awesome-public-datasets

一个包含高质量公开数据集的列表，这些数据集来自公共领域，且不断更新。

A list of high-quality public 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
  • 链接: http://www.plants.usda.gov/dl_all.html

生物学

• 1000 Genomes
  • 链接: http://www.1000genomes.org/data
• American Gut (Microbiome Project)
  • 链接: https://github.com/biocore/American-Gut
• Broad Cancer Cell Line Encyclopedia (CCLE)
  • 链接: http://www.broadinstitute.org/ccle/home
• Broad Bioimage Benchmark Collection (BBBC)
  • 链接: https://www.broadinstitute.org/bbbc
• Cell Image Library
  • 链接: http://www.cellimagelibrary.org
• Complete Genomics Public Data
  • 链接: http://www.completegenomics.com/public-data/69-genomes/
• EBI ArrayExpress
  • 链接: http://www.ebi.ac.uk/arrayexpress/
• EBI Protein Data Bank in Europe
  • 链接: http://www.ebi.ac.uk/pdbe/emdb/index.html/
• Electron Microscopy Pilot Image Archive (EMPIAR)
  • 链接: http://www.ebi.ac.uk/pdbe/emdb/empiar/
• ENCODE project
  • 链接: https://www.encodeproject.org
• Ensembl Genomes
  • 链接: http://ensemblgenomes.org/info/genomes
• Gene Expression Omnibus (GEO)
  • 链接: http://www.ncbi.nlm.nih.gov/geo/
• Gene Ontology (GO)
  • 链接: http://geneontology.org/page/download-annotations
• Global Biotic Interactions (GloBI)
  • 链接: https://github.com/jhpoelen/eol-globi-data/wiki#accessing-species-interaction-data
• Harvard Medical School (HMS) LINCS Project
  • 链接: http://lincs.hms.harvard.edu
• Human Genome Diversity Project
  • 链接: http://www.hagsc.org/hgdp/files.html
• Human Microbiome Project (HMP)
  • 链接: http://www.hmpdacc.org/reference_genomes/reference_genomes.php
• ICOS PSP Benchmark
  • 链接: http://ico2s.org/datasets/psp_benchmark.html
• International HapMap Project
  • 链接: http://hapmap.ncbi.nlm.nih.gov/downloads/index.html.en
• Journal of Cell Biology DataViewer
  • 链接: http://jcb-dataviewer.rupress.org
• MIT Cancer Genomics Data
  • 链接: http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi
• NCBI Proteins
  • 链接: http://www.ncbi.nlm.nih.gov/guide/proteins/#databases
• NCBI Taxonomy
  • 链接: http://www.ncbi.nlm.nih.gov/taxonomy
• NIH Microarray data
  • 链接: http://bit.do/VVW6 或 FTP (见 FTP 链接在 RAW)
• OpenSNP genotypes data
  • 链接: https://opensnp.org/
• Pathguid - Protein-Protein Interactions Catalog
  • 链接: http://www.pathguide.org/
• Protein Data Bank
  • 链接: http://www.rcsb.org/
• Psychiatric Genomics Consortium
  • 链接: https://www.med.unc.edu/pgc/downloads
• PubChem Project
  • 链接: https://pubchem.ncbi.nlm.nih.gov/
• PubGene (now Coremine Medical)
  • 链接: http://www.pubgene.org/
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
  • 链接: http://cancer.sanger.ac.uk/cosmic
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
  • 链接: http://www.cancerrxgene.org/
• Sequence Read Archive(SRA)
  • 链接: http://www.ncbi.nlm.nih.gov/Traces/sra/
• Stanford Microarray Data
  • 链接: http://smd.stanford.edu/
• Stowers Institute Original Data Repository
  • 链接: http://www.stowers.org/research/publications/odr
• Systems Science of Biological Dynamics (SSBD) Database
  • 链接: http://ssbd.qbic.riken.jp/
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
  • 链接: https://gdac.broadinstitute.org/
• The Catalogue of Life
  • 链接: http://www.catalogueoflife.org/content/annual-checklist-archive
• The Personal Genome Project
  • 链接: http://www.personalgenomes.org/ 或 PGP
• UCSC Public Data
  • 链接: http://hgdownload.soe.ucsc.edu/downloads.html
• Universal Protein Resource (UnitProt)
  • 链接: http://www.uniprot.org/downloads
• UniGene
  • 链接: http://www.ncbi.nlm.nih.gov/unigene

气候/天气

• Australian Weather
  • 链接: http://www.bom.gov.au/climate/dwo/
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system
  • 链接: https://aviationweather.gov/adds/dataserver
• Brazilian Weather - Historical data (In Portuguese)
  • 链接: http://sinda.crn2.inpe.br/PCD/SITE/novo/site/
• Canadian Meteorological Centre
  • 链接: http://weather.gc.ca/grib/index_e.html
• Climate Data from UEA (updated monthly)
  • 链接: https://crudata.uea.ac.uk/cru/data/temperature/#datter 和 ftp://ftp.cmdl.noaa.gov/
• European Climate Assessment & Dataset
  • 链接: http://eca.knmi.nl/
• Global Climate Data Since 1929
  • 链接: http://en.tutiempo.net/climate
• NASA Global Imagery Browse Services
  • 链接: https://wiki.earthdata.nasa.gov/display/GIBS
• NOAA Bering Sea Climate
  • 链接: http://www.beringclimate.noaa.gov/
• NOAA Climate Datasets
  • 链接: http://www.ncdc.noaa.gov/data-access/quick-links
• NOAA Realtime Weather Models
  • 链接: http://www.ncdc.noaa.gov/data-access/model-data/model-datasets/numerical-weather-prediction
• The World Bank Open Data Resources for Climate Change
  • 链接: http://data.worldbank.org/developers/climate-data-api
• UEA Climatic Research Unit
  • 链接: http://www.cru.uea.ac.uk/data
• WorldClim - Global Climate Data
  • 链接: http://www.worldclim.org
• WU Historical Weather Worldwide
  • 链接: https://www.wunderground.com/history/index.html

复杂网络

• AMiner Citation Network Dataset
  • 链接: http://aminer.org/citation
• CrossRef DOI URLs
  • 链接: https://archive.org/details/doi-urls
• DBLP Citation dataset
  • 链接: https://kdl.cs.umass.edu/display/public/DBLP
• NBER Patent Citations
  • 链接: http://nber.org/patents/
• Network Repository with Interactive Exploratory Analysis Tools
  • 链接: http://networkrepository.com/
• NIST complex networks data collection
  • 链接: http://math.nist.gov/~RPozo/complex_datasets.html
• Protein-protein interaction network
  • 链接: http://vlado.fmf.uni-lj.si/pub/networks/data/bio/Yeast/Yeast.htm
• PyPI and Maven Dependency Network
  • 链接: https://ogirardot.wordpress.com/2013/01/31/sharing-pypimaven-dependency-data/
• Scopus Citation Database
  • 链接: https://www.elsevier.com/solutions/scopus
• Small Network Data
  • 链接: http://www-personal.umich.edu/~mejn/netdata/
• Stanford GraphBase (Steven Skiena)
  • 链接: http://www3.cs.stonybrook.edu/~algorith/implement/graphbase/implement.shtml
• Stanford Large Network Dataset Collection
  • 链接: http://snap.stanford.edu/data/
• Stanford Longitudinal Network Data Sources
  • 链接: http://stanford.edu/group/sonia/dataSources/index.html
• The Koblenz Network Collection
  • 链接: http://konect.uni-koblenz.de/
• The Laboratory for Web Algorithmics (UNIMI)
  • 链接: http://law.di.unimi.it/datasets.php
• The Nexus Network Repository
  • 链接: http://nexus.igraph.org/
• UCI Network Data Repository
  • 链接: https://networkdata.ics.uci.edu/resources.php
• UFL sparse matrix collection
  • 链接: http://www.cise.ufl.edu/research/sparse/matrices/
• WSU Graph Database
  • 链接: http://www.eecs.wsu.edu/mgd/gdb.html
• DIMACS Road Networks Collection
  • 链接: http://www.dis.uniroma1.it/challenge9/download.shtml

计算机网络

• 3.5B Web Pages from CommonCraw 2012
  • 链接: [http://www.bigdatanews.com/profiles/blogs/

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。它包含了许多免费的数据集，但也包括一些非免费的数据集。该数据集的构建主要依赖于社区贡献和开源精神。

特点

数据集的特点在于其广泛性和多样性，涵盖了从农业到物理科学，再到社会科学和艺术等各个领域的公共数据。它不仅包括了结构化数据，还包含了图片、文本和其他非结构化数据。

使用方法

用户可以通过GitHub页面浏览和搜索数据集，根据README文件中的说明，用户可以了解到每个数据集的详细信息，包括数据来源、格式、大小和使用条件。用户可以直接下载数据集，或者通过提供的链接访问数据集的原始页面。

背景与挑战

背景概述

数据集名称“awesome-public-datasets”是由sindresorhus创建和维护的一个GitHub列表，旨在收集和整理网络上公开的数据集资源。该数据集涵盖了许多领域，包括农业、生物学、气候/天气、复杂网络、计算机网络、上下文数据、数据挑战、地球科学、经济学、教育、能源、金融、地理信息系统（GIS）、政府、医疗保健、图像处理、机器学习等。该数据集的创建时间为2012年，主要研究人员为sindresorhus，其核心研究问题是收集和整理公开的数据集，以方便研究人员和开发者使用。该数据集对相关领域的影响力体现在其广泛的覆盖面和便捷的访问方式，为研究人员提供了丰富的数据资源。

当前挑战

在构建过程中，数据集面临的主要挑战包括：1) 收集和整理大量分散的数据集，确保数据的准确性和可用性；2) 数据集的多样性和异构性，使得整合和标准化成为一个难题；3) 随着数据集的更新和维护，保持数据集的时效性和相关性；4) 用户对特定数据集的需求不断变化，如何满足不同用户的需求也是一个挑战。在解决的领域问题方面，该数据集的挑战包括：1) 如何有效地索引和搜索大量的数据集；2) 如何确保数据集的质量和可靠性；3) 如何处理数据集的版权和许可问题。

常用场景

经典使用场景

awesome-public-datasets数据集经典使用场景是作为公共数据集的汇总和整理，便于研究人员快速查找和访问各个领域的公共数据资源。

实际应用

在实际应用中，awesome-public-datasets数据集可以作为数据科学和机器学习项目的数据来源，为各种研究和应用提供丰富的数据基础。

衍生相关工作

该数据集衍生了众多相关工作，包括数据集的扩展、数据清洗工具的开发以及基于这些数据集的学术研究和应用案例。