Awesome Public Datasets

一个包含高质量开放数据集的精选列表，涵盖多个领域，如农业、生物学、气候/天气等。

A curated list of high-quality open datasets spanning multiple domains, such as agriculture, biology, climate/weather, and more.

原始信息汇总

数据集概述

本数据集名为“Awesome Public Datasets”，收集并整理了来自博客、问答和用户反馈的公共数据源。数据集涵盖了多个领域，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、能源、金融、地质、地理空间/GIS、政府、医疗保健、图像处理、机器学习、博物馆、自然语言等。

数据集内容

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Collaborative Research in Computational Neuroscience (CRCNS)
• EBI ArrayExrepss
• ENCODE project
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interations (GloBI)
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• MIT Cancer Genomics Data
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid: Protein-Protein Interactions Catalog
• Protein Data Bank
• PubChem Project
• PubGene (now Coremine Medical)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• UniGene

气候/天气

• Australian Weather
• Brazilian Weather - Historical data
• Canadian Meteorological Centre
• Climate Data from UEA
• 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

• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• 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
• 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

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
• 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

经济学

• American Economic Ass (AEA)
• EconData from UMD
• Internet Product Code Database

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

地质

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

地理空间/GIS

• 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
• GeoNames Worldwide
• Global Administrative Areas Database (GADM)
• Landsat 8 on AWS
• List of all countries in all languages
• Natural Earth - vectors and rasters of the world
• OpenAddresses
• OpenStreetMap (OSM)
• Reverse Geocoder using OSM data
• TIGER/Line - U.S. boundaries and roads
• TwoFishes - Foursquares coarse geocoder
• TZ Timezones shapfiles
• World countries in multiple formats

政府

• Antwerp, Belgium
• Argentina
• Argentina (non official)
• Austin, TX, US
• Australia (abs.gov.au)
• Australia (data.gov.au)
• Austria (data.gv.at)
• Belgium
• Brazil
• Buenos Aires, Argentina
• Cambridge, MA, US
• Canada
• Chicago
• Dallas Open Data
• Denver Open Data
• Durham, NC Open Data
• England LGInform
• EuroStat
• FedStats
• Finland
• France
• Germany
• Ghent, Belgium
• Glasgow, Scotland, UK
• Guardian world governments
• Houston Open Data
• Indian Government Data
• Indonesian Data Portal
• London Datastore, UK
• Los Angeles Open Data
• MassGIS, Massachusetts, U.S.
• Mexico
• Netherlands
• New Zealand
• NYC betanyc
• NYC Open Data
• OECD
• Oklahoma
• Open Government Data (OGD) Platform India
• Oregon
• Portland, Oregon
• Puerto Rico Government
• Rio de Janeiro, Brazil
• Romania
• Russia
• San Francisco Data sets
• Seattle
• Singapore Government Data
• South Africa
• Switzerland
• Texas Open Data
• The World Bank
• U.K. Government Data
• U.S. American Community Survey
• U.S. CDC Public Health datasets
• U.S. Census Bureau
• U.S. Department of Housing and Urban Development (HUD)
• U.S. Federal Government Agencies
• U.S. Federal Government Data Catalog
• U.S. Food and Drug Administration (FDA)
• U.S. National Center for Education Statistics (NCES)
• U.S. Open Government
• UK 2011 Census Open Atlas Project
• United Nations
• Uruguay
• Vancouver, BC Open Data Catalog
• DataBC - data from the Province of British Columbia

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)
• The Cancer Genome Atlas project (TCGA)

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
• Stanford Dogs Dataset
• SUN database, MIT
• The Oxford-IIIT Pet Dataset
• YouTube Faces Database
• Several Shape-from-Silhouette Datasets

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
• 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

• 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
• Canada Science and Technology Museums Corporations Open Data

自然语言

• Blogger Corpus
• ClueWeb09 FACC
• ClueWeb12 FACC
• DBpedia - 4.58M things with 583M facts
• Flickr Personal Taxonomies
• Google Books Ngrams (2.2TB)
• Google Web 5gram (1TB, 2006)
• Gutenberg eBooks List
• Hansards text chunks of Canadian Parliament
• Machine Translation of European languages
• Machine Comprehension Test (MCTest) of text from Microsoft Research
• SaudiNewsNet Collection of Saudi Newspaper Articles (Arabic, 30K articles)
• SMS Spam Collection in English
• USENET postings corpus of 2005~2011
• Wikidata - Wikipedia databases

数据集特点

• 数据集包含多个领域的数据源，覆盖广泛。
• 大多数数据集是免费的，但也有一些数据集需要付费。
• 数据集来源多样，包括政府、研究机构、企业等。
• 数据集更新频繁，保持数据的时效性和准确性。

数据集使用

• 数据集适用于多种研究和分析目的，如学术研究、商业分析、政策制定等。
• 用户可以根据自己的需求选择合适的数据集进行下载和使用。
• 使用数据集时，应遵守相应的数据使用协议和版权规定。

搜集汇总

数据集介绍

构建方式

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。该数据集的构建主要依赖于从互联网上搜集已有的数据集信息，并进行分类整理。

特点

该数据集的特点在于其涵盖了多个领域，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、能源、金融、地质学、地理空间/GIS、政府、健康护理、图像处理、机器学习、博物馆、自然语言处理等，且大部分数据集是免费的。

使用方法

用户可以通过访问数据集提供的链接来直接下载数据，或者通过API进行数据的访问和调用。此外，部分数据集还提供了在线浏览或分析工具，方便用户进行数据探索和利用。

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。该数据集旨在提供一个综合性的资源，涵盖多个领域，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、能源、金融、地质学、地理空间/地理信息系统、政府、医疗保健、图像处理、机器学习、博物馆、自然语言处理等。该数据集的创建时间为2016年，由sindresorhus维护，主要研究人员或机构包括sindresorhus和caesar0301。该数据集的核心研究问题是收集和整理互联网上可用的公共数据集，以便于研究人员和开发者轻松访问和使用。数据集对相关领域的影响力体现在其广泛的数据覆盖面和便捷的访问方式，为研究人员提供了宝贵的数据资源。

当前挑战

在构建过程中，Awesome Public Datasets 面临的挑战主要包括数据的收集和整理。由于数据集涵盖多个领域，每个领域的数据收集和整理都需要专业知识，这增加了构建的复杂性。此外，数据集的维护和更新也是一个挑战，需要持续跟踪互联网上的新数据源，并确保数据的准确性和可用性。在所解决的领域问题方面，每个数据集可能面临其特定的挑战，例如数据的多样性、质量控制和数据隐私等问题。

常用场景

经典使用场景

Awesome Public Datasets集涵盖了广泛领域的公共数据集，其经典使用场景包括为研究者提供丰富的数据资源，以便于进行数据分析、机器学习模型训练和学术研究。该数据集被广泛应用于学术出版、数据科学教育和商业智能分析中。

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，提供了包括生物信息学、气候学、复杂网络、计算机网络、上下文数据、数据挑战、经济学、能源、金融、地质学、地理信息系统、政府数据、健康护理、图像处理、机器学习、博物馆、自然语言处理等多个领域的高质量数据集，极大地推动了相关领域的研究进展。

衍生相关工作

基于该数据集，衍生出了一系列相关的工作，包括学术论文发表、开源项目创建和商业数据分析产品。这些工作不仅扩展了数据集的用途，也进一步推动了数据科学和人工智能技术的发展。