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，供所有人使用。

A curated list of high-quality public datasets spanning various fields, such as agriculture, biology, and more, available for everyone to use.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国植物信息。
• U.S. Department of Agricultures Nutrient Database: 提供营养数据。

生物学

• 1000 Genomes: 人类基因组数据。
• American Gut (Microbiome Project): 微生物组项目数据。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像基准数据集。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 基因组公共数据。
• EBI ArrayExpress: 基因表达数据。
• EBI Protein Data Bank in Europe: 蛋白质数据库。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像档案。
• ENCODE project: 基因组功能注释项目。
• Ensembl Genomes: 基因组信息。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Gene Ontology (GO): 基因本体论。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 药物敏感性研究项目。
• 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: 图像分割基准数据。
• International HapMap Project: 人类遗传变异项目。
• Journal of Cell Biology DataViewer: 细胞生物学数据查看器。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NCBI Proteins: 蛋白质数据。
• NCBI Taxonomy: 生物分类学数据。
• NCI Genomic Data Commons: 基因组数据共享平台。
• NIH Microarray data: 微阵列数据。
• OpenSNP genotypes data: 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: 化学信息数据库。
• PubGene (now Coremine Medical): 基因和疾病关联数据库。
• 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项目。
• Sequence Read Archive(SRA): 序列读取存档。
• Stanford Microarray Data: 微阵列数据。
• Stowers Institute Original Data Repository: 原始数据存储库。
• 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。
• UniGene: 基因特异性序列集合。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。

气候/天气

• Actuaries Climate Index: 气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气中心数据。
• Brazilian Weather - Historical data: 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 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: 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: 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: 实时天气模型。
• NOAA SURFRAD Meteorology and Radiation Datasets: 美国国家海洋和大气管理局气象和辐射数据集。
• 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单位数据。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 全球历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: 数字对象唯一标识符链接。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 专利引用数据。
• 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: 美国国家标准与技术研究院复杂网络数据收集。
• Protein-protein interaction network: 蛋白质相互作用网络。
• PyPI and Maven Dependency Network: Python包索引和Maven依赖网络。
• Scopus Citation Database: 科学文献数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图库。
• 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): 网络算法实验室数据集。
• 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: 稀疏矩阵集合。
• WSU Graph Database: 华盛顿州立大学图数据库。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 2012年CommonCrawl的35亿网页。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿网络点击数据。
• CAIDA Internet Datasets: 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年间的CommonCrawl网络数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• Criteo click-through data: Criteo点击数据。
• OONI: Open Observatory of Network Interference: 网络干扰开放观测站数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7的互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校的网络望远镜数据。

数据挑战

• Bruteforce Database: 暴力破解数据库。
• Challenges in Machine Learning: 机器学习挑战。
• CrowdANALYTIX dataX: CrowdANALYTIX数据。
• 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): 自2009年以来的ICWSM数据挑战。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 2012年腾讯KDD杯数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖数据。
• Space Apps Challenge: 太空应用挑战数据。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集 - MSR2017挖掘挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源及其使用。
• BODC - marine data of ~22K vars: 英国海洋数据中心数据。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: 美国宇航局地球观测系统数据。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统数据。
• 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): 美国经济协会数据。
• 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: 乔恩·哈夫曼国际贸易数据链接。
• 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: 巴黎政治学院世界贸易引力数据集。
• 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: 经济复杂性观测站。
• 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

• College Scorecard Data: 大学评分卡数据。
• Student Data from Free Code Camp: 免费编程营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 综合建筑能耗数据集。
• Dataport: 能源数据港。
• DRED: 分布式资源能源数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能源研究。
• HFED: 家庭能源数据集。
• iAWE: 智能建筑能源数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源跟踪数据集。
• UK-DALE: 英国家庭能耗数据集。
• WHITED: 白色家电能耗数据集。

金融

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

GIS

• ArcGIS Open Data portal: ArcGIS开放数据门户。
• Cambridge, MA, US, GIS data on GitHub: 剑桥市GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• 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: 地理维基项目 - 公民驱动的环境监测。
• GeoFabrik - OSM data extracted to a variety of formats and areas: GeoFabrik提取的OSM数据。
• GeoNames Worldwide: 全球地理名称数据库。
• Global Administrative Areas Database (GADM): 全球行政区域数据库。
• Homeland Infrastructure Foundation-Level Data: 国土基础设施基础数据。
• Landsat 8 on AWS: AWS上的Landsat 8数据。
• List of all countries in all languages: 所有国家名称列表。
• 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): 开放街道地图数据。
• Pleiades - Gazetteer and graph of ancient places: 古地点地名录和图谱。
• 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: 美国边界和道路数据。
• TwoFishes - Foursquares coarse geocoder: Foursquare的粗略地理编码器。
• TZ Timezones shapfiles: 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: 多格式的世界国家数据。

政府

• Open Data for Africa: 非洲开放数据。
• OpenDataSofts list of 1,600 open data: OpenDataSoft的1600个开放数据列表。

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数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: PubMed文章索引使用的词汇叙词表。
• 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): 英国国家医疗服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 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测站。

图像处理

• 10k US Adult Faces Database: 10,000美国成人面部数据库。
• 2GB of Photos of Cats: 2GB猫照片数据。
• Adience Unfiltered faces for gender and age classification: 性别和年龄分类的未过滤面部数据。
• Affective Image Classification: 情感图像分类数据。
• Animals with attributes: 带有属性的动物数据。
• Caltech Pedestrian Detection Benchmark: 加州理工学院行人检测基准。
• Chars74K dataset, Character Recognition in Natural Images: 自然图像中的字符识别数据集。
• Face Recognition Benchmark: 面部识别基准数据。
• Flickr: 32 Class Brand Logos: Flickr上的32类品牌标志。
• GDXray: X-ray images for X-ray testing and Computer Vision: X射线测试和计算机视觉的X射线图像。
• ImageNet (in WordNet hierarchy): WordNet层次结构中的ImageNet数据。
• Indoor Scene Recognition: 室内场景识别数据。
• International Affective Picture System, UFL: 国际情感图片系统。
• Massive Visual Memory Stimuli, MIT: 大规模视觉记忆刺激数据。
• MNIST database of handwritten digits: 手写数字MNIST数据库。
• Several Shape-from-Silhouette Datasets: 几个从轮廓恢复形状的数据集。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• SUN database, MIT: 斯坦福大学场景理解数据库。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标签挑战。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 暴力流 - 人群暴力/非暴力数据库和基准。
• Visual genome: 视觉基因组数据。
• YouTube Faces Database: YouTube面部数据库。

机器学习

• Context-aware data sets from five domains: 五个领域的上下文

搜集汇总

数据集介绍

构建方式

awesome-public-datasets 数据集的构建方式主要依赖于广泛的公共数据源收集与整理。该数据集通过整合来自博客、问答平台以及用户反馈的各类公开数据源，形成了一个涵盖多个领域的综合性数据集。数据集的构建过程注重数据的多样性与广泛性，确保涵盖从农业、生物学到气候、经济等多个学科领域。此外，数据集还通过引用其他知名的数据列表（如 awesome-awesomeness 和 sindresorhus's awesome），进一步扩展了其数据来源的广度与深度。

使用方法

使用 awesome-public-datasets 数据集时，用户可以通过浏览其分类目录快速找到感兴趣的数据源。每个数据源均附有链接，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（如 CSV、JSON 等）进行下载与解析。此外，数据集还提供了与其他知名数据列表的链接，用户可以通过这些链接扩展数据搜索范围。对于需要特定领域数据的用户，建议结合数据集的分类与描述，选择最适合的数据源进行深入研究与分析。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个广泛收集和整理公共数据资源的集合，涵盖了从农业、生物学到气候、经济等多个领域。该数据集由社区贡献者维护，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参考。其创建时间可追溯至GitHub上的首次提交，主要维护者为caesar0301等社区成员。该数据集的核心研究问题在于如何高效地整合和分类来自不同领域的公共数据资源，以便于用户快速找到所需数据。其对相关领域的影响力体现在为数据驱动的科学研究提供了丰富的资源支持，尤其是在跨学科研究中，极大地促进了数据的共享与再利用。

当前挑战

awesome-public-datasets 数据集面临的挑战主要体现在两个方面。首先，数据集的广度和深度要求其维护者不断更新和验证数据源的有效性，以确保数据的时效性和准确性。由于数据来源多样，部分数据可能存在格式不统一、质量参差不齐的问题，这为数据整合和使用带来了困难。其次，数据集构建过程中需要应对数据源的动态变化，例如某些数据链接可能失效或数据提供方更改数据访问权限，这要求维护者具备高度的灵活性和持续的资源投入。此外，随着数据科学领域的快速发展，数据集还需不断扩展以涵盖新兴领域的数据需求，这对数据集的长期维护提出了更高的要求。

常用场景

经典使用场景

awesome-public-datasets 数据集广泛应用于学术研究、数据分析和机器学习模型的训练与验证。其涵盖的领域包括生物学、气候学、经济学、计算机科学等，为研究人员提供了一个丰富的数据资源库。通过该数据集，研究者可以轻松访问到高质量、多样化的公共数据，从而加速科学发现和技术创新。

解决学术问题

该数据集解决了学术研究中数据获取难、数据质量参差不齐的问题。通过整合来自多个领域的公开数据，awesome-public-datasets 为研究者提供了一个统一的平台，使得跨学科研究变得更加便捷。例如，在生物学领域，研究者可以利用该数据集中的基因组数据，探索基因与疾病之间的关系；在气候学领域，历史气象数据则有助于分析全球气候变化趋势。

实际应用

在实际应用中，awesome-public-datasets 被广泛用于政府决策、企业分析和教育研究。例如，政府部门可以利用该数据集中的气候数据制定应对气候变化的政策；企业则可以通过分析经济数据优化市场策略；教育机构则可以利用学生数据改进教学方法和课程设计。这些应用不仅提高了决策的科学性，还推动了社会各领域的数字化转型。

数据集最近研究

最新研究方向

近年来，awesome-public-datasets数据集在多个领域的研究中展现了其广泛的应用价值。特别是在生物学和气候科学领域，数据集如1000 Genomes和NOAA Climate Datasets为基因组学和气候变化研究提供了丰富的数据支持。这些数据集不仅促进了精准医学的发展，还增强了全球气候模型的预测能力。此外，随着机器学习和人工智能技术的进步，这些数据集在算法训练和模型优化中的应用也日益增多，推动了数据驱动科学研究的前沿进展。