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 fields such as agriculture, biology, and more.

原始信息汇总

数据集概述

生物学

• 1000 Genomes: 基因组数据集，提供人类遗传变异信息。
• American Gut (Microbiome Project): 微生物组项目数据集，研究人类肠道微生物。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书，提供癌症细胞系数据。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像基准集合，用于生物图像分析。
• Cell Image Library: 细胞图像库，包含多种细胞图像。
• Collaborative Research in Computational Neuroscience (CRCNS): 计算神经科学合作研究数据集。
• Complete Genomics Public Data: 完整基因组公共数据，提供人类基因组序列。
• EBI ArrayExpress: 欧洲生物信息研究所的基因表达数据集。
• EBI Protein Data Bank in Europe: 欧洲蛋白质数据库，提供蛋白质结构数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像存档。
• ENCODE project: 基因组百科全书项目，提供基因组功能注释数据。
• Ensembl Genomes: 包含非脊椎动物基因组数据。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论，提供基因功能分类。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据集。
• Harvard Medical School (HMS) LINCS Project: 哈佛医学院LINCS项目，研究细胞信号网络。
• Human Genome Diversity Project: 人类基因组多样性项目数据。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• ICOS PSP Benchmark: 图像分割基准数据集。
• International HapMap Project: 国际人类基因组单体型图计划数据。
• Journal of Cell Biology DataViewer: 细胞生物学数据查看器。
• MIT Cancer Genomics Data: 麻省理工癌症基因组数据。
• NCBI Proteins: 国家生物技术信息中心蛋白质数据库。
• NCBI Taxonomy: 国家生物技术信息中心分类数据库。
• NeuroData: 神经科学数据集。
• NIH Microarray data: 美国国立卫生研究院微阵列数据。
• 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数据。
• PubChem Project: 公共化学数据库。
• PubGene (now Coremine Medical): 生物医学文献数据库。
• 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: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: 斯托尔斯研究所原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动态系统科学数据库。
• Temple University Hospital EEG Database: 坦普尔大学医院脑电图数据库。
• The Cancer Genome Atlas (TCGA), available via Broad GDAC: 癌症基因组图谱，通过Broad GDAC访问。
• 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: 基因特异性序列集合。

气候/天气

• Australian Weather: 澳大利亚天气数据。
• Brazilian Weather - Historical data (In Portuguese): 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• 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单位数据。
• 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: 引用网络数据集。
• CrossRef DOI URLs: 学术出版物DOI链接。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• NBER Patent Citations: 美国国家经济研究局专利引用数据。
• 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数据。
• PyPI and Maven Dependency Network: Python包和Maven依赖网络数据。
• Scopus Citation Database: Scopus引用数据库。
• Small Network Data: 小型网络数据集。
• 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: 佛罗里达大学稀疏矩阵集合。
• WSU Graph Database: 华盛顿州立大学图形数据库。
• DIMACS Road Networks Collection: 迪马克斯道路网络收集。

计算机网络

• 3.5B Web Pages from CommonCraw 2012: 2012年CommonCrawl的35亿网页数据。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿次网页点击数据。
• CAIDA Internet Datasets: 互联网数据集分析与研究中心数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页数据。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页数据。
• CommonCrawl Web Data over 7 years: 7年间的CommonCrawl网页数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• Criteo click-through data: Criteo点击率数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7 Sonar互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校网络望远镜数据。

上下文数据

• Context-aware data sets from five domains: 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): 国际网络社会媒体会议数据挑战。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 腾讯2012年KDD杯数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix奖数据。
• Space Apps Challenge: 空间应用挑战。
• 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。

经济学

• American Economic Ass (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 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: 联合外部债务数据中心。
• 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世界贸易引力数据集。
• The Atlas of Economic Complexity: 经济复杂性图谱。
• 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: 自由代码营学生数据。

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。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HFED: 家庭能耗数据集。
• iAWE: 智能建筑能耗数据集。
• Plaid: 能源监控数据集。
• REDD: 住宅能耗数据集。
• UK-Dale: 英国住宅能耗数据集。

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。
• OANDA: OANDA外汇数据。
• 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: 雅虎财经数据。
• NYSE Market Data: 纽约证券交易所市场数据。

地质学

• Earth Models: 地球模型数据。
• 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。

GIS/环境

• BODC - marine data of ~22K vars: 英国海洋数据中心海洋数据。
• Cambridge, MA, US, GIS data on GitHub: 剑桥市GIS数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局地球观测系统数据。
• 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: 地理Wiki项目 - 公民驱动的环境监测。
• GeoFabrik - OSM data extracted to a variety of formats and areas: GeoFabrik提取的OSM数据。
• GeoNames Worldwide: GeoNames全球数据。
• 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。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 综合海洋观测系统 - 约30TB海洋测量数据。
• International Institute for Systems Analysis - GIS Datasets: 国际系统分析研究所GIS数据集。
• 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。
• Marinexplore - Open Oceanographic Data: 海洋探索 - 开放海洋学数据。
• National Weather Service GIS Data Portal: 美国国家气象服务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: 古代地点的目录和图。
• 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: 多种格式的世界国家数据。

政府

• OpenDataSofts list of 1,600 open data portals: OpenDataSoft的1600个开放数据门户列表。
• 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数据引擎。
• Medicare Data File: 医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: PubMed用于索引文章的词汇同义词库。
• 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: 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美国成人面部数据库。
• 2GB of Photos of Cats: 2GB猫照片数据。
• Affective Image Classification: 情感图像分类数据。
• Animals with attributes: 带有属性的动物数据。
• Face Recognition Benchmark: 面部识别基准数据。
• 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，佛罗里达大学。
• Massive Visual Memory Stimuli, MIT: 麻省理工学院大规模视觉记忆刺激数据。
• 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: 麻省理工学院SUN数据库。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• YouTube Faces Database: YouTube面部数据集。
• Adience Unfiltered faces for gender and age classification: Adience性别和年龄分类未过滤面部数据。
• The Action Similarity Labeling (ASLAN) Challenge: 动作相似性标记挑战。
• 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。

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto): 多伦多大学分类和回归数据集。
• Discogs Monthly Data: Discogs每月数据。
• eBay Online Auctions (2012): 2012年eBay在线拍卖数据。
• IMDb Database: IMDb数据库。
• Keel Repository for classification, regression and time series: KEEL分类、回归和时间序列数据存储库。
• **Labeled Faces in the Wild (LFW)

搜集汇总

数据集介绍

构建方式

该数据集是从多个来源收集和整理的公开数据集列表，涵盖了各个领域的大量数据集，包括农业、生物学、气候、复杂网络、计算机网络、上下文数据、数据挑战、经济学、教育、能源、金融、地质学、GIS/环境、政府、健康护理、图像处理、机器学习、博物馆、自然语言处理等。数据集的构建主要通过收集和整理网络上的公开数据集，按照不同的领域和特点进行分类整理。

特点

该数据集的特点在于其广泛性、多样性和开放性。它包含了多个领域的公共数据集，不仅涵盖了传统的科学领域，还包括了互联网、金融、健康护理等现代领域。此外，数据集不断更新，保证了数据的时效性和准确性。同时，大部分数据集都是免费的，这极大地促进了数据的共享和传播。

使用方法

使用该数据集的方法主要分为三个步骤：首先，用户需要根据自身需求选择合适的数据集；其次，用户需要了解数据集的获取方式和使用条款；最后，用户可以根据数据集的文档和示例代码进行数据分析和应用开发。需要注意的是，部分数据集可能需要特定的软件或工具来处理。

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共数据集列表。该数据集创建于2016年，由sindresorhus维护，主要目的是为了方便研究人员和开发者快速找到并使用公共数据集。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、上下文数据、数据挑战、经济学、教育、能源、金融、地质学、GIS/环境、政府、健康护理、图像处理、机器学习、博物馆、自然语言处理等。它的影响力体现在为研究人员提供了便捷的数据集获取途径，促进了数据共享与开放。

当前挑战

该数据集面临的挑战主要包括：1) 数据集的多样性和质量难以保证，因为它们来自不同的来源和背景；2) 数据集的更新和维护可能不及时，导致部分数据过时或不再适用；3) 数据集的版权和许可问题可能不明确，使用时可能存在法律风险；4) 数据集的构建过程中，如何确保数据的真实性和有效性是一个挑战。

常用场景

经典使用场景

该数据集最经典的使用场景在于为研究者提供了一个全面、结构化的公开数据集列表，涵盖了各个领域和学科。用户可以通过此数据集快速找到所需的数据来源，进行数据分析和学术研究。

衍生相关工作

基于该数据集，已经衍生出许多相关工作，包括数据集的扩展、数据的二次分析和可视化展示等，这些工作进一步推动了数据科学和相关领域的研究进展。

数据集最近研究

最新研究方向

该数据集涵盖了多个领域的公共数据集，最新的研究方向主要集中于数据的整合、清洗和应用。在生物医学领域，研究者关注于利用基因序列数据探索疾病机理；在气候和天气领域，研究者致力于利用历史气候数据预测未来气候变化；在复杂网络领域，研究者探索网络结构对信息传播和社交网络的影响；在计算机视觉领域，研究者则关注于图像识别和分类技术的提升。