Awesome Public Datasets

一个包含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 domains, 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信息。

生物学

• 1000 Genomes: 提供人类基因组数据。
• American Gut (Microbiome Project): 美国肠道项目，研究人体微生物组。
• Broad Cancer Cell Line Encyclopedia (CCLE): 广泛的癌症细胞系百科全书。
• Broad Bioimage Benchmark Collection (BBBC): 广泛的生物图像基准集合。
• Cell Image Library: 细胞图像库。
• 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): 基因本体论数据库。
• 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: 图像分类基准数据集。
• 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: 麻省理工学院癌症基因组数据。
• NCBI Proteins: 美国国立生物技术信息中心的蛋白质数据库。
• NCBI Taxonomy: 美国国立生物技术信息中心的分类数据库。
• 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学项目。
• 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: Stowers研究所原始数据存档。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动态系统科学数据库。
• 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: 基因集合数据库。

气候/天气

• Actuaries Climate Index: 精算师气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system: 航空天气中心提供全球空域系统的天气信息。
• Brazilian Weather - Historical data (In Portuguese): 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心。
• Climate Data from UEA (updated monthly): 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: 自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白令海气候数据。
• NOAA Climate Datasets: 美国国家海洋和大气管理局气候数据集。
• NOAA Realtime Weather Models: 美国国家海洋和大气管理局实时天气模型。
• 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: 世界天气信息服务历史天气数据。

复杂网络

• AMiner Citation Network Dataset: AMiner引文网络数据集。
• CrossRef DOI URLs: CrossRef DOI网址。
• DBLP Citation dataset: DBLP引文数据集。
• NBER Patent Citations: 国家经济研究局专利引用。
• 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: PyPI和Maven依赖网络。
• Scopus Citation Database: Scopus引文数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图形库。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集收集。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络收集。
• The Laboratory for Web Algorithmics (UNIMI): 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收集。
• WSU Graph Database: 华盛顿州立大学图形数据库。
• DIMACS Road Networks Collection: DIMACS道路网络收集。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 来自CommonCrawl 2012的35亿网页。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万名用户的535亿次网页点击。
• CAIDA Internet Datasets: CAIDA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网页数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的CRAWDAD无线数据集。
• Criteo click-through data: Criteo点击数据。
• OONI: Open Observatory of Network Interference - Internet censorship data: 网络干扰开放观察站-互联网审查数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7 Sonar互联网扫描。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校网络望远镜，IPv4 /8网络。

上下文数据

• Context-aware data sets from five domains: 来自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X。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: 推动数据竞赛以促进社会公益。
• ICWSM Data Challenge (since 2009): ICWSM数据挑战（自2009年起）。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 腾讯2012年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。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集-MSR2017挖掘挑战。

地球科学

• AQUASTAT - Global water resources and uses: AQUASTAT全球水资源和使用。
• BODC - marine data of ~22K vars: BODC约22,000个变量的海洋数据。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: NASA地球观测系统数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统(IMOS) - 约30TB海洋测量数据。
• Marinexplore - Open Oceanographic Data: 海洋探索-开放海洋学数据。
• 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。

经济学

• American Economic Association (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 Economics Database: 国际经济学数据库。
• 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: Jon Haveman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: SciencesPo世界贸易重力数据集。
• 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: 来自Free Code Camp的学生数据。

能源

• AMPds: 自动测量电力数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 组合能效数据集。
• Dataport: 数据港。
• DRED: 分布式可再生能源数据集。
• ECO: 能效数据集。
• EIA: 能源信息管理局数据。
• HES: 英国家庭能源研究。
• HFED: 高频能效数据集。
• iAWE: 智能建筑能效数据集。
• PLAID: 插件负载设备识别数据集。
• REDD: 住宅能效数据集。
• Tracebase: 跟踪基础数据集。
• UK-DALE: 英国家庭电器级电力数据集。
• WHITED: 白家电能效数据集。

金融

• CBOE Futures Exchange: 芝加哥期权交易所期货交易。
• Google Finance: 谷歌财经。
• Google Trends: 谷歌趋势。
• NASDAQ: 纳斯达克。
• OANDA: OANDA外汇交易。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: Quandl金融和经济数据。
• St Louis Federal: 圣路易斯联邦储备银行数据。
• Yahoo Finance: 雅虎财经。
• NYSE Market Data: 纽约证券交易所市场数据。

GIS

• Cambridge, MA, US, GIS data on GitHub: 美国马萨诸塞州剑桥市的GIS数据。
• Factual Global Location Data: Factual全球位置数据。
• Geo Spatial Data from ASU: 亚利桑那州立大学地理空间数据。
• Geo Wiki Project - Citizen-driven Environmental Monitoring: Geo Wiki项目 - 公民驱动的环境监测。
• GeoFabrik - OSM data extracted to a variety of formats and areas: GeoFabrik - 提取到各种格式和区域的OSM数据。
• GeoNames Worldwide: GeoNames全球数据库。
• 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。
• Landsat 8 on AWS: AWS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。
• National Weather Service GIS Data Portal: 国家气象服务GIS数据门户。
• Natural Earth - vectors and rasters of the world: 自然地球 - 全球矢量和栅格数据。
• OpenAddresses: 开放地址数据。
• OpenStreetMap (OSM): 开放街道地图。
• Pleiades - Gazetteer and graph of ancient places: Pleiades - 古代地点的地名录和图。
• Reverse Geocoder using OSM data: 使用OSM数据的反向地理编码器。
• TIGER/Line - U.S. boundaries and roads: TIGER/Line - 美国边界和道路。
• TwoFishes - Foursquares coarse geocoder: TwoFishes - Foursquare的粗略地理编码器。
• TZ Timezones shapfiles: TZ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: OpenDataSoft的1600个开放数据列表。
• Open Data for Africa: 非洲开放数据。
• 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: medicare.gov数据的医疗保险数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: MeSH，用于PubMed文章索引的词汇叙词表。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 受影响国家埃博拉病例和死亡人数（2014年）。
• Open-ODS (structure of the UK NHS): 开放ODS（英国NHS结构）。
• OpenPaymentsData, Healthcare financial relationship data: 开放支付数据，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个美国成人面部数据库。
• 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。
• Chars74K dataset, Character Recognition in Natural Images (both English and Kannada are available): Chars74K数据集，自然图像中的字符识别（提供英语和卡纳达语）。
• Face Recognition Benchmark: 面部识别基准。
• ImageNet (in WordNet hierarchy): ImageNet（在WordNet层次结构中）。
• Indoor Scene Recognition: 室内场景识别。
• International Affective Picture System, UFL: 国际情感图片系统，UFL。
• Massive Visual Memory Stimuli, MIT: 大规模视觉记忆刺激，MIT。
• MNIST database of handwritten digits, near 1 million examples: MNIST手写数字数据库，近100万个示例。
• Several Shape-from-Silhouette Datasets: 几个从轮廓获取形状的数据集。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• SUN database, MIT: SUN数据库，MIT。
• 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未过滤的面部用于

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 数据集是通过广泛收集和整理来自博客、问答平台以及用户反馈的公开数据源构建而成。该数据集涵盖了多个领域，包括农业、生物学、气候、复杂网络、计算机网络等，数据来源多样且具有高度的开放性。大部分数据集为免费提供，少数数据集可能需要付费获取。数据集的构建过程注重数据的多样性和广泛性，确保用户能够从中找到适合其研究需求的数据资源。

特点

Awesome Public Datasets 数据集的特点在于其广泛的覆盖范围和多样化的数据来源。数据集涵盖了从农业、生物学到气候、复杂网络等多个领域，且每个领域下的数据源均经过精心筛选和整理，确保数据的可靠性和实用性。此外，数据集中的大部分资源为免费提供，极大地方便了研究人员和开发者的使用。数据集还提供了丰富的外部链接，用户可以直接访问原始数据源，进一步扩展了数据集的应用场景。

使用方法

使用 Awesome Public Datasets 数据集时，用户可以通过浏览数据集提供的分类目录，快速定位到所需领域的数据源。每个数据源均附有详细的链接和描述，用户可以直接访问相关网站获取数据。对于需要进一步处理的数据，用户可以根据数据源提供的格式和指南进行下载和解析。此外，数据集还提供了与其他优秀数据集的链接，用户可以通过这些链接进一步扩展其研究范围。该数据集的使用方法灵活多样，适用于不同领域的研究和开发需求。

背景与挑战

背景概述

Awesome Public Datasets 是一个广泛收集和整理公共数据源的资源库，涵盖了从农业、生物学到气候、经济等多个领域的数据集。该数据集由社区贡献者维护，最早由GitHub用户caesar0301于2015年创建，旨在为研究人员、数据科学家和开发者提供一个便捷的公共数据源索引。其核心研究问题在于如何高效地组织和分类海量的公共数据，以便用户能够快速找到所需的数据集。该数据集的影响力不仅体现在其广泛的应用领域，还在于它为数据驱动的研究提供了坚实的基础，推动了开放数据的共享与利用。

当前挑战

Awesome Public Datasets 面临的主要挑战包括：1) 数据集的多样性和复杂性，如何确保数据的准确性和时效性是一个持续的难题；2) 数据源的异构性，不同领域的数据格式和标准差异较大，增加了数据集整合的难度；3) 数据集的维护和更新，由于数据源众多且分散，如何及时更新和验证数据集的可用性是一个重要的挑战。此外，尽管数据集多为免费提供，但部分数据源可能涉及版权或访问限制，这也为数据的使用带来了潜在的法律和伦理问题。

常用场景

经典使用场景

Awesome Public Datasets 是一个广泛收集和整理公共数据源的资源库，涵盖了从农业、生物学到气候、经济学等多个领域。该数据集最经典的使用场景是为研究人员提供跨学科的数据支持，特别是在数据驱动的科学研究中，帮助学者快速获取所需的数据集，从而加速研究进程。例如，生物学家可以利用其中的基因组数据进行分析，而气候学家则可以借助其中的气象数据进行气候模型构建。

衍生相关工作

Awesome Public Datasets 的广泛使用催生了许多相关的研究和应用。例如，基于该数据集中的基因组数据，研究人员开发了多种癌症预测模型；利用其中的气候数据，科学家构建了全球气候变化模型。此外，该数据集还促进了多个开源工具和平台的开发，如数据可视化工具和机器学习框架，进一步推动了数据科学领域的发展。

数据集最近研究

最新研究方向

近年来，Awesome Public Datasets在数据科学和机器学习领域的应用日益广泛，尤其是在跨学科研究中展现了其独特的价值。该数据集集合了来自农业、生物学、气候、复杂网络等多个领域的公开数据，为研究者提供了丰富的数据资源。特别是在生物信息学和基因组学领域，数据集如1000 Genomes和ENCODE项目为精准医学和个性化治疗提供了重要的数据支持。此外，随着气候变化问题的加剧，气候数据集如NASA Global Imagery Browse Services和NOAA Climate Datasets在气候模型构建和预测中发挥了关键作用。这些数据集不仅推动了科学研究的前沿进展，还为政策制定和环境保护提供了科学依据。