多个数据集

这是一个主题中心的高质量公开数据集列表，收集并整理了来自博客、答案和用户响应的数据源。大多数数据集是免费的，但也有一些不是。

This is a high-quality public dataset list curated by a thematic hub, which collects and organizes data sources from blogs, answers, and user responses. The majority of the datasets are freely accessible, although some may require payment.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures Nutrient Database

  • 链接: U.S. Department of Agricultures Nutrient Database

• U.S. Department of Agricultures PLANTS Database

  • 链接: U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes

  • 链接: 1000 Genomes

• American Gut (Microbiome Project)

  • 链接: American Gut (Microbiome Project)

• Broad Bioimage Benchmark Collection (BBBC)

  • 链接: Broad Bioimage Benchmark Collection (BBBC)

• Broad Cancer Cell Line Encyclopedia (CCLE)

  • 链接: Broad Cancer Cell Line Encyclopedia (CCLE)

• Cell Image Library

  • 链接: Cell Image Library

• Complete Genomics Public Data

  • 链接: Complete Genomics Public Data

• EBI ArrayExpress

  • 链接: EBI ArrayExpress

• EBI Protein Data Bank in Europe

  • 链接: EBI Protein Data Bank in Europe

• ENCODE project

  • 链接: ENCODE project

• Electron Microscopy Pilot Image Archive (EMPIAR)

  • 链接: Electron Microscopy Pilot Image Archive (EMPIAR)

• Ensembl Genomes

  • 链接: Ensembl Genomes

• Gene Expression Omnibus (GEO)

  • 链接: Gene Expression Omnibus (GEO)

• Gene Ontology (GO)

  • 链接: Gene Ontology (GO)

• Global Biotic Interactions (GloBI)

  • 链接: Global Biotic Interactions (GloBI)

• Harvard Medical School (HMS) LINCS Project

  • 链接: Harvard Medical School (HMS) LINCS Project

• Human Genome Diversity Project

  • 链接: Human Genome Diversity Project

• Human Microbiome Project (HMP)

  • 链接: Human Microbiome Project (HMP)

• ICOS PSP Benchmark

  • 链接: ICOS PSP Benchmark

• International HapMap Project

  • 链接: International HapMap Project

• Journal of Cell Biology DataViewer

  • 链接: Journal of Cell Biology DataViewer

• KEGG - KEGG is a database resource for understanding high-level functions [...]

  • 链接: KEGG

• MIT Cancer Genomics Data

  • 链接: MIT Cancer Genomics Data

• NCBI Proteins

  • 链接: NCBI Proteins

• NCBI Taxonomy

  • 链接: NCBI Taxonomy

• NCI Genomic Data Commons

  • 链接: NCI Genomic Data Commons

• NIH Microarray data

  • 链接: NIH Microarray data

• OpenSNP genotypes data

  • 链接: OpenSNP genotypes data

• Pathguid - Protein-Protein Interactions Catalog

  • 链接: Pathguid - Protein-Protein Interactions Catalog

• Protein Data Bank

  • 链接: Protein Data Bank

• Psychiatric Genomics Consortium

  • 链接: Psychiatric Genomics Consortium

• PubChem Project

  • 链接: PubChem Project

• PubGene (now Coremine Medical)

  • 链接: PubGene (now Coremine Medical)

• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)

  • 链接: Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)

• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)

  • 链接: Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)

• Sequence Read Archive(SRA)

  • 链接: Sequence Read Archive(SRA)

• Stanford Microarray Data

  • 链接: Stanford Microarray Data

• Stowers Institute Original Data Repository

  • 链接: Stowers Institute Original Data Repository

• Systems Science of Biological Dynamics (SSBD) Database

  • 链接: Systems Science of Biological Dynamics (SSBD) Database

• The Cancer Genome Atlas (TCGA), available via Broad GDAC

  • 链接: The Cancer Genome Atlas (TCGA), available via Broad GDAC

• The Catalogue of Life

  • 链接: The Catalogue of Life

• The Personal Genome Project

  • 链接: The Personal Genome Project

• UCSC Public Data

  • 链接: UCSC Public Data

• UniGene

  • 链接: UniGene

• Universal Protein Resource (UnitProt)

  • 链接: Universal Protein Resource (UnitProt)

气候+天气

• Actuaries Climate Index

  • 链接: Actuaries Climate Index

• Australian Weather

  • 链接: Australian Weather

• Aviation Weather Center - Consistent, timely and accurate weather [...]

  • 链接: Aviation Weather Center - Consistent, timely and accurate weather [...]

• Brazilian Weather - Historical data (In Portuguese)

  • 链接: Brazilian Weather - Historical data (In Portuguese)

• Canadian Meteorological Centre

  • 链接: Canadian Meteorological Centre

• Climate Data from UEA (updated monthly)

  • 链接: [Climate Data from UEA (updated monthly)](https://crudata.uea.ac.uk/cru/data/temperature/#datter and ftp://ftp.cmdl.noaa.gov/)

• European Climate Assessment & Dataset

  • 链接: European Climate Assessment & Dataset

• Global Climate Data Since 1929

  • 链接: Global Climate Data Since 1929

• NASA Global Imagery Browse Services

  • 链接: NASA Global Imagery Browse Services

• NOAA Bering Sea Climate

  • 链接: NOAA Bering Sea Climate

• NOAA Climate Datasets

  • 链接: NOAA Climate Datasets

• NOAA Realtime Weather Models

  • 链接: NOAA Realtime Weather Models

• NOAA SURFRAD Meteorology and Radiation Datasets

  • 链接: NOAA SURFRAD Meteorology and Radiation Datasets

• The World Bank Open Data Resources for Climate Change

  • 链接: The World Bank Open Data Resources for Climate Change

• UEA Climatic Research Unit

  • 链接: UEA Climatic Research Unit

• WU Historical Weather Worldwide

  • 链接: WU Historical Weather Worldwide

• WorldClim - Global Climate Data

  • 链接: WorldClim - Global Climate Data

复杂网络

• AMiner Citation Network Dataset

  • 链接: AMiner Citation Network Dataset

• CrossRef DOI URLs

  • 链接: CrossRef DOI URLs

• DBLP Citation dataset

  • 链接: DBLP Citation dataset

• DIMACS Road Networks Collection

  • 链接: DIMACS Road Networks Collection

• NBER Patent Citations

  • 链接: NBER Patent Citations

• NIST complex networks data collection

  • 链接: NIST complex networks data collection

• Network Repository with Interactive Exploratory Analysis Tools

  • 链接: Network Repository with Interactive Exploratory Analysis Tools

• Protein-protein interaction network

  • 链接: Protein-protein interaction network

• PyPI and Maven Dependency Network

  • 链接: PyPI and Maven Dependency Network

• Scopus Citation Database

  • 链接: Scopus Citation Database

• Small Network Data

  • 链接: Small Network Data

• Stanford GraphBase

  • 链接: Stanford GraphBase

• Stanford Large Network Dataset Collection

  • 链接: Stanford Large Network Dataset Collection

• Stanford Longitudinal Network Data Sources

  • 链接: Stanford Longitudinal Network Data Sources

• The Koblenz Network Collection

  • 链接: The Koblenz Network Collection

• The Laboratory for Web Algorithmics (UNIMI)

  • 链接: The Laboratory for Web Algorithmics (UNIMI)

• The Nexus Network Repository

  • 链接: The Nexus Network Repository

• UCI Network Data Repository

  • 链接: UCI Network Data Repository

• UFL sparse matrix collection

  • 链接: UFL sparse matrix collection

• WSU Graph Database

  • 链接: WSU Graph Database

计算机网络

• 3.5B Web Pages from CommonCrawl 2012

  • 链接: 3.5B Web Pages from CommonCrawl 2012

• 53.5B Web clicks of 100K users in Indiana Univ.

  • 链接: 53.5B Web clicks of 100K users in Indiana Univ.

• CAIDA Internet Datasets

  • 链接: CAIDA Internet Datasets

• CRAWDAD Wireless datasets from Dartmouth Univ.

  • 链接: CRAWDAD Wireless datasets from Dartmouth Univ.

• ClueWeb09 - 1B web pages

  • 链接: ClueWeb09 - 1B web pages

• ClueWeb12 - 733M web pages

  • 链接: ClueWeb12 - 733M web pages

• CommonCrawl Web Data over 7 years

  • 链接: CommonCrawl Web Data over 7 years

• Criteo click-through data

  • 链接: Criteo click-through data

• Internet-Wide Scan Data Repository

  • 链接: Internet-Wide Scan Data Repository

• OONI: Open Observatory of Network Interference - Internet censorship data

  • 链接: [OONI: Open Observatory of Network Interference - Internet censorship data](https://ooni.torproject.org/

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个高质量、主题导向的公共数据源集合，涵盖了多个领域的数据集。该数据集的构建方式主要依赖于从博客、问答平台和用户反馈中收集和整理数据。通过自动化工具 `apd-core` 生成和维护，确保了数据集的持续更新和一致性。数据集的内容涵盖了农业、生物学、气候与天气、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融和地理信息系统等多个领域。

使用方法

用户可以通过访问 Awesome Public Datasets 的 GitHub 页面，浏览不同领域的数据集。每个数据集都附有详细的描述和链接，用户可以直接访问原始数据源进行下载和使用。对于需要进一步贡献或修改数据集的用户，项目提供了明确的贡献指南，确保数据集的持续改进和扩展。用户还可以通过自动化工具 `apd-core` 提交新的数据集或修复现有数据集中的问题，从而参与到数据集的维护和更新中。

背景与挑战

背景概述

Awesome Public Datasets 是一个由社区驱动的公共数据集集合，涵盖了从农业、生物学到气候、经济等多个领域的丰富数据资源。该项目的创建旨在为研究人员、数据科学家和开发者提供一个高质量、易于访问的数据集平台。自推出以来，Awesome Public Datasets 已成为数据科学领域的重要参考资源，其数据集来源广泛，包括政府机构、研究机构和开源社区。通过整合和整理这些数据，该项目为跨学科研究和创新应用提供了坚实的基础。

当前挑战

Awesome Public Datasets 面临的主要挑战包括数据集的多样性和质量保证。由于数据集来源广泛，数据格式、更新频率和完整性存在较大差异，这给用户的数据预处理和分析带来了困难。此外，部分数据集可能存在访问限制或收费问题，影响了数据的开放性和可用性。在构建过程中，项目团队还需应对数据集的持续更新和维护问题，确保数据的时效性和准确性。这些挑战要求项目团队不断优化数据管理流程，并加强与数据提供方的合作，以提升数据集的整体质量。

常用场景

经典使用场景

在生物信息学领域，多个数据集如1000 Genomes和ENCODE项目被广泛应用于基因组学和表观遗传学研究。这些数据集提供了丰富的基因序列和功能注释信息，帮助研究人员深入理解基因与疾病之间的关系。通过整合这些数据，科学家能够进行大规模的全基因组关联分析（GWAS），揭示复杂疾病的遗传基础。

解决学术问题

这些数据集解决了生物医学研究中的多个关键问题，例如基因表达调控机制、蛋白质相互作用网络以及癌症基因组学中的突变模式。通过提供高质量的多组学数据，研究人员能够构建更精确的生物网络模型，推动个性化医疗的发展。此外，这些数据还为药物靶点发现和药物重定位提供了重要支持。

实际应用

在实际应用中，这些数据集被广泛用于临床诊断、药物开发和精准医疗。例如，癌症基因组图谱（TCGA）数据被用于开发癌症亚型分类模型，帮助医生制定更有效的治疗方案。同时，微生物组数据如American Gut项目为肠道健康研究提供了重要参考，推动了益生菌和个性化营养的发展。

数据集最近研究

最新研究方向

近年来，随着数据科学和人工智能技术的迅猛发展，多个数据集在生物学、气候科学、复杂网络等领域的研究中发挥了重要作用。在生物学领域，基因组学、蛋白质组学和微生物组学的研究依赖于如1000 Genomes、ENCODE项目等高质量数据集，推动了精准医学和个性化治疗的发展。气候科学领域，NOAA和NASA等机构提供的气候数据集为全球气候变化研究提供了重要支持，特别是在极端天气事件预测和气候模型优化方面。复杂网络研究则通过AMiner、DBLP等数据集，深入探索了社交网络、生物网络和信息传播的动态特性，为网络科学和计算社会科学提供了丰富的研究素材。这些数据集的应用不仅加速了科学发现的进程，也为跨学科研究提供了新的视角和方法。