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: 提供人类遗传变异数据。
• American Gut (Microbiome Project): 专注于人类微生物组的研究数据。
• Broad Cancer Cell Line Encyclopedia (CCLE): 包含多种癌症细胞系的基因表达和药物反应数据。
• Broad Bioimage Benchmark Collection (BBBC): 提供生物图像数据集。
• Cell Image Library: 收录细胞结构和功能的图像。
• Collaborative Research in Computational Neuroscience (CRCNS): 提供神经科学研究的数据集。
• Complete Genomics Public Data: 提供完整的人类基因组数据。
• EBI ArrayExpress: 包含基因表达和分子谱数据。
• EBI Protein Data Bank in Europe: 提供蛋白质结构数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 提供电子显微镜图像数据。
• ENCODE project: 提供基因组功能注释数据。
• Ensembl Genomes: 提供非人类基因组数据。
• Gene Expression Omnibus (GEO): 收录基因表达数据。
• Gene Ontology (GO): 提供基因功能注释数据。
• Global Biotic Interactions (GloBI): 提供物种相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 提供细胞信号传导数据。
• Human Genome Diversity Project: 提供全球人群的基因多样性数据。
• Human Microbiome Project (HMP): 提供人类微生物组数据。
• ICOS PSP Benchmark: 提供蛋白质结构预测基准数据。
• International HapMap Project: 提供人类遗传变异数据。
• Journal of Cell Biology DataViewer: 提供细胞生物学数据。
• MIT Cancer Genomics Data: 提供癌症基因组数据。
• NCBI Proteins: 提供蛋白质数据。
• NCBI Taxonomy: 提供生物分类数据。
• NeuroData: 提供神经科学数据。
• NIH Microarray data: 提供微阵列数据。
• OpenSNP genotypes data: 提供个体遗传变异数据。
• Pathguid - Protein-Protein Interactions Catalog: 提供蛋白质相互作用数据。
• Protein Data Bank: 提供蛋白质结构数据。
• Psychiatric Genomics Consortium: 提供精神疾病遗传数据。
• PubChem Project: 提供化学信息数据。
• PubGene (now Coremine Medical): 提供基因和疾病关联数据。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): 提供癌症相关体细胞突变数据。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): 提供药物敏感性数据。
• Sequence Read Archive(SRA): 提供高通量测序数据。
• Stanford Microarray Data: 提供微阵列数据。
• Stowers Institute Original Data Repository: 提供生物学研究数据。
• Systems Science of Biological Dynamics (SSBD) Database: 提供生物动态系统数据。
• Temple University Hospital EEG Database: 提供脑电图数据。
• The Cancer Genome Atlas (TCGA), available via Broad GDAC: 提供癌症基因组数据。
• The Catalogue of Life: 提供全球物种名录数据。
• The Personal Genome Project: 提供个人基因组数据。
• UCSC Public Data: 提供基因组数据。
• Universal Protein Resource (UnitProt): 提供蛋白质数据。
• UniGene: 提供基因特异性序列数据。

气候/天气

• Australian Weather: 提供澳大利亚天气数据。
• Brazilian Weather - Historical data: 提供巴西历史天气数据。
• Canadian Meteorological Centre: 提供加拿大气象数据。
• Climate Data from UEA: 提供气候数据。
• European Climate Assessment & Dataset: 提供欧洲气候评估数据。
• Global Climate Data Since 1929: 提供全球气候数据。
• NASA Global Imagery Browse Services: 提供全球影像浏览服务。
• NOAA Bering Sea Climate: 提供白令海气候数据。
• NOAA Climate Datasets: 提供NOAA气候数据集。
• NOAA Realtime Weather Models: 提供实时天气模型数据。
• The World Bank Open Data Resources for Climate Change: 提供世界银行气候变化数据资源。
• UEA Climatic Research Unit: 提供气候研究数据。
• WorldClim - Global Climate Data: 提供全球气候数据。
• WU Historical Weather Worldwide: 提供全球历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 提供引用网络数据集。
• CrossRef DOI URLs: 提供DOI链接数据。
• DBLP Citation dataset: 提供DBLP引用数据集。
• NBER Patent Citations: 提供专利引用数据。
• Network Repository with Interactive Exploratory Analysis Tools: 提供网络数据集及分析工具。
• NIST complex networks data collection: 提供复杂网络数据集合。
• Protein-protein interaction network: 提供蛋白质相互作用网络数据。
• PyPI and Maven Dependency Network: 提供依赖网络数据。
• Scopus Citation Database: 提供Scopus引用数据库。
• Small Network Data: 提供小型网络数据。
• Stanford GraphBase (Steven Skiena): 提供图数据集。
• Stanford Large Network Dataset Collection: 提供大型网络数据集。
• Stanford Longitudinal Network Data Sources: 提供纵向网络数据源。
• The Koblenz Network Collection: 提供网络数据集合。
• The Laboratory for Web Algorithmics (UNIMI): 提供网络算法数据集。
• The Nexus Network Repository: 提供网络数据仓库。
• UCI Network Data Repository: 提供网络数据存储库。
• UFL sparse matrix collection: 提供稀疏矩阵数据集合。
• WSU Graph Database: 提供图数据库。
• DIMACS Road Networks Collection: 提供道路网络数据集合。

计算机网络

• 3.5B Web Pages from CommonCraw 2012: 提供2012年CommonCrawl的35亿网页数据。
• 53.5B Web clicks of 100K users in Indiana Univ.: 提供印第安纳大学10万用户的535亿次网页点击数据。
• CAIDA Internet Datasets: 提供互联网数据集。
• ClueWeb09 - 1B web pages: 提供10亿网页数据。
• ClueWeb12 - 733M web pages: 提供7.33亿网页数据。
• CommonCrawl Web Data over 7 years: 提供7年间的网页数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 提供达特茅斯大学的无线数据集。
• Criteo click-through data: 提供点击通过率数据。
• Open Mobile Data by MobiPerf: 提供移动数据。
• Rapid7 Sonar Internet Scans: 提供互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 提供网络望远镜数据。

上下文数据

• Context-aware data sets from five domains: 提供五个领域的上下文感知数据集。

数据挑战

• Challenges in Machine Learning: 提供机器学习挑战数据。
• CrowdANALYTIX dataX: 提供数据挑战。
• D4D Challenge of Orange: 提供数据挑战。
• DrivenData Competitions for Social Good: 提供社会公益数据竞赛。
• ICWSM Data Challenge (since 2009): 提供自2009年以来的数据挑战。
• Kaggle Competition Data: 提供Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 提供2012年腾讯KDD杯数据。
• Localytics Data Visualization Challenge: 提供数据可视化挑战。
• Netflix Prize: 提供Netflix奖数据。
• Space Apps Challenge: 提供空间应用挑战数据。
• Telecom Italia Big Data Challenge: 提供大数据挑战。
• Yelp Dataset Challenge: 提供Yelp数据挑战。
• Bruteforce Database: 提供暴力破解数据库。

经济学

• American Economic Ass (AEA): 提供美国经济协会数据。
• EconData from UMD: 提供经济数据。
• Economic Freedom of the World Data: 提供世界经济自由数据。
• Historical MacroEconomic Statistics: 提供历史宏观经济统计数据。
• International Trade Statistics: 提供国际贸易统计数据。
• Internet Product Code Database: 提供互联网产品代码数据库。
• Joint External Debt Data Hub: 提供联合外债数据中心。
• Jon Haveman International Trade Data Links: 提供国际贸易数据链接。
• OpenCorporates Database of Companies in the World: 提供全球公司数据库。
• Our World in Data: 提供全球数据。
• SciencesPo World Trade Gravity Datasets: 提供世界贸易重力数据集。
• The Atlas of Economic Complexity: 提供经济复杂性图谱。
• The Center for International Data: 提供国际数据中心。
• The Observatory of Economic Complexity: 提供经济复杂性观察站。
• UN Commodity Trade Statistics: 提供联合国商品贸易统计数据。
• UN Human Development Reports: 提供联合国人类发展报告。

教育

• Student Data from Free Code Camp: 提供免费编程营学生数据。

能源

• AMPds: 提供能源数据集。
• BLUEd: 提供能源数据集。
• COMBED: 提供能源数据集。
• Dataport: 提供能源数据集。
• ECO: 提供能源数据集。
• EIA: 提供能源信息管理局数据。
• HFED: 提供能源数据集。
• iAWE: 提供能源数据集。
• Plaid: 提供能源数据集。
• REDD: 提供能源数据集。
• UK-Dale: 提供能源数据集。

金融

• CBOE Futures Exchange: 提供期货交易所数据。
• Google Finance: 提供金融数据。
• Google Trends: 提供趋势数据。
• NASDAQ: 提供纳斯达克数据。
• OANDA: 提供金融数据。
• OSU Financial data: 提供俄亥俄州立大学金融数据。
• Quandl: 提供金融数据。
• St Louis Federal: 提供圣路易斯联邦储备银行数据。
• Yahoo Finance: 提供雅虎金融数据。
• NYSE Market Data: 提供纽约证券交易所市场数据。

地质学

• Earth Models: 提供地球模型数据。
• Smithsonian Institution Global Volcano and Eruption Database: 提供全球火山和喷发数据库。
• USGS Earthquake Archives: 提供美国地质调查局地震档案。

GIS/环境

• BODC - marine data of ~22K vars: 提供约2.2万个变量的海洋数据。
• Cambridge, MA, US, GIS data on GitHub: 提供剑桥市的GIS数据。
• EOSDIS - NASAs earth observing system data: 提供NASA地球观测系统数据。
• Factual Global Location Data: 提供全球位置数据。
• Geo Spatial Data from ASU: 提供亚利桑那州立大学地理空间数据。
• Geo Wiki Project - Citizen-driven Environmental Monitoring: 提供公民驱动的环境监测数据。
• GeoFabrik - OSM data extracted to a variety of formats and areas: 提供各种格式和区域的开源地图数据。
• GeoNames Worldwide: 提供全球地理名称数据。
• Global Administrative Areas Database (GADM): 提供全球行政区域数据库。
• Homeland Infrastructure Foundation-Level Data: 提供国土基础设施基础数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 提供约30TB的海洋测量数据。
• International Institute for Systems Analysis - GIS Datasets: 提供系统分析国际研究所GIS数据集。
• Landsat 8 on AWS: 提供AWS上的Landsat 8数据。
• List of all countries in all languages: 提供所有国家在所有语言中的列表。
• Marinexplore - Open Oceanographic Data: 提供开放海洋学数据。
• National Weather Service GIS Data Portal: 提供国家气象服务GIS数据门户。
• Natural Earth - vectors and rasters of the world: 提供全球矢量和栅格数据。
• OpenAddresses: 提供开放地址数据。
• OpenStreetMap (OSM): 提供开源地图数据。
• Pleiades - Gazetteer and graph of ancient places: 提供古代地点的地名录和图。
• Reverse Geocoder using OSM data: 提供使用开源地图数据的反向地理编码器。
• TIGER/Line - U.S. boundaries and roads: 提供美国边界和道路数据。
• TwoFishes - Foursquares coarse geocoder: 提供Foursquare的粗略地理编码器。
• TZ Timezones shapfiles: 提供时区形状文件。
• UN Environmental Data: 提供联合国环境数据。
• World boundaries from the U.S. Department of State: 提供美国国务院的全球边界数据。
• World countries in multiple formats: 提供多种格式的世界国家数据。

政府

• OpenDataSofts list of 1,600 open data portals: 提供1600个开放数据门户列表。
• A list of cities and countries contributed by community: 提供社区贡献的城市和国家列表。

医疗保健

• EHDP Large Health Data Sets: 提供大型健康数据集。
• Gapminder World demographic databases: 提供世界人口统计数据库。
• Medicare Coverage Database (MCD), U.S.: 提供美国医疗保险覆盖数据库。
• Medicare Data Engine of medicare.gov Data: 提供medicare.gov数据引擎。
• Medicare Data File: 提供医疗保险数据文件。
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed: 提供用于PubMed文章索引的词汇同义词库。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 提供2014年受影响国家的埃博拉病例和死亡人数。
• Open-ODS (structure of the UK NHS): 提供英国国民健康服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 提供医疗保健财务关系数据。
• The Cancer Genome Atlas project (TCGA): 提供癌症基因组图谱项目数据。
• World Health Organization Global Health Observatory: 提供世界卫生组织全球健康观察站数据。

图像处理

• 10k US Adult Faces Database: 提供10,000个美国成年人面部数据库。
• 2GB of Photos of Cats: 提供2GB的猫照片数据。
• Affective Image Classification: 提供情感图像分类数据。
• Animals with attributes: 提供带有属性的动物图像数据。
• Face Recognition Benchmark: 提供面部识别基准数据。
• ImageNet (in WordNet hierarchy): 提供WordNet层次结构中的ImageNet数据。
• Indoor Scene Recognition: 提供室内场景识别数据。
• International Affective Picture System, UFL: 提供国际情感图片系统数据。
• Massive Visual Memory Stimuli, MIT: 提供大规模视觉记忆刺激数据。
• Several Shape-from-Silhouette Datasets: 提供多个从轮廓推断形状的数据集。
• Stanford Dogs Dataset: 提供斯坦福狗数据集。
• SUN database, MIT: 提供SUN数据库数据。
• The Oxford-IIIT Pet Dataset: 提供牛津-IIIT宠物数据集。
• YouTube Faces Database: 提供YouTube面部数据库。
• Adience Unfiltered faces for gender and age classification: 提供未过滤的面部性别和年龄分类数据。
• The Action Similarity Labeling (ASLAN) Challenge: 提供动作相似性标记挑战数据。
• Violent-Flows - Crowd Violence Non-violence Database and benchmark: 提供暴力流动 - 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): 提供多伦多大学的分类和回归数据集。
• Discogs Monthly Data: 提供Discogs每月数据。
• eBay Online Auctions (2012): 提供2012年eBay在线拍卖数据。
• IMDb Database: 提供IMDb数据库。
• Keel Repository for classification, regression and time series: 提供分类、回归和时间序列数据存储库。
• Labeled Faces in the Wild (LFW): 提供野外标记面部数据。
• Lending Club Loan Data: 提供Lending Club贷款数据。
• Machine Learning Data Set Repository: 提供机器学习数据集存储库。
• Million Song Dataset: 提供百万歌曲数据集。
• More Song Datasets: 提供更多歌曲数据集。
• MovieLens Data Sets: 提供MovieLens数据集。
• RDataMining - "R and Data Mining" ebook data: 提供"R和数据挖掘"电子书数据。
• **

搜集汇总

数据集介绍

构建方式

该数据集是一个收集自博客、回答和用户响应的公开数据源列表，大部分数据集是免费的，但也有一些不是。它通过GitHub进行维护和更新。

特点

数据集的特点在于其广泛性，涵盖了从农业、生物学到自然语言处理、机器学习等多个领域的公共数据集。它不仅包含了各个领域的权威数据集，还包括了一些挑战性数据集，供研究者进行算法竞赛和性能评估。

使用方法

用户可以通过GitHub页面浏览和下载所需的数据集。每个数据集的详情页通常包含了数据集的描述、使用条款和下载链接。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’是一个由sindresorhus创建和维护的GitHub项目，旨在收集和整理互联网上公开可用的数据集。该项目汇集了来自不同领域的众多数据集，包括农业、生物学、气候/天气、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、博物馆和自然语言处理等多个领域。这些数据集的收集始于2012年，主要研究人员为sindresorhus，其影响力在数据科学和机器学习领域中逐渐扩大，成为了一个重要的资源库。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1) 数据集的收集和整理工作繁琐，需要从多个来源进行筛选和验证；2) 数据集的多样性和质量参差不齐，需要不断更新和维护以保证其可用性和准确性；3) 随着数据集的增多，如何有效地进行分类和索引，以便用户能够快速找到所需的数据集，也是一个挑战。在所解决的领域问题方面，该数据集旨在为研究人员提供丰富的数据资源，以支持他们在各自领域中的探索和研究，但如何确保这些数据集能够真正满足研究人员的需要，以及如何处理数据集的版权和隐私问题，都是需要考虑的挑战。

常用场景

经典使用场景

awesome-public-datasets数据集是一个收集和整理自博客、回答和用户响应的公共数据源列表。它涵盖了多个领域，如农业、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。其经典使用场景包括为研究人员提供丰富的数据资源，以便他们能够轻松地找到和访问用于各种研究和分析的数据集。

解决学术问题

该数据集解决了研究人员在寻找特定领域数据集时的困难，减少了数据收集和预处理的时间。它还帮助学术界和工业界之间的数据共享，促进了跨学科的研究合作。此外，通过提供广泛的数据集，awesome-public-datasets为机器学习和数据科学领域的学术研究提供了坚实的基础。

衍生相关工作

awesome-public-datasets衍生了许多相关的经典工作，包括但不限于各种数据集的整理和发布，以及基于这些数据集的研究论文和项目。它促进了开源数据集的创建和共享，为数据科学社区提供了宝贵的资源。