awesome-public-datasets

一个包含高质量公开数据集的列表，这些数据集来自公共领域，不断更新中。

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

原始信息汇总

数据集概述

本数据集名为“Awesome Public Datasets”，是一个收集和整理自博客、问答和用户响应的公共数据源列表。数据集中的大多数数据集是免费的，但也有一些不是。该列表涵盖了多个领域的数据集，包括但不限于农业、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、GIS/环境、政府、医疗保健、图像处理、机器学习、博物馆、自然语言等。

数据集分类及示例

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Broad Cancer Cell Line Encyclopedia (CCLE)
• Broad Bioimage Benchmark Collection (BBBC)
• Cell Image Library
• Collaborative Research in Computational Neuroscience (CRCNS)
• Complete Genomics Public Data
• EBI ArrayExpress
• EBI Protein Data Bank in Europe
• Electron Microscopy Pilot Image Archive (EMPIAR)
• ENCODE project
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interactions (GloBI)
• Harvard Medical School (HMS) LINCS Project
• Human Genome Diversity Project
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• International HapMap Project
• Journal of Cell Biology DataViewer
• MIT Cancer Genomics Data
• NCBI Proteins
• NCBI Taxonomy
• NeuroData
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid - Protein-Protein Interactions Catalog
• Protein Data Bank
• Psychiatric Genomics Consortium
• PubChem Project
• PubGene (now Coremine Medical)
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• Stowers Institute Original Data Repository
• Systems Science of Biological Dynamics (SSBD) Database
• Temple University Hospital EEG Database
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• Universal Protein Resource (UnitProt)
• UniGene

气候/天气

• Australian Weather
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• European Climate Assessment & Dataset
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WorldClim - Global Climate Data
• WU Historical Weather Worldwide

复杂网络

• AMiner Citation Network Dataset
• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• Network Repository with Interactive Exploratory Analysis Tools
• NIST complex networks data collection
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Small Network Data
• Stanford GraphBase (Steven Skiena)
• Stanford Large Network Dataset Collection
• Stanford Longitudinal Network Data Sources
• The Koblenz Network Collection
• The Laboratory for Web Algorithmics (UNIMI)
• The Nexus Network Repository
• UCI Network Data Repository
• UFL sparse matrix collection
• WSU Graph Database
• DIMACS Road Networks Collection

计算机网络

• 3.5B Web Pages from CommonCraw 2012
• 53.5B Web clicks of 100K users in Indiana Univ.
• CAIDA Internet Datasets
• ClueWeb09 - 1B web pages
• ClueWeb12 - 733M web pages
• CommonCrawl Web Data over 7 years
• CRAWDAD Wireless datasets from Dartmouth Univ.
• Criteo click-through data
• Open Mobile Data by MobiPerf
• Rapid7 Sonar Internet Scans
• UCSD Network Telescope, IPv4 /8 net

上下文数据

• Context-aware data sets from five domains

数据挑战

• Challenges in Machine Learning
• CrowdANALYTIX dataX
• D4D Challenge of Orange
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• Kaggle Competition Data
• KDD Cup by Tencent 2012
• Localytics Data Visualization Challenge
• Netflix Prize
• Space Apps Challenge
• Telecom Italia Big Data Challenge
• Yelp Dataset Challenge
• Bruteforce Database

经济学

• American Economic Ass (AEA)
• EconData from UMD
• Economic Freedom of the World Data
• Historical MacroEconomic Statistics
• International Trade Statistics
• Internet Product Code Database
• Joint External Debt Data Hub
• Jon Haveman International Trade Data Links
• OpenCorporates Database of Companies in the World
• Our World in Data
• SciencesPo World Trade Gravity Datasets
• The Atlas of Economic Complexity
• The Center for International Data
• The Observatory of Economic Complexity
• UN Commodity Trade Statistics
• UN Human Development Reports

教育

• Student Data from Free Code Camp

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• ECO
• EIA
• HFED
• iAWE
• Plaid
• REDD
• UK-Dale

金融

• CBOE Futures Exchange
• Google Finance
• Google Trends
• NASDAQ
• OANDA
• OSU Financial data
• Quandl
• St Louis Federal
• Yahoo Finance
• NYSE Market Data

地质

• Earth Models
• Smithsonian Institution Global Volcano and Eruption Database
• USGS Earthquake Archives

GIS/环境

• BODC - marine data of ~22K vars
• Cambridge, MA, US, GIS data on GitHub
• EOSDIS - NASAs earth observing system data
• Factual Global Location Data
• Geo Spatial Data from ASU
• Geo Wiki Project - Citizen-driven Environmental Monitoring
• GeoFabrik - OSM data extracted to a variety of formats and areas
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Homeland Infrastructure Foundation-Level Data
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements
• International Institute for Systems Analysis - GIS Datasets
• Landsat 8 on AWS
• List of all countries in all languages
• Marinexplore - Open Oceanographic Data
• National Weather Service GIS Data Portal
• Natural Earth - vectors and rasters of the world
• OpenAddresses
• OpenStreetMap (OSM)
• Pleiades - Gazetteer and graph of ancient places
• Reverse Geocoder using OSM data
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• UN Environmental Data
• World boundaries from the U.S. Department of State
• World countries in multiple formats

政府

• OpenDataSofts list of 1,600 open data portals
• A list of cities and countries contributed by community

医疗保健

• EHDP Large Health Data Sets
• Gapminder World demographic databases
• Medicare Coverage Database (MCD), U.S.
• Medicare Data Engine of medicare.gov Data
• Medicare Data File
• MeSH, the vocabulary thesaurus used for indexing articles for PubMed
• Number of Ebola Cases and Deaths in Affected Countries (2014)
• Open-ODS (structure of the UK NHS)
• OpenPaymentsData, Healthcare financial relationship data
• The Cancer Genome Atlas project (TCGA)
• World Health Organization Global Health Observatory

图像处理

• 10k US Adult Faces Database
• 2GB of Photos of Cats
• Affective Image Classification
• Animals with attributes
• Face Recognition Benchmark
• ImageNet (in WordNet hierarchy)
• Indoor Scene Recognition
• International Affective Picture System, UFL
• Massive Visual Memory Stimuli, MIT
• Several Shape-from-Silhouette Datasets
• Stanford Dogs Dataset
• SUN database, MIT
• The Oxford-IIIT Pet Dataset
• YouTube Faces Database
• Adience Unfiltered faces for gender and age classification
• The Action Similarity Labeling (ASLAN) Challenge
• Violent-Flows - Crowd Violence Non-violence Database and benchmark

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto)
• Discogs Monthly Data
• eBay Online Auctions (2012)
• IMDb Database
• Keel Repository for classification, regression and time series
• Labeled Faces in the Wild (LFW)
• Lending Club Loan Data
• Machine Learning Data Set Repository
• Million Song Dataset
• More Song Datasets
• MovieLens Data Sets
• RDataMining - "R and Data Mining" ebook data
• Registered Meteorites on Earth
• Restaurants Health Score Data in San Francisco
• UCI Machine Learning Repository
• Yahoo! Ratings and Classification Data

博物馆

• Canada Science and Technology Museums Corporations Open Data
• Cooper-Hewitts Collection Database
• Minneapolis Institute of Arts metadata
• Natural History Museum (London) Data Portal
• Rijksmuseum Historical Art Collection
• Tate Collection metadata
• The Getty vocabularies

自然语言

• Blogger Corpus
• CLiPS Stylometry Investigation Corpus
• ClueWeb09

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。

使用方法

用户可以通过GitHub页面访问数据集，每个数据集都有详细的说明和链接，方便用户获取和使用。

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。该项目创建于2016年，主要研究人员为sindresorhus，其核心研究问题是如何高效地收集和整理公开数据集，以便于研究人员和开发者快速找到和使用这些数据。该数据集对相关领域的影响力体现在其广泛的数据集覆盖面和便捷的访问方式，已经成为数据科学和机器学习领域的一个重要资源库。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1)如何确保收集的数据集的质量和准确性；2)如何处理和整合不同来源和格式的数据集；3)如何提供一个高效、易用的数据集搜索和访问接口。此外，所解决的领域问题包括数据集的发现、数据质量保证、数据格式标准化等，这些都是在构建公开数据集时需要克服的关键挑战。

常用场景

经典使用场景

awesome-public-datasets 数据集是一个汇总了众多公开数据集的资源列表，其经典使用场景主要在于为研究人员提供便捷的途径来发现和访问这些数据集。用户可以通过这个数据集列表找到适用于各种研究和应用的数据资源，例如生物信息学、气候学、复杂网络、计算机网络、环境科学、金融学、地质学、健康医疗等多个领域。

解决学术问题

该数据集解决了学术研究中数据获取的难题，尤其是对于那些需要大量数据支撑的领域。例如，在生物信息学研究中，它可以提供基因序列数据；在气候学研究中，它可以提供历史天气数据；在金融学研究中，它可以提供股票交易数据等。这些数据集的存在极大地促进了相关领域的研究进展。

实际应用

在实际应用中，awesome-public-datasets 数据集可以帮助企业和政府机构获取到他们需要的数据，以进行市场分析、政策制定、资源管理等。例如，金融机构可以使用该数据集中的金融数据来分析市场趋势，环保机构可以使用环境数据来监测和评估环境变化。

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，近期研究方向主要集中在数据集的整合、清洗和应用上。例如，在生物医学领域，研究者利用这些数据集进行基因序列分析、疾病关联研究等；在环境科学领域，数据集被用于气候模型构建和自然灾害预测；在社会科学领域，数据集支持了经济趋势分析和政策制定。此外，随着机器学习和深度学习技术的发展，如何高效地从这些数据集中提取特征、进行模型训练和预测，也成为了研究的热点。