Awesome Public Datasets

这是一个收集和整理自互联网上的大规模公共数据集的列表，涵盖气候、经济、能源、金融、生物、物理、医疗、地理空间和交通等多个领域。

This is a list of large-scale public datasets collected and curated from the internet, covering multiple fields such as climate, economics, energy, finance, biology, physics, healthcare, geospatial, and transportation.

原始信息汇总

数据集概述

气候

• 澳大利亚天气: http://www.bom.gov.au/climate/dwo/
• 气候数据: http://www.cru.uea.ac.uk/cru/data/temperature/#datter 和 ftp://ftp.cmdl.noaa.gov/
• 全球气候数据: http://www.tutiempo.net/en/Climate
• NOAA Bering Sea Climate: http://www.beringclimate.noaa.gov/
• NOAA气候数据集: http://ncdc.noaa.gov/data-access/quick-links
• WU历史天气: http://www.wunderground.com/history/index.html

经济学

• 美国经济协会(AEA): http://www.aeaweb.org/RFE/toc.php?show=complete
• EconData (UMD): http://inforumweb.umd.edu/econdata/econdata.html
• 互联网产品代码数据库: http://www.upcdatabase.com/
• 世界银行: http://data.worldbank.org/indicator

能源

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

金融

• CBOE期货交易所: http://cfe.cboe.com/Data/
• Google财经: https://www.google.com/finance
• Google趋势: http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
• 纳斯达克: https://data.nasdaq.com/
• OANDA: http://www.oanda.com/
• OSU金融数据: http://fisher.osu.edu/fin/osudata.htm
• Quandl: http://www.quandl.com/
• 圣路易斯联邦储备银行: http://research.stlouisfed.org/fred2/
• 雅虎财经: http://finance.yahoo.com/

生物学

• CRCNS: http://crcns.org/data-sets
• 基因表达综合(GEO): http://www.ncbi.nlm.nih.gov/geo/
• 人类微生物组项目: http://www.hmpdacc.org/reference_genomes/reference_genomes.php
• MIT癌症基因组数据: http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi
• NIH微阵列数据: ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/series/GSE6532/
• 蛋白质结构: http://www.infobiotic.net/PSPbenchmarks/
• 公共基因数据: http://www.pubgene.org/
• 斯坦福微阵列数据库: http://smd.stanford.edu/
• UniGene: http://www.ncbi.nlm.nih.gov/unigene

物理学

• NASA: http://nssdc.gsfc.nasa.gov/nssdc/obtaining_data.html

医疗保健

• EHDP大型健康数据集: http://www.ehdp.com/vitalnet/datasets.htm
• Gapminder: http://www.gapminder.org/data/
• 医疗保险数据文件: http://go.cms.gov/19xxPN4

地理空间

• EOSDIS: http://sedac.ciesin.columbia.edu/data/sets/browse
• Factual全球位置数据: http://www.factual.com/
• 地理空间数据: http://geodacenter.asu.edu/datalist/

交通运输

• 航空公司数据: http://stat-computing.org/dataexpo/2009/the-data.html
• 机场及其位置: http://www.infochimps.com/datasets/airports-and-their-locations
• 自行车共享数据系统: https://github.com/BetaNYC/Bike-Share-Data-Best-Practices/wiki/Bike-Share-Data-Systems
• 美国国内航班边缘数据: http://data.memect.com/?p=229
• 半百万Hubway骑行: http://hubwaydatachallenge.org/trip-history-data/
• 纽约市出租车行程数据: https://archive.org/details/nycTaxiTripData2013
• OpenFlights: http://openflights.org/data.html
• RITA航空公司准时性能数据: http://www.transtats.bts.gov/Tables.asp?DB_ID=120
• RITA运输数据集合: http://www.transtats.bts.gov/DataIndex.asp
• 伦敦交通: http://www.tfl.gov.uk/info-for/open-data-users/our-feeds
• 美国货运分析框架: http://ops.fhwa.dot.gov/freight/freight_analysis/faf/index.htm

政府

• Archive-it: https://www.archive-it.org/explore?show=Collections
• 澳大利亚: http://www.abs.gov.au/AUSSTATS/abs@.nsf/DetailsPage/3301.02009?OpenDocument
• 加拿大: http://www.data.gc.ca/default.asp?lang=En&n=5BCD274E-1
• 芝加哥: https://data.cityofchicago.org/
• FDA: https://open.fda.gov/index.html
• Fed Stats: http://www.fedstats.gov/cgi-bin/A2Z.cgi
• 卫报世界政府数据: http://www.guardian.co.uk/world-government-data
• HUD: http://www.huduser.org/portal/datasets/pdrdatas.html
• 伦敦数据商店: http://data.london.gov.uk/dataset
• 新西兰: http://www.stats.govt.nz/browse_for_stats.aspx
• 纽约市betanyc: http://betanyc.us/
• 纽约市开放数据: http://nycplatform.socrata.com/
• OECD: http://www.oecd.org/document/0,3746,en_2649_201185_46462759_1_1_1_1,00.html
• RITA: http://www.transtats.bts.gov/OT_Delay/OT_DelayCause1.asp
• 旧金山数据集: http://datasf.org/
• 世界银行: http://wdronline.worldbank.org/
• 英国政府数据: http://data.gov.uk/data
• 美国人口普查局: http://www.census.gov/data.html
• 美国联邦政府机构: http://www.data.gov/metric
• 美国联邦政府数据目录: http://catalog.data.gov/dataset
• 美国开放政府: http://www.data.gov/open-gov/
• 英国2011年人口普查开放地图项目: http://www.alex-singleton.com/2011-census-open-atlas-project/
• 联合国: http://data.un.org/
• 美国CDC公共卫生数据集: http://www.cdc.gov/nchs/data_access/ftp_data.htm
• 印度开放政府数据平台: http://www.data.gov.in/

数据挑战

• 机器学习挑战: http://www.chalearn.org/
• ICWSM数据挑战: http://icwsm.cs.umbc.edu/
• Kaggle竞赛数据: http://www.kaggle.com/
• KDD杯: https://www.kddcup2012.org/
• Netflix奖: http://www.netflixprize.com/leaderboard
• Yelp数据挑战: http://www.yelp.com/dataset_challenge

机器学习

• eBay在线拍卖: http://www.modelingonlineauctions.com/datasets
• IMDb数据库: http://www.imdb.com/interfaces
• Keel存储库: http://sci2s.ugr.es/keel/datasets.php
• Lending Club贷款数据: https://www.lendingclub.com/info/download-data.action
• 机器学习数据集存储库: http://mldata.org/
• 百万歌曲数据集: http://blog.echonest.com/post/3639160982/million-song-dataset
• 更多歌曲数据集: http://labrosa.ee.columbia.edu/millionsong/pages/additional-datasets
• MovieLens数据集: http://datahub.io/dataset/movielens
• RDataMining R和数据挖掘电子书数据: http://www.rdatamining.com/data
• 地球上注册的陨石: http://www.analyticbridge.com/profiles/blogs/registered-meteorites-that-has-impacted-on-earth-visualized
• 旧金山餐厅数据集: http://missionlocal.org/san-francisco-restaurant-health-inspections/
• UCI机器学习存储库: http://archive.ics.uci.edu/ml/
• 多伦多大学Delve数据集: http://www.cs.toronto.edu/~delve/data/datasets.html
• 雅虎评级和分类数据: http://webscope.sandbox.yahoo.com/catalog.php?datatype=r

自然语言

• 4000万实体上下文: https://code.google.com/p/wiki-links/downloads/list
• ClueWeb09 FACC: http://lemurproject.org/clueweb09/FACC1/
• ClueWeb12 FACC: http://lemurproject.org/clueweb12/FACC1/
• Flickr个人分类: http://www.isi.edu/~lerman/downloads/flickr/flickr_taxonomies.html
• Google图书Ngrams: http://aws.amazon.com/datasets/8172056142375670
• Google Web 5gram: https://catalog.ldc.upenn.edu/LDC2006T13
• Gutenberg电子书列表: http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
• Hansards: http://www.isi.edu/natural-language/download/hansard/
• 机器翻译: http://statmt.org/wmt11/translation-task.html#download
• SMS垃圾邮件收集: http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
• USENET语料库: http://www.psych.ualberta.ca/~westburylab/downloads/usenetcorpus.download.html
• WordNet: http://wordnet.princeton.edu/wordnet/download/

图像处理

• 2GB猫照片: http://137.189.35.203/WebUI/CatDatabase/catData.html
• 面部识别基准: http://www.face-rec.org/databases/
• ImageNet: http://www.image-net.org/

时间序列

• 时间序列数据图书馆: https://datamarket.com/data/list/?q=provider:tsdl
• UC Riverside时间序列: http://www.cs.ucr.edu/~eamonn/time_series_data/

社会科学

• 中国酒店入住/退房数据: http://www.360doc.com/content/13/1105/13/7863900_326788919.shtml
• CMU Enron邮件: http://www.cs.cmu.edu/~enron/
• Facebook社交网络: http://law.di.unimi.it/datasets.php
• Facebook100: https://archive.org/details/oxford-2005-facebook-matrix
• Foursquare: http://www.public.asu.edu/~hgao16/dataset.html 和 https://archive.org/details/201309_foursquare_dataset_umn
• 一般社会调查(GSS): http://www3.norc.org/GSS+Website/
• GetGlue用户评级电视节目: http://bit.ly/1aL8XS0
• GitHub存档: http://www.githubarchive.org/
• ICPSR: http://www.icpsr.umich.edu/icpsrweb/ICPSR/index.jsp
• 移动社交网络(UMass): https://kdl.cs.umass.edu/display/public/Mobile+Social+Networks
• PewResearch互联网项目: http://www.pewinternet.org/datasets/pages/2/
• 社交网络: http://www.cs.cmu.edu/~jelsas/data/ancestry.com/
• SourceForge图: http://www.nd.edu/~oss/Data/data.html
• 泰坦尼克号生存数据集: https://github.com/caesar0301/awesome-public-datasets/blob/master/Datasets/titanic.csv.zip
• Twitter图: http://an.kaist.ac.kr/traces/WWW2010.html
• UC Berkeley的D-Lab档案: http://ucdata.berkeley.edu/
• UCLA社会科学数据档案: http://dataarchives.ss.ucla.edu/Home.DataPortals.htm
• UNIMI社交网络数据集: http://law.di.unimi.it/datasets.php
• 全球大学: http://univ.cc/
• UPJOHN就业研究: http://www.upjohn.org/erdc/erdc.html
• 雅虎图和社会数据: http://webscope.sandbox.yahoo.com/catalog.php?datatype=g
• Youtube图: http://netsg.cs.sfu.ca/youtubedata/

复杂网络

• CrossRef DOI URLs: https://archive.org/details/doi-urls
• DBLP引用数据集: https://kdl.cs.umass.edu/display/public/DBLP
• NBER专利引用: http://nber.org/patents/
• NIST复杂网络数据集合: http://math.nist.gov/~RPozo/complex_datasets.html
• 蛋白质-蛋白质相互作用网络: http://vlado.fmf.uni-lj.si/pub/networks/data/bio/Yeast/Yeast.htm
• PyPI和Maven依赖网络: http://ogirardot.wordpress.com/2013/01/31/sharing-pypimaven-dependency-data/
• Scopus引用数据库: http://www.elsevier.com/online-tools/scopus
• 斯坦福图形库(Steven Skiena): http://www3.cs.stonybrook.edu/~algorith/implement/graphbase/implement.shtml
• 斯坦福大型网络数据集集合: http://snap.stanford.edu/data/
• Koblenz网络集合: http://konect.uni-koblenz.de/
• UCI网络数据存储库: http://networkdata.ics.uci.edu/resources.php
• UFL稀疏矩阵集合: http://www.cise.ufl.edu/research/sparse/matrices/
• UNIMI大型Web图: http://law.di.unimi.it/datasets.php
• WSU图形数据库: http://www.eecs.wsu.edu/mgd/gdb.html

计算机网络

• 35亿网页: http://www.bigdatanews.com/profiles/blogs/big-data-set-3-5-billion-web-pages-made-available-for-all-of-us
• 535亿网页点击: http://cnets.indiana.edu/groups/nan/webtraffic/click-dataset
• CAIDA互联网数据集: http://www.caida.org/data/overview/
• ClueWeb09: http://lemurproject.org/clueweb09/

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 数据集是由来自博客、回答和用户响应的公开数据源收集和整理而成的。该数据集的构建主要依赖于网络资源的整合，涵盖了多个领域的数据集，既有免费资源也有部分付费资源，旨在为研究者提供丰富多样的数据来源。

特点

该数据集的特点在于其多样性和广泛性，覆盖了气候、经济、能源、金融、生物、物理、健康医疗、地理空间、交通、政府、数据挑战、机器学习、自然语言处理、图像处理、时间序列、社会科学、复杂网络和计算机网络等多个领域。此外，数据集的来源清晰，包含了详细的数据提供者和链接信息。

使用方法

使用该数据集时，用户可以通过数据集提供的链接直接访问相应的数据页面。用户应当遵循数据提供者的使用条款和版权声明。对于不同的数据集，可能需要特定的工具或软件来处理和分析数据。例如，某些数据集可能需要统计软件或编程语言的支持才能进行有效分析。

背景与挑战

背景概述

Awesome Public Datasets是一个收集自博客、回答和用户响应的公开数据源列表。该列表主要来源于https://github.com/caesar0301/awesome-public-datasets，其中包含多个领域的公共数据集，如气候、经济、能源、金融、生物、物理、医疗保健、地理空间、交通、政府等。这些数据集多用于学术研究、数据分析和机器学习等领域，自发布以来，对相关领域的研究和实践产生了积极影响。

当前挑战

尽管Awesome Public Datasets提供了丰富的数据资源，但在使用过程中也存在一些挑战。首先，数据集的质量和更新频率不一，可能影响研究的准确性和时效性。其次，部分数据集的获取可能存在权限限制或费用问题。此外，数据集的多样性和复杂性也要求研究人员具备相应的数据处理和分析能力，以确保研究结果的可靠性和有效性。

常用场景

经典使用场景

Awesome Public Datasets作为公共数据集资源列表，其经典使用场景主要集中于学术研究、商业智能分析以及教育领域。研究者可以根据该列表快速定位到所需的数据集，用于机器学习模型的训练与验证，或进行统计分析以探索数据背后的模式与趋势。

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，特别是在机器学习、自然语言处理、社会网络分析等领域的学者，能够通过此列表获得大量可用于研究的公开数据。此外，它还助力于验证不同算法的有效性，推动了学术研究的进展。

衍生相关工作

基于该数据集，衍生出了一系列相关工作，包括但不限于数据集的整合与清洗、基于特定数据集的算法研究、以及利用这些数据进行的应用型研究。这些工作进一步推动了数据科学领域的发展，并促进了跨学科知识的融合。