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，供公众使用。

A curated list of high-quality open datasets spanning multiple domains, made available for public 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: 提供营养数据。

生物学

• 1000 Genomes: 基因组数据。
• American Gut (Microbiome Project): 微生物组项目数据。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系百科全书。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像基准集合。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 基因组公共数据。
• EBI ArrayExpress: 生物芯片数据。
• 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: 基因组百科全书项目。
• Ensembl Genomes: 基因组信息。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Gene Ontology (GO): 基因本体。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 药物敏感性项目。
• 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: 生物数据基准。
• International HapMap Project: 国际人类基因组单体型图计划。
• 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: 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: 蛋白质互作目录。
• Protein Data Bank: 蛋白质数据库。
• Psychiatric Genomics Consortium: 精神病基因组联盟。
• PubChem Project: 化学信息数据库。
• PubGene (now Coremine Medical): 基因数据库。
• 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): 序列读取档案。
• Stanford Microarray Data: 微阵列数据。
• Stowers Institute Original Data Repository: 数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学系统科学数据库。
• 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: 公共数据。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因集合。

气候/天气

• Actuaries Climate Index: 气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气中心数据。
• Brazilian Weather - Historical data: 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 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: NASA全球图像浏览服务。
• NOAA Bering Sea Climate: 白令海气候数据。
• NOAA Climate Datasets: NOAA气候数据集。
• NOAA Realtime Weather Models: NOAA实时天气模型。
• NOAA SURFRAD Meteorology and Radiation Datasets: NOAA SURFRAD气象与辐射数据集。
• 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单位数据。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 全球历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 引用网络数据集。
• CrossRef DOI URLs: DOI链接数据。
• DBLP Citation dataset: DBLP引用数据集。
• NBER Patent Citations: 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: NIST复杂网络数据收集。
• Protein-protein interaction network: 蛋白质互作网络。
• PyPI and Maven Dependency Network: PyPI和Maven依赖网络。
• Scopus Citation Database: Scopus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: UCI网络数据存储库。
• UFL sparse matrix collection: 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: DIMACS道路网络收集。

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: CAIDA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点击数据。
• OONI: Open Observatory of Network Interference: 网络干扰开放观察站数据。
• 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: UCSD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: 社会公益驱动的数据竞赛。
• ICWSM Data Challenge (since 2009): ICWSM自2009年以来的数据挑战。
• 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。
• Yelp Dataset Challenge: Yelp数据集挑战。
• Bruteforce Database: 暴力破解数据库。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集 - MSR2017挖掘挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源和使用情况。
• BODC - marine data of ~22K vars: 海洋数据，约22,000个变量。
• Earth Models: 地球模型。
• EOSDIS - NASAs earth observing system data: NASA地球观测系统数据。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统。
• 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 Economics Database: 国际经济数据库。
• 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: SciencesPo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: 大学评分卡数据。
• 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: 建筑能源数据集。
• COMBED: 建筑能源数据集。
• Dataport: 能源数据港。
• DRED: 分布式资源能源数据集。
• ECO: 能源使用数据集。
• EIA: 能源信息署数据。
• HES: 家庭能源研究。
• HFED: 家庭能源数据集。
• iAWE: 智能建筑能源数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源使用跟踪数据集。
• UK-DALE: 英国家庭能源数据集。
• WHITED: 家庭能源使用数据集。

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: 外汇数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: 金融和经济数据平台。
• 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。

GIS

• ArcGIS Open Data portal: ArcGIS开放数据门户。
• Cambridge, MA, US, GIS data on GitHub: 剑桥，马萨诸塞州，美国GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• 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 - 多种格式和区域的OSM数据提取。
• GeoNames Worldwide: 全球地理名称数据库。
• 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: 所有国家在所有语言中的列表。
• 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: 古地点的地名录和图。
• 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: 美国边界和道路的TIGER/Line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: OpenDataSoft的1600个开放数据列表。
• Open Data for Africa: 非洲开放数据。
• 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数据的医疗保险数据引擎。
• 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叙词表。
• 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): 英国国民健康服务体系结构。
• OpenPaymentsData, Healthcare financial relationship data: 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的猫照片。
• Affective Image Classification: 情感图像分类。
• Animals with attributes: 带有属性的动物。
• Chars74K dataset, Character Recognition in Natural Images: 自然图像中的字符识别数据集。
• Face Recognition Benchmark: 面部识别基准。
• ImageNet (in WordNet hierarchy): WordNet层次结构中的ImageNet。
• 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 Stimuli, MIT: 大规模视觉记忆刺激，麻省理工学院。
• MNIST database of handwritten digits, near 1 million examples: 近100万个手写数字示例的MNIST数据库。
• Several Shape-from-Silhouette Datasets: 几个基于轮廓的形状数据集。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• SUN database, MIT: 麻省理工学院的SUN数据库。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• YouTube Faces Database: YouTube面部数据库。
• Adience Unfiltered faces for gender and age classification: 用于性别和年龄分类的未过滤面部数据。
• 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。
• Visual genome: 视觉基因组。

机器学习

• Delve Datasets for classification and regression (Univ. of Toronto): 多伦多大学的分类和回归数据集。
• Discogs Monthly Data: Discogs每月数据。
• eBay Online Auctions (2012): 2012

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、问答平台以及用户反馈的公开数据源构建而成。该数据集涵盖了多个领域，包括农业、生物学、气候、复杂网络、计算机网络等，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，数据集不仅提供了丰富的资源，还确保了数据的多样性和广泛性。

特点

该数据集的特点在于其广泛的覆盖范围和多样化的数据来源。它不仅包含了来自政府机构、研究机构和企业的数据，还涵盖了多个学科领域，如生物学、气候学、经济学等。数据集中的每个条目都附有详细的来源链接，方便用户直接访问原始数据。此外，数据集还提供了对数据使用权限的明确说明，确保用户在使用时能够遵守相关规定。

使用方法

用户可以通过访问数据集的GitHub页面，浏览按领域分类的数据源列表。每个数据源都附有详细的描述和链接，用户可以根据需求选择合适的数据集进行下载和使用。对于需要进一步处理的数据，用户可以参考数据集提供的文档或直接联系数据提供方获取更多信息。此外，数据集还提供了与其他相关资源的链接，帮助用户扩展其研究范围。

背景与挑战

背景概述

awesome-public-datasets 数据集是一个广泛收集和整理公共数据资源的项目，涵盖了从农业、生物学到气候、经济、教育等多个领域的数据集。该项目由GitHub用户caesar0301发起，旨在为研究人员、数据科学家和开发者提供一个便捷的公共数据源索引。其创建时间可追溯至2015年，主要依托于GitHub平台的协作特性，通过社区贡献不断扩展和更新数据集列表。该数据集的核心研究问题在于如何高效地整合和分类来自不同领域的公开数据，以便于用户快速找到所需资源。其对相关领域的影响力主要体现在为数据驱动的研究提供了丰富的素材，推动了跨学科的数据共享与合作。

当前挑战

awesome-public-datasets 数据集面临的挑战主要体现在两个方面。首先，在解决领域问题方面，尽管数据集涵盖了广泛的领域，但如何确保数据的质量、时效性和适用性仍然是一个难题。不同数据源的格式、标准和更新频率差异较大，用户在使用时需花费大量时间进行数据清洗和预处理。其次，在构建过程中，数据集的维护和更新依赖于社区贡献，缺乏统一的审核机制，可能导致部分数据源过时或失效。此外，数据集的多语言支持和跨平台兼容性也是亟待解决的问题，以进一步提升其全球范围内的可用性和影响力。

常用场景

经典使用场景

awesome-public-datasets数据集广泛应用于多个领域的研究与开发，特别是在数据科学、机器学习和人工智能领域。研究人员和开发者常利用该数据集进行数据挖掘、模型训练和算法验证。例如，在生物学领域，1000 Genomes和ENCODE项目的数据被用于基因组分析和功能基因组学研究；在气候科学中，NASA的全球气候数据被用于气候模型构建和预测。

解决学术问题

该数据集解决了多个学术研究中的关键问题，尤其是在数据稀缺和多样性不足的领域。例如，通过提供丰富的公共数据集，研究人员可以更便捷地进行跨学科研究，避免了数据收集的重复劳动。在生物学领域，1000 Genomes项目的数据帮助解决了人类基因组多样性研究的难题；在气候科学中，NASA的全球气候数据为气候变化研究提供了坚实的基础。

衍生相关工作

该数据集衍生了许多经典的研究工作。例如，基于1000 Genomes项目的数据，研究人员开发了多种基因组分析工具和算法；基于NASA的全球气候数据，科学家们构建了多个气候模型，用于预测未来的气候变化。此外，The Cancer Genome Atlas (TCGA)项目的数据还催生了许多癌症研究的新方法和新发现，推动了癌症治疗的进步。