awesome-public-datasets

这是一个包含高质量开放数据集的列表，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 open 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

本数据集详情页面提供了多个领域的公共数据源列表，涵盖了农业、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、地理信息系统、政府、医疗保健、图像处理、机器学习、博物馆、自然语言、物理学、心理学/认知、公共领域和搜索引擎等多个领域。以下是各领域数据集的简要概述：

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Collaborative Research in Computational Neuroscience (CRCNS)
• Gene Expression Omnibus (GEO)
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• MIT Cancer Genomics Data
• NIH Microarray data (FTP)
• OpenSNP genotypes data
• Pathguid: Protein-Protein Interactions Catalog
• Protein Data Bank
• PubChem Project
• PubGene (now Coremine Medical)
• Stanford Microarray Data
• The Personal Genome Project or PGP
• UCSC Public Data
• UniGene

气候/天气

• Australian Weather
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WU Historical Weather Worldwide

复杂网络

• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• 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
• 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 CommonCraw 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
• Open Mobile Data by MobiPerf
• UCSD Network Telescope, IPv4 /8 net

数据挑战

• Challenges in Machine Learning
• D4D Challenge of Orange
• CrowdANALYTIX dataX
• 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
• Yelp Dataset Challenge

经济学

• American Economic Ass (AEA)
• EconData from UMD
• Internet Product Code Database

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• ECO
• EIA
• HFED
• iAWE
• Plaid
• REDD
• UK-Dale

金融

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

地质

• USGS Earthquake Archives
• Smithsonian Institution Global Volcano and Eruption Database

地理信息系统

• BODC - marine data of ~22K vars
• Cambridge, MA, US, GIS data on GitHub
• EOSDIS - NASAs earth observing system data
• Factual Global Location Data
• Geo Spatial Data from ASU
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Landsat 8 on AWS
• Natural Earth - vectors and rasters of the world
• OpenStreetMap (OSM)
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• World countries in multiple formats
• List of all countries in all languages
• OpenAddresses

政府

• Austin, TX, US
• Australia (abs.gov.au)
• Australia (data.gov.au)
• Austria (data.gv.at)
• Brazil
• Cambridge, MA, US
• Canada
• Chicago
• Dallas Open Data
• Denver Open Data
• Durham, NC Open Data
• England LGInform
• EuroStat
• FedStats
• Finland
• France
• Germany
• Glasgow, Scotland, UK
• Guardian world governments
• Houston Open Data
• Indian Government Data
• Indonesian Data Portal
• London Datastore, UK
• Los Angeles Open Data
• MassGIS, Massachusetts, U.S.
• Mexico
• Netherlands
• New Zealand
• NYC betanyc
• NYC Open Data
• OECD
• Oklahoma
• Open Government Data (OGD) Platform India
• Rio de Janeiro, Brazil
• Romania
• San Francisco Data sets
• Seattle
• Singapore Government Data
• South Africa
• Switzerland
• The World Bank
• Texas Open Data
• Puerto Rico Government
• U.K. Government Data
• Uruguay
• U.S. American Community Survey
• U.S. CDC Public Health datasets
• U.S. Census Bureau
• U.S. National Center for Education Statistics (NCES)
• U.S. Department of Housing and Urban Development (HUD)
• U.S. Federal Government Agencies
• U.S. Federal Government Data Catalog
• U.S. Food and Drug Administration (FDA)
• U.S. Open Government
• UK 2011 Census Open Atlas Project
• United Nations
• Vancouver, BC Open Data Catalog

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
• Number of Ebola Cases and Deaths in Affected Countries (2014)

图像处理

• 10k US Adult Faces Database
• 2GB of Photos of Cats (Original down - 20Agst2015) or Archive version
• Stanford Dogs Dataset
• The Oxford-IIIT Pet Dataset
• Animals with attributes
• Affective Image Classification
• Face Recognition Benchmark
• ImageNet (in WordNet hierarchy)
• International Affective Picture System, UFL
• Massive Visual Memory Stimuli, MIT
• SUN database, MIT
• YouTube Faces Database
• Indoor Scene Recognition

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto)
• Discogs Monthly Data
• eBay Online Auctions (2012)
• IMDb Database
• Keel Repository for classification, regression and time series
• Lending Club Loan Data
• Machine Learning Data Set Repository
• Million Song Dataset
• More Song Datasets
• MovieLens Data Sets
• RDataMining - "R and Data Mining" ebook data
• Registered Meteorites on Earth
• Restaurants Health Score Data in San Francisco
• UCI Machine Learning Repository
• Yahoo! Ratings and Classification Data

博物馆

• Cooper-Hewitts Collection Database
• Minneapolis Institute of Arts metadata
• Tate Collection metadata
• The Getty vocabularies
• Rijksmuseum Historical Art Collection

自然语言

• Blogger Corpus
• ClueWeb09 FACC
• ClueWeb12 FACC
• DBpedia - 4.58M things with 583M facts
• Flickr Personal Taxonomies
• Google Books Ngrams (2.2TB)
• Google Web 5gram (1TB, 2006)
• Gutenberg eBooks List
• Hansards text chunks of Canadian Parliament
• Machine Translation of European languages
• SMS Spam Collection in English
• SaudiNewsNet Collection of Saudi Newspaper Articles (Arabic, 30K articles)
• USENET postings corpus of 2005~2011
• Wikidata - Wikipedia databases
• Wikipedia Links data - 40 Million Entities in Context
• WordNet databases and tools

物理学

• CERN Open Data Portal
• NSSDC (NASA) data of 550 space spacecraft
• NASA Exoplanet Archive
• Sloan Digital Sky Survey (SDSS) - Mapping the Universe

心理学/认知

• OSU Cognitive Modeling Repository Datasets

公共领域

• Amazon
• Archive.org Datasets
• CMU JASA data archive
• CMU StatLab collections
• Data360
• Datamob.org
• Google
• Infochimps
• KDNuggets Data Collections
• Microsoft Azure Data Market Free DataSets
• Numbray
• Reddit Datasets
• RevolutionAnalytics Collection
• Sample R data sets
• Stats4Stem R data sets
• StatSci.org
• The Washington Post List
• UCLA SOCR data collection
• UFO Reports
• Wikileaks 911 pager intercepts
• Yahoo Webscope

搜索引擎

• Academic Torrents of data sharing from UMB
• Archive-it from Internet Archive
• Datahub.io
• DataMarket (Qlik)
• Freebase.com of people, places, and things
• Harvard Dataverse Network of scient

搜集汇总

数据集介绍

构建方式

该数据集是通过从博客、回答和用户响应中收集和整理公共数据源而构建的。它包含了大量免费的数据库，但也有部分数据库不是免费的。数据集的构建主要依赖于社区贡献和网络爬虫技术，确保了数据的多样性和可用性。

特点

该数据集的特点在于其涵盖了多个领域的数据源，包括农业、生物学、气候、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、公共领域和搜索引擎等。此外，它包含了各种类型的数据，如文本、图像、时间和空间数据等，为研究人员提供了丰富的数据资源。

使用方法

使用该数据集时，用户可以根据自己的需求访问和下载数据。数据集的GitHub页面提供了详细的说明和链接，用户可以通过这些链接访问数据集的各个部分。对于特定的数据集，可能需要特定的软件或工具来处理和分析数据，例如，图像处理数据可能需要图像处理软件，而文本数据可能需要自然语言处理工具。

背景与挑战

背景概述

awesome-public-datasets是一个收集和整理自博客、回答和用户反馈的公开数据集列表。该数据集创建于未知时间，由sindresorhus维护。它包含了多个领域的公共数据集，如农业、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/认知科学和公共领域等。这些数据集大多数是免费的，但也有一些不是。该数据集列表对相关领域的研究人员提供了极大的便利，成为了数据科学和机器学习领域的重要资源之一。

当前挑战

在构建awesome-public-datasets的过程中，主要面临的挑战包括：1) 数据集的收集和整理，由于数据来源多样，格式和内容各不相同，需要花费大量时间和精力进行筛选和整理；2) 数据集的质量控制，确保收录的数据集是可靠和有用的；3) 数据集的更新和维护，随着新的数据集不断出现，需要定期更新列表以保持其时效性和准确性。此外，数据集在解决领域问题时也面临挑战，例如，在图像分类、自然语言处理等领域，数据集的多样性和规模都是影响模型性能的关键因素。

常用场景

经典使用场景

awesome-public-datasets 数据集广泛收集了各类公共数据集，其经典使用场景主要在于为研究人员提供便捷的数据集搜索和整理服务，帮助用户快速找到所需的数据资源，促进学术研究和数据共享。

衍生相关工作

基于 awesome-public-datasets，衍生出了许多相关的数据集整理和发布工作，如各种专题数据集的构建，以及针对特定领域的数据集指南和工具的开发，进一步扩展了数据集的应用范围和影响力。

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的大量公共数据集，近期研究方向主要集中在图像处理、机器学习、自然语言处理等领域。例如，在图像处理领域，研究者利用数据集中的大量图片进行面部识别、物体识别等任务；在机器学习领域，数据集被用于训练各种模型，如分类、回归等；在自然语言处理领域，研究者则利用这些数据进行文本分析、情感分析等研究。这些研究对于推动相关领域的技术发展和应用具有重要意义。