awesome-public-datasets

一个主题中心的高质量公开数据集列表，这些数据集来自公共领域，由大家收集整理，供大家使用。

A curated list of high-quality open datasets from the public domain, meticulously collected and organized by the community for widespread 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: 提供营养成分数据。

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: 公共基因组数据。
• 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): 基因表达数据集。
• Gene Ontology (GO): 基因本体论数据。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 细胞系百科全书项目。
• 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: 人类基因组单体型图项目。
• 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: 精神病基因组联盟。
• PubChem Project: 化学物质数据库。
• 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: 基因簇数据库。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。

气候/天气

• Actuaries Climate Index: 保险业气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system: 航空天气中心数据。
• 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: 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。
• NOAA SURFRAD Meteorology and Radiation Datasets: 美国国家海洋和大气管理局SURFRAD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中心。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 世界历史天气数据。

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URL。
• 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: 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: 国家标准与技术研究院复杂网络数据集。
• 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: 斯高帕斯引用数据库。
• Small Network Data: 小型网络数据。
• 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集合。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络集合。
• 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。

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535亿次网页点击。
• 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。
• OONI: Open Observatory of Network Interference - Internet censorship data: 网络干扰开放观察站-互联网审查数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7的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，IPv4 /8网络。

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): 国际社交媒体会议数据挑战（自2009年）。
• Kaggle Competition Data: Kaggle竞赛数据。
• KDD Cup by Tencent 2012: 腾讯2012年KDD杯。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖。
• Space Apps Challenge: 太空应用挑战。
• 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: 全球水资源及其利用。
• BODC - marine data of ~22K vars: 英国海洋数据中心-约22,000个变量的海洋数据。
• 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) - roughly 30TB of ocean measurements: 综合海洋观测系统-约30TB的海洋测量数据。
• 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。
• 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: 国际经济学数据库。
• 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: 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: 巴黎政治学院世界贸易重力数据集。
• 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

• College Scorecard Data: 大学记分卡数据。
• 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: 组合能耗数据集。
• Dataport: 能耗数据港。
• DRED: 分布式可再生能源数据集。
• ECO: 能耗优化数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭能耗研究。
• HFED: 高频能耗数据集。
• iAWE: 智能建筑能耗数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能耗数据集。
• Tracebase: 能耗跟踪数据集。
• UK-DALE: 英国家庭能耗数据集。
• WHITED: 白色能耗数据集。

金融

• CBOE Futures Exchange: 芝加哥期权交易所期货交易数据。
• 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: 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。

GIS

• ArcGIS Open Data portal: ArcGIS开放数据门户。
• Cambridge, MA, US, GIS data on GitHub: 马萨诸塞州剑桥市GIS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: 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。
• 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: 古代地点地名录和图形。
• 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

• A list of cities and countries contributed by community: 社区贡献的城市和国家列表。
• 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。
• GDC supports several cancer genome programs for CCG, TCGA, TARGET etc.: GDC支持多个癌症基因组项目。
• PhysioBank Databases - a large and growing archive of physiological data: PhysioBank数据库-生理数据大型档案。
• 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: MeSH，PubMed文章索引使用的词汇同义词库。
• Number of Ebola Cases and Deaths in Affected Countries (2014): 2014年受影响国家埃博拉病例和死亡人数。
• Open-ODS (structure of the UK NHS): 英国国民健康服务体系结构。
• 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名美国成年人面部数据库。
• 2GB of Photos of Cats: 2GB的猫照片。
• Adience Unfiltered faces for gender and age classification: Adience性别和年龄分类未过滤面部数据。
• Affective Image Classification: 情感图像分类。
• 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: Chars74K数据集，自然图像中的字符识别。
• Face Recognition Benchmark: 面部识别基准。
• 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: GDXray：X射线测试和计算机视觉的X射线图像。
• ImageNet (in WordNet hierarchy): ImageNet（在WordNet层次结构中）。
• Indoor Scene Recognition: 室内场景识别。
• International Affective Picture System, UFL: 国际情感图片系统，佛罗里达大学。
• **Massive Visual Memory Stim

搜集汇总

数据集介绍

构建方式

awesome-public-datasets 数据集通过整合来自博客、问答平台和用户反馈的高质量公共数据源构建而成。该数据集涵盖了多个领域，包括农业、生物学、气候、复杂网络、计算机科学等，数据来源广泛且多样。数据集中的大部分数据是免费的，但也有部分数据需要付费获取。通过这种方式，数据集不仅确保了数据的多样性和广泛性，还保持了数据的高质量和实用性。

特点

awesome-public-datasets 数据集的特点在于其广泛的覆盖范围和高质量的数据源。数据集涵盖了从农业到机器学习的多个领域，每个领域都提供了丰富的数据资源。这些数据源来自权威机构、研究项目和公开数据库，确保了数据的可靠性和权威性。此外，数据集的结构清晰，按领域分类，便于用户快速找到所需的数据资源。数据集还提供了详细的数据来源链接，方便用户进一步探索和使用。

使用方法

使用 awesome-public-datasets 数据集时，用户可以通过 GitHub 页面浏览数据集的内容，并根据需要选择特定领域的数据源。每个数据源都附有详细的链接和描述，用户可以直接访问相关网站获取数据。数据集的使用方法灵活多样，既可以直接下载数据进行分析，也可以通过 API 接口获取实时数据。此外，数据集还提供了与其他优秀数据集的链接，方便用户进一步扩展研究范围。无论是学术研究还是商业应用，该数据集都能提供丰富的数据支持。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个由社区驱动的公共数据集集合，涵盖了从农业、生物学到计算机科学、经济学等多个领域的开放数据资源。该数据集由GitHub用户caesar0301于2015年创建，旨在为研究人员和开发者提供一个高质量、主题集中的公共数据源。其数据来源广泛，包括博客、问答平台和用户反馈，部分数据集为免费提供，部分则需付费获取。该数据集的影响力主要体现在其为跨学科研究提供了丰富的数据支持，推动了数据驱动的科学研究和技术创新。

当前挑战

awesome-public-datasets 数据集面临的挑战主要包括两个方面。首先，数据集的多样性和广泛性虽然为研究提供了丰富的资源，但也带来了数据质量参差不齐的问题，部分数据可能存在格式不统一、标注不完整或更新不及时的情况。其次，数据集的构建过程中，如何确保数据的合法性和隐私保护是一个重要挑战，尤其是在涉及个人健康数据或敏感信息时。此外，数据集的维护和更新需要持续的社区参与和技术支持，如何保持数据的时效性和准确性也是亟待解决的问题。

常用场景

经典使用场景

在数据科学和机器学习领域，awesome-public-datasets数据集被广泛用于探索和分析多领域的公开数据资源。研究者可以通过该数据集快速访问高质量的公共数据，涵盖从生物学、气候学到经济学等多个学科。这些数据不仅为学术研究提供了丰富的素材，还为数据驱动的决策支持系统奠定了基础。

实际应用

在实际应用中，awesome-public-datasets数据集为政府、企业和非营利组织提供了强大的数据支持。例如，政府部门可以利用气候数据制定应对极端天气的政策，企业可以通过经济数据优化市场策略，医疗机构则能借助生物医学数据提升疾病诊断的准确性。这些应用场景展示了数据集在推动社会进步中的重要作用。

衍生相关工作

基于awesome-public-datasets数据集，许多经典研究工作得以展开。例如，在基因组学领域，研究者利用1000 Genomes项目数据揭示了人类遗传变异的规律；在气候科学中，NASA的全球气候数据被用于构建气候模型，预测未来的气候变化趋势。这些衍生工作不仅推动了学科发展，还为后续研究提供了宝贵的参考。