awesome-public-datasets

这是一个收集和整理互联网上公共数据源的列表，涵盖了多个领域的大规模数据集。

This is a curated list of publicly available data sources on the internet, encompassing large-scale datasets across multiple domains.

原始信息汇总

数据集概述

气候/天气

• 澳大利亚天气: http://www.bom.gov.au/climate/dwo/
• 加拿大气象中心: https://weather.gc.ca/grib/index_e.html
• 气候数据: http://www.cru.uea.ac.uk/cru/data/temperature/#datter 和 ftp://ftp.cmdl.noaa.gov/
• 全球气候数据自1929年: http://www.tutiempo.net/en/Climate
• NOAA白令海气候: http://www.beringclimate.noaa.gov/
• NOAA气候数据集: http://ncdc.noaa.gov/data-access/quick-links
• NOAA实时天气模型: http://www.ncdc.noaa.gov/data-access/model-data/model-datasets/numerical-weather-prediction
• WU历史天气全球: http://www.wunderground.com/history/index.html

经济学

• 美国经济协会(AEA): http://www.aeaweb.org/RFE/toc.php?show=complete
• EconData (UMD): http://inforumweb.umd.edu/econdata/econdata.html
• 互联网产品代码数据库: http://www.upcdatabase.com/
• 世界银行: http://data.worldbank.org/indicator

能源

• AMPds: http://ampds.org/
• BLUEd: http://nilm.cmubi.org/
• COMBED: http://combed.github.io/
• Dataport: https://dataport.pecanstreet.org/
• ECO: http://www.vs.inf.ethz.ch/res/show.html?what=eco-data
• EIA: http://www.eia.gov/electricity/data/eia923/
• iAWE: http://iawe.github.io/
• HFED: http://hfed.github.io/
• Plaid: http://plaidplug.com/
• REDD: http://redd.csail.mit.edu/
• UK-Dale: http://www.doc.ic.ac.uk/~dk3810/data/

金融

• CBOE期货交易所: http://cfe.cboe.com/Data/
• Google财经: https://www.google.com/finance
• Google趋势: http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
• 纳斯达克: https://data.nasdaq.com/
• OANDA: http://www.oanda.com/
• OSU金融数据: http://fisher.osu.edu/fin/osudata.htm 或 http://fisher.osu.edu/fin/fdf/osudata.htm
• Quandl: http://www.quandl.com/
• 圣路易斯联邦: http://research.stlouisfed.org/fred2/
• Yahoo财经: http://finance.yahoo.com/

生物学

• CRCNS: http://crcns.org/data-sets
• 基因表达综合(GEO): http://www.ncbi.nlm.nih.gov/geo/
• 人类微生物组项目: http://www.hmpdacc.org/reference_genomes/reference_genomes.php
• MIT癌症基因组数据: http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi
• NIH微阵列数据: ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/series/GSE6532/
• 蛋白质结构: http://www.infobiotic.net/PSPbenchmarks/
• 蛋白质数据银行: http://pdb.org/
• 公共基因数据: http://www.pubgene.org/
• 斯坦福微阵列数据: http://smd.stanford.edu/
• UniGene: http://www.ncbi.nlm.nih.gov/unigene
• 个人基因组项目: http://www.personalgenomes.org/ 或 https://my.pgp-hms.org/public_genetic_data
• 1000基因组: http://www.1000genomes.org/data
• UCSC公共数据: http://hgdownload.soe.ucsc.edu/downloads.html

农业

• 美国农业部PLANTS数据库: http://www.plants.usda.gov/dl_all.html

物理学

• NASA: http://nssdc.gsfc.nasa.gov/nssdc/obtaining_data.html
• CERN开放数据门户: http://opendata.cern.ch/

医疗保健

• EHDP大型健康数据集: http://www.ehdp.com/vitalnet/datasets.htm
• Gapminder: http://www.gapminder.org/data/
• 医疗保险数据文件: http://go.cms.gov/19xxPN4

GeoSpace/GIS

• EOSDIS: http://sedac.ciesin.columbia.edu/data/sets/browse
• Factual全球位置数据: http://www.factual.com/
• 地理空间数据: http://geodacenter.asu.edu/datalist/
• OpenStreetMap: http://wiki.openstreetmap.org/wiki/Downloading_data
• GeoNames: http://www.geonames.org/
• BODC: http://www.bodc.ac.uk/data/where_to_find_data/
• GADM: http://www.gadm.org/
• twofishes: https://github.com/foursquare/twofishes
• 自然地球: http://www.naturalearthdata.com/
• tz_world: http://efele.net/maps/tz/world/
• TIGER/Line: http://www.census.gov/geo/maps-data/data/tiger-line.html

交通运输

• 航空公司数据: http://stat-computing.org/dataexpo/2009/the-data.html
• 自行车共享数据系统: https://github.com/BetaNYC/Bike-Share-Data-Best-Practices/wiki/Bike-Share-Data-Systems
• 美国国内航班1990至2009年边缘数据: http://data.memect.com/?p=229
• 半百万Hubway骑行: http://hubwaydatachallenge.org/trip-history-data/
• 纽约市出租车行程数据2013: https://archive.org/details/nycTaxiTripData2013
• OpenFlights: http://openflights.org/data.html
• RITA航空公司准时性能数据: http://www.transtats.bts.gov/Tables.asp?DB_ID=120
• RITA运输数据集合: http://www.transtats.bts.gov/DataIndex.asp
• 伦敦交通局: http://www.tfl.gov.uk/info-for/open-data-users/our-feeds
• 美国货运分析框架: http://ops.fhwa.dot.gov/freight/freight_analysis/faf/index.htm
• Marine Traffic: https://www.marinetraffic.com/de/p/api-services

政府

• Archive-it: https://www.archive-it.org/explore?show=Collections
• 澳大利亚: https://data.gov.au/
• 加拿大: http://www.data.gc.ca/default.asp?lang=En&n=5BCD274E-1
• 芝加哥: https://data.cityofchicago.org/
• FDA: https://open.fda.gov/index.html
• 联邦统计: http://www.fedstats.gov/cgi-bin/A2Z.cgi
• 伦敦数据商店: http://data.london.gov.uk/dataset
• 格拉斯哥: http://data.glasgow.gov.uk/
• 荷兰: https://data.overheid.nl/
• 新西兰: http://www.stats.govt.nz/browse_for_stats.aspx
• 纽约市betanyc: http://betanyc.us/
• 纽约市开放数据: http://nycplatform.socrata.com/
• OECD: http://www.oecd.org/document/0,3746,en_2649_201185_46462759_1_1_1_1,00.html
• 旧金山数据集: http://datasf.org/
• 世界银行: http://wdronline.worldbank.org/
• 英国政府数据: http://data.gov.uk/data
• 美国人口普查局: http://www.census.gov/data.html
• 美国社区调查: http://www.census.gov/acs/www/data_documentation/data_release_info/
• 美国联邦政府机构: http://www.data.gov/metric
• 美国联邦政府数据目录: http://catalog.data.gov/dataset
• 美国开放政府: http://www.data.gov/open-gov/
• 联合国: http://data.un.org/
• 美国CDC公共卫生数据集: http://www.cdc.gov/nchs/data_access/ftp_data.htm
• 开放政府数据平台印度: http://www.data.gov.in/

体育

• Cricsheet: http://cricsheet.org/
• Betfair: http://data.betfair.com/
• Lahman的棒球数据库: http://www.seanlahman.com/baseball-archive/statistics/
• Retrosheet: http://www.retrosheet.org/game.htm
• Ergast Formula 1: http://ergast.com/mrd/db

数据挑战

• 机器学习挑战: http://www.chalearn.org/
• DrivenData: http://www.drivendata.org/
• ICWSM数据挑战: http://icwsm.cs.umbc.edu/
• Kaggle竞赛数据: http://www.kaggle.com/
• KDD Cup by Tencent 2012: https://www.kddcup2012.org/
• Netflix奖: http://www.netflixprize.com/leaderboard
• Yelp数据集挑战: http://www.yelp.com/dataset_challenge

机器学习

• eBay在线拍卖: http://www.modelingonlineauctions.com/datasets
• IMDb数据库: http://www.imdb.com/interfaces
• Keel存储库: http://sci2s.ugr.es/keel/datasets.php
• Lending Club贷款数据: https://www.lendingclub.com/info/download-data.action
• 机器学习数据集存储库: http://mldata.org/
• 百万歌曲数据集: http://blog.echonest.com/post/3639160982/million-song-dataset
• 更多歌曲数据集: http://labrosa.ee.columbia.edu/millionsong/pages/additional-datasets
• MovieLens数据集: http://datahub.io/dataset/movielens
• RDataMining R和数据挖掘电子书数据: http://www.rdatamining.com/data
• 地球上注册的陨石: http://www.analyticbridge.com/profiles/blogs/registered-meteorites-that-has-impacted-on-earth-visualized
• SF餐厅数据集: http://missionlocal.org/san-francisco-restaurant-health-inspections/
• UCI机器学习存储库: http://archive.ics.uci.edu/ml/
• 多伦多大学Delve数据集: http://www.cs.toronto.edu/~delve/data/datasets.html
• Yahoo评级和分类数据: http://webscope.sandbox.yahoo.com/catalog.php?datatype=r

自然语言

• 4000万实体上下文: https://code.google.com/p/wiki-links/downloads/list
• ClueWeb09 FACC: http://lemurproject.org/clueweb09/FACC1/
• ClueWeb12 FACC: http://lemurproject.org/clueweb12/FACC1/
• Flickr个人分类: http://www.isi.edu/~lerman/downloads/flickr/flickr_taxonomies.html
• Google图书Ngrams: http://aws.amazon.com/datasets/8172056142375670
• Google Web 5gram, 2006 (1T): https://catalog.ldc.upenn.edu/LDC2006T13
• Gutenberg电子书列表: http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
• Hansards: http://www.isi.edu/natural-language/download/hansard/
• 机器翻译: http://statmt.org/wmt11/translation-task.html#download
• SMS垃圾邮件收集: http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
• USENET语料库: http://www.psych.ualberta.ca/~westburylab/downloads/usenetcorpus.download.html
• WordNet: http://wordnet.princeton.edu/wordnet/download/

图像处理

• 2GB猫照片: http://137.189.35.203/WebUI/CatDatabase/catData.html
• 面部识别基准: http://www.face-rec.org/databases/
• ImageNet: http://www.image-net.org/

时间序列

• 时间序列数据图书馆: https://datamarket.com/data/list/?q=provider:tsdl
• UC Riverside时间序列: http://www.cs.ucr.edu/~eamonn/time_series_data/

社会科学

• 中国酒店入住/退房数据: http://www.360doc.com/content/13/1105/13/7863900_326788919.shtml
• CMU Enron电子邮件: http://www.cs.cmu.edu/~enron/
• Facebook社交网络: http://law.di.unimi.it/datasets.php
• Facebook100 (2005): https://archive.org/details/oxford-2005-facebook-matrix
• Foursquare (2010,2011): http://www.public.asu.edu/~hgao16/dataset.html
• Foursquare (UMN/Sarwat, 2013): https://archive.org/details/201309_foursquare_dataset_umn
• 一般社会调查(GSS): http://www3.norc.org/GSS+Website/
• GetGlue: http://bit.ly/1aL8XS0
• GitHub存档: http://www.githubarchive.org/
• ICPSR: http://www.icpsr.umich.edu/icpsrweb/ICPSR/index.jsp
• 移动社交网络(UMASS): https://kdl.cs.umass.edu/display/public/Mobile+Social+Networks
• PewResearch互联网项目: http://www.pewinternet.org/datasets/pages/2/
• 社交网络: http://www.cs.cmu.edu/~jelsas/data/ancestry.com/
• SourceForge图: http://www.nd.edu/~oss/Data/data.html
• 泰坦尼克号生存数据集: https://github.com/caesar0301/awesome-public-datasets/blob/master/Datasets/titanic.csv.zip
• Twitter图: http://an.kaist.ac.kr/traces/WWW2010.html
• UC Berkeley的D-Lab存档: http://ucdata.berkeley.edu/
• UCLA社会科学数据档案: http://dataarchives.ss.ucla.edu/Home.DataPortals.htm
• UNIMI社交网络数据集: http://law.di.unimi.it/datasets.php
• 全球大学: http://univ.cc/
• UPJOHN就业研究: http://www.upjohn.org/erdc/erdc.html
• Yahoo图和社会数据: http://webscope.sandbox.yahoo.com/catalog.php?datatype=g
• **YouTube

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，经过整理后形成的一个目录。它涵盖了多个领域的公共数据集，包括气象、经济、能源、金融、生物、农业、物理、健康医疗、地理信息、交通、政府、体育、数据挑战、机器学习、自然语言处理、图像处理、时间序列、社会科学、复杂网络和计算机网络等。

使用方法

用户可以通过访问提供的链接直接获取所需数据集。每个数据集通常包含了详细的描述信息，包括数据集的构成、数据来源、使用许可等。用户在使用前应仔细阅读相关说明，确保合规使用数据，并根据自身需求选择合适的数据集进行处理和分析。

背景与挑战

背景概述

awesome-public-datasets是一个汇总了众多公开数据集的列表，该数据集的创建旨在为研究者和开发者提供一个便捷的资源平台，以便他们能够轻松地访问和利用各种领域的高质量数据。这份清单由GitHub用户caesar0301整理，并托管在GitHub上，汇集了来自不同领域的公共数据集，如气象、经济、能源、金融、生物学、农业、物理学、健康医疗、地理信息系统、交通运输、政府数据、体育、机器学习等。该数据集的创建，对于推动开放数据运动、促进数据共享与复用具有积极的意义，对相关领域的研究与发展产生了深远的影响。

当前挑战

尽管awesome-public-datasets为研究者和开发者提供了丰富的数据资源，但在使用过程中也面临一些挑战。首先，数据集的多样性和异构性使得数据整合和处理变得复杂。其次，部分数据集的版权和使用许可不明确，可能会给数据的使用带来法律风险。此外，数据质量的不一致性、数据更新的及时性以及数据集之间的关联性等问题也是使用这些数据集时需要考虑的挑战。

常用场景

经典使用场景

awesome-public-datasets数据集作为公共数据集资源的汇总，其经典使用场景主要在于为研究者提供一站式访问大量不同领域数据集的便利。学者和开发者可以在此找到气象、经济、能源、金融、生物、农业、物理、健康医疗、地理信息、交通、政府、体育等多个领域的数据集，用于学术研究、模型训练、软件开发等。

解决学术问题

该数据集解决了学术研究中数据获取困难的问题，尤其在数据集搜寻、整理和清洗方面节省了大量时间和精力。它帮助研究者快速定位到所需数据，支持了从大数据分析到小样本研究的多种学术探索，促进了跨学科的研究合作和知识创新。

实际应用

在实际应用中，awesome-public-datasets为企业和政府机构提供了宝贵的数据资源，支持了决策制定、市场分析、政策评估等多个方面。例如，交通数据集可用于优化路线规划，经济数据集可用于预测市场趋势，医疗数据集可用于健康风险评估等。

数据集最近研究

最新研究方向

awesome-public-datasets数据集汇集了众多领域的公开数据集，覆盖气候、经济、能源、金融、生物、农业、物理、医疗、地理信息、交通、政府、体育等多个领域。在研究领域，该数据集的使用正逐步拓展至多源数据融合分析、大数据挖掘与机器学习算法训练等方面。特别是，复杂网络分析、时间序列数据分析以及社会网络分析等前沿研究方向，正利用这些公开数据集进行模型构建与趋势预测，以探索人类社会行为模式、经济动态及环境变化等领域的深层次规律。