Awesome Public Datasets

一个包含高质量公开数据集的精选列表，这些数据集来自公共领域，持续更新中。

A curated list of high-quality public datasets sourced from the public domain, continuously updated.

原始信息汇总

数据集概述

生物学

• 1000 Genomes
  • 数据来源：http://www.1000genomes.org/data
• American Gut (Microbiome Project)
  • 数据来源：https://github.com/biocore/American-Gut
• Broad Cancer Cell Line Encyclopedia (CCLE)
  • 数据来源：http://www.broadinstitute.org/ccle/home
• Broad Bioimage Benchmark Collection (BBBC)
  • 数据来源：https://www.broadinstitute.org/bbbc
• Cell Image Library
  • 数据来源：http://www.cellimagelibrary.org
• Collaborative Research in Computational Neuroscience (CRCNS)
  • 数据来源：http://crcns.org/data-sets
• Complete Genomics Public Data
  • 数据来源：http://www.completegenomics.com/public-data/69-genomes/
• EBI ArrayExpress
  • 数据来源：http://www.ebi.ac.uk/arrayexpress/
• EBI Protein Data Bank in Europe
  • 数据来源：http://www.ebi.ac.uk/pdbe/emdb/index.html/
• Electron Microscopy Pilot Image Archive (EMPIAR)
  • 数据来源：http://www.ebi.ac.uk/pdbe/emdb/empiar/
• ENCODE project
  • 数据来源：https://www.encodeproject.org
• Ensembl Genomes
  • 数据来源：http://ensemblgenomes.org/info/genomes
• Gene Expression Omnibus (GEO)
  • 数据来源：http://www.ncbi.nlm.nih.gov/geo/
• Gene Ontology (GO)
  • 数据来源：http://geneontology.org/page/download-annotations
• Global Biotic Interactions (GloBI)
  • 数据来源：https://github.com/jhpoelen/eol-globi-data/wiki#accessing-species-interaction-data
• Harvard Medical School (HMS) LINCS Project
  • 数据来源：http://lincs.hms.harvard.edu
• Human Genome Diversity Project
  • 数据来源：http://www.hagsc.org/hgdp/files.html
• Human Microbiome Project (HMP)
  • 数据来源：http://www.hmpdacc.org/reference_genomes/reference_genomes.php
• ICOS PSP Benchmark
  • 数据来源：http://ico2s.org/datasets/psp_benchmark.html
• International HapMap Project
  • 数据来源：http://hapmap.ncbi.nlm.nih.gov/downloads/index.html.en
• Journal of Cell Biology DataViewer
  • 数据来源：http://jcb-dataviewer.rupress.org
• MIT Cancer Genomics Data
  • 数据来源：http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi
• NCBI Proteins
  • 数据来源：http://www.ncbi.nlm.nih.gov/guide/proteins/#databases
• NCBI Taxonomy
  • 数据来源：http://www.ncbi.nlm.nih.gov/taxonomy
• NeuroData
  • 数据来源：http://neurodata.io
• NIH Microarray data
  • 数据来源：http://bit.do/VVW6 或 ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/series/GSE6532/
• OpenSNP genotypes data
  • 数据来源：https://opensnp.org/
• Pathguid - Protein-Protein Interactions Catalog
  • 数据来源：http://www.pathguide.org/
• Protein Data Bank
  • 数据来源：http://www.rcsb.org/
• Psychiatric Genomics Consortium
  • 数据来源：https://www.med.unc.edu/pgc/downloads
• PubChem Project
  • 数据来源：https://pubchem.ncbi.nlm.nih.gov/
• PubGene (now Coremine Medical)
  • 数据来源：http://www.pubgene.org/
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
  • 数据来源：http://cancer.sanger.ac.uk/cosmic
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
  • 数据来源：http://www.cancerrxgene.org/
• Sequence Read Archive(SRA)
  • 数据来源：http://www.ncbi.nlm.nih.gov/Traces/sra/
• Stanford Microarray Data
  • 数据来源：http://smd.stanford.edu/
• Stowers Institute Original Data Repository
  • 数据来源：http://www.stowers.org/research/publications/odr
• Systems Science of Biological Dynamics (SSBD) Database
  • 数据来源：http://ssbd.qbic.riken.jp
• Temple University Hospital EEG Database
  • 数据来源：https://www.nedcdata.org/drupal/node/12
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
  • 数据来源：https://gdac.broadinstitute.org/
• The Catalogue of Life
  • 数据来源：http://www.catalogueoflife.org/content/annual-checklist-archive
• The Personal Genome Project
  • 数据来源：http://www.personalgenomes.org/ 或 https://my.pgp-hms.org/public_genetic_data
• UCSC Public Data
  • 数据来源：http://hgdownload.soe.ucsc.edu/downloads.html
• Universal Protein Resource (UnitProt)
  • 数据来源：http://www.uniprot.org/downloads
• UniGene
  • 数据来源：http://www.ncbi.nlm.nih.gov/unigene

气候/天气

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

复杂网络

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

计算机网络

• 3.5B Web Pages from CommonCraw 2012
  • 数据来源：http://www.bigdatanews.com/profiles/blogs/big-data-set-3-5-billion-web-pages-made-available-for-all-of-us
• 53.5B Web clicks of 100K users in Indiana Univ.
  • 数据来源：http://cnets.indiana.edu/groups/nan/webtraffic/click-dataset/
• CAIDA Internet Datasets
  • 数据来源：http://www.caida.org/data/overview/
• ClueWeb09 - 1B web pages
  • 数据来源：http://lemurproject.org/clueweb09/
• ClueWeb12 - 733M web pages
  • 数据来源：http://lemurproject.org/clueweb12/
• CommonCrawl Web Data over 7 years
  • 数据来源：http://commoncrawl.org/the-data/get-started/
• CRAWDAD Wireless datasets from Dartmouth Univ.
  • 数据来源：https://crawdad.cs.dartmouth.edu/
• Criteo click-through data
  • 数据来源：http://labs.criteo.com/2015/03/criteo-releases-its-new-dataset/
• Open Mobile Data by MobiPerf
  • 数据来源：https://console.developers.google.com/storage/openmobiledata_public/
• Rapid7 Sonar Internet Scans
  • 数据来源：https://sonar.labs.rapid7.com/
• UCSD Network Telescope, IPv4 /8 net
  • 数据来源：http://www.caida.org/projects/network_telescope/

上下文数据

• Context-aware data sets from five domains
  • 数据来源：http://students.depaul.edu/~yzheng8/DataSets.html#Data 或 https://github.com/irecsys/CARSKit/tree/master/context-aware_data_sets

数据挑战

• Challenges in Machine Learning
  • 数据来源：http://www.chalearn.org/
• CrowdANALYTIX dataX
  • 数据来源：http://data.crowdanalytix.com/
• D4D Challenge of Orange
  • 数据来源：http://www.d4d.orange.com/en/home
• DrivenData Competitions for Social Good
  • 数据来源：http://www.drivendata.org/
• ICWSM Data Challenge (since 2009)
  • 数据来源：http://icwsm.cs.umbc.edu/
• Kaggle Competition Data
  • 数据来源：https://www.kaggle.com/
• KDD Cup by Tencent 2012
  • 数据来源：http://www.kddcup2012.org/
• Localytics Data Visualization Challenge
  • 数据来源：https://github.com/localytics/data-viz-challenge
• Netflix Prize
  • 数据来源：http://www.netflixprize.com/leaderboard
• Space Apps Challenge
  • 数据来源：https://2015.spaceappschallenge.org/
• Telecom Italia Big Data Challenge
  • 数据来源：https://dandelion.eu/datamine/open-big-data/
• Yelp Dataset Challenge
  • 数据来源：http://www.yelp.com/dataset_challenge
• Bruteforce Database
  • 数据来源：https://github.com/duyetdev/bruteforce-database

经济学

• American Economic Ass (AEA)
  • 数据来源：https://www.aeaweb.org/RFE/toc.php?show=complete
• EconData from UMD
  • 数据来源：http://inforumweb.umd.edu/econdata/econdata.html
• Economic Freedom of the World Data
  • 数据来源：http://www.freetheworld.com/datasets_efw.html
• Historical MacroEconomic Statistics
  • 数据来源：http://www.historicalstatistics.org/
• International Economics Database
  • 数据来源：http://widukind.cepremap.org/ 和 https://github.com/Widukind
• International Trade Statistics
  • 数据来源：http://www.econostatistics.co.za/
• Internet Product Code Database
  • 数据来源：http://www.upcdatabase.com/
• Joint External Debt Data Hub
  • 数据来源：http://www.jedh.org/
• Jon Haveman International Trade Data Links
  • 数据来源：http://www.macalester.edu/research/economics/PAGE/HAVEMAN/Trade.Resources/TradeData.html
• OpenCorporates Database of Companies in the World
  • 数据来源：https://opencorporates.com/
• Our World in Data
  • 数据来源：http://ourworldindata.org/
• SciencesPo World Trade Gravity Datasets
  • 数据来源：http://econ.sciences-po.fr/thierry-mayer/data
• The Atlas of Economic Complexity
  • 数据来源：http://atlas.cid.harvard.edu/
• The Center for International Data
  • 数据来源：http://cid.econ.ucdavis.edu/
• **The Observatory of Economic Complex

搜集汇总

数据集介绍

构建方式

该数据集是通过收集和整理来自博客、回答和用户响应的公共数据源而构建的。它包含了大量免费的数据库，但也包含一些非免费的数据库。

特点

数据集的特点在于其包含了多个领域的公共数据源，如农业、生物学、气候/天气、复杂网络等，涵盖了从自然到社会科学的广泛领域。此外，数据集还提供了各种数据格式和类型，包括结构化和非结构化数据。

使用方法

用户可以通过GitHub页面浏览和访问数据集，每个数据条目都提供了链接，可以直接访问相应的数据资源。用户需要根据数据集的许可和使用条款进行合理使用。

背景与挑战

背景概述

Awesome Public Datasets 是一个收集和整理自博客、回答和用户响应的公开数据集列表。该数据集的创建时间为未知，主要研究人员或机构为 Caesar0301。核心研究问题是整理和分享各种领域的公开数据集，其对相关领域的影响力在于提供了一个方便的数据集资源，有助于研究人员和数据科学家快速找到所需的数据资源。

当前挑战

该数据集面临的挑战主要包括：1) 确保数据的时效性和准确性，因为数据集可能随时间而变化或更新；2) 数据集的多样性和质量参差不齐，可能需要对数据集进行筛选和预处理；3) 数据集的版权和使用许可问题，需要确保数据集的使用不侵犯版权且符合开源协议。

常用场景

经典使用场景

Awesome Public Datasets汇集了众多领域的公共数据集，其经典使用场景在于为研究人员提供一站式的数据资源搜索和获取服务。用户可以通过该平台找到所需的数据集，用于学术研究、数据分析、机器学习模型训练等多种用途。

解决学术问题

该数据集解决了学术研究中数据获取困难的问题，特别是在生物信息学、气候学、复杂网络、计算机网络、地理信息系统等领域。它为研究者提供了丰富的数据资源，有助于推动科学研究的进展。

衍生相关工作

基于该数据集，已经衍生出了一系列相关工作，包括数据集的整理、分析工具的开发以及基于数据集的学术研究和应用案例的分享。