取的进程。

当前挑战

在构建过程中，Awesome Public Datasets面临的挑战主要包括：1) 确保数据集的质量和可靠性；2) 维护和更新数据集列表，以反映新的数据集和变化；3) 处理数据集的版权和许可问题，确保所有数据集都可以合法使用；4) 提供足够的信息和文档，以便用户能够理解和使用这些数据集。在所解决的领域问题方面，该数据集面临的挑战包括：1) 数据集的分类和描述的准确性；2) 数据集的可用性和访问权限；3) 数据集的多样性和覆盖范围。

常用场景

经典使用场景

Awesome Public Datasets是一个综合性的公共数据集列表，其经典使用场景主要集中于学术研究和数据科学项目。研究人员和数据科学家可以在此找到各种领域的数据集，如生物学、气候、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融、GIS、政府、健康护理、图像处理、机器学习等，以支持他们的研究和项目需求。

解决学术问题

该数据集解决了学术研究中数据获取的难题，提供了丰富多样的数据源，使得研究人员能够轻松地访问和下载数据集。这对于那些需要大量数据来训练模型、验证假设或进行统计分析的研究尤其重要。此外，它还帮助研究人员跨学科合作，促进了数据共享和开放科学的理念。

实际应用

在实际应用中，Awesome Public Datasets可被用于数据分析和机器学习模型的训练，从而在各个行业中实现预测、决策支持和自动化。例如，金融领域的从业者可以利用这些数据集来构建预测市场趋势的模型，而健康护理专业人员则可以使用它们来改进疾病诊断和患者护理系统。

数据集最近研究

最新研究方向

Awesome Public Datasets数据集涵盖了多个领域，其最新研究方向主要集中于数据挖掘和机器学习领域。该数据集整合了来自不同学科的大量公共数据资源，为研究人员提供了丰富的数据基础。目前，前沿研究方向包括利用这些数据集进行深度学习模型的训练与优化，以及探索复杂网络结构中的模式识别问题。此外，随着大数据技术的发展，如何高效地从这些大规模数据集中提取有用信息，以及如何确保数据的质量和一致性，也是研究的热点。