awesome-public-datasets

一个包含高质量公开数据集的列表，涵盖多个领域，如农业、生物学等，数据集来源广泛，适用于各种研究和应用。

A list of high-quality public datasets covering multiple fields such as agriculture, biology, etc. The datasets are sourced from a wide range of origins and are suitable for various research and applications.

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: 人类基因组数据。
• 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: 公共基因组数据。
• EBI ArrayExpress: 欧洲生物信息研究所的基因表达数据。
• EBI Protein Data Bank in Europe: 蛋白质数据库。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像存档。
• ENCODE project: 基因组功能注释项目。
• Ensembl Genomes: 基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达数据库。
• Gene Ontology (GO): 基因本体论数据库。
• 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: 复杂系统性能基准。
• 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: 麻省理工学院癌症基因组数据。
• NCBI Proteins: 国家生物技术信息中心蛋白质数据库。
• NCBI Taxonomy: 生物分类数据库。
• NCI Genomic Data Commons: 国家癌症研究所基因组数据共享平台。
• NIH Microarray data: 美国国立卫生研究院微阵列数据。
• OpenSNP genotypes data: 开放SNP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: 精神病基因组学联盟。
• PubChem Project: 化学信息数据库。
• PubGene (now Coremine Medical): 医学基因数据库。
• 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学项目。
• Sequence Read Archive(SRA): 序列读取存档。
• Stanford Microarray Data: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: 斯托尔斯研究所原始数据存档。
• 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: 生物物种目录。
• 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。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因序列数据库。

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: 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: 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单位数据。
• 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: DBLP引用数据集。
• 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所复杂网络数据收集。
• 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: Scopus引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图库。
• 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。
• 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收集。
• WSU Graph Database: 华盛顿州立大学图数据库。
• 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: 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点击数据。
• OONI: Open Observatory of Network Interference: 网络干扰开放观测站。
• 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: 社会公益驱动数据竞赛。
• ICWSM Data Challenge (since 2009): 自2009年以来的ICWSM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。
• 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: 英国海洋数据中心数据。
• 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): 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: 乔恩·哈维曼国际贸易数据链接。
• 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: 经济复杂性观测站。
• 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: 免费代码营学生数据。

能源

• AMPds: 自动抄表数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 组合能耗数据集。
• Dataport: 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: 室内能耗数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能耗数据集。
• Tracebase: 追踪基础数据集。
• 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: 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。
• 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Wiki项目 - 公民驱动的环境监测。
• GeoFabrik - OSM data extracted to a variety of formats and areas: GeoFabrik - 提取到各种格式和区域的开源地图数据。
• 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: 古地点地名录和图。
• Reverse Geocoder using OSM data: 使用开源地图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shapefile数据。
• 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: 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: 用于PubMed文章索引的词汇同义词库。
• 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): 英国国家医疗服务体系结构。
• 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: 几个从轮廓推断形状的数据集。
• Stanford Dogs Dataset: 斯坦福狗数据集。
• SUN database, MIT: 麻省理工学院SUN数据库。
• The Oxford-IIIT Pet Dataset: 牛津-IIIT宠物数据集。
• YouTube Faces Database: YouTube面部数据集。
• Adience Unfiltered faces for gender and age classification: Adience性别和年龄分类的未过滤面部数据。
• **The Action Similarity Labeling (

搜集汇总

数据集介绍

构建方式

本数据集的构建主要通过网络搜集和整理公开的数据源，涵盖了多个领域的公共数据集。数据集的构建者从博客、回答和用户响应中收集信息，并对数据进行分类整理，形成了这一全面的公共数据集列表。

特点

该数据集的特点在于其全面性和多样性，包含了农业、生物学、气候、复杂网络、计算机网络、上下文数据、数据挑战、地球科学、经济学、教育、能源、金融、GIS、政府、医疗保健、图像处理、机器学习等多个领域的公共数据集。数据集列表详尽，覆盖了各个领域的重要数据集，为研究人员提供了极大的便利。

使用方法

用户可以通过访问提供的链接直接获取各个数据集，或者通过数据集名称进行搜索。数据集的使用方法各异，具体取决于数据集的类型和结构。一般来说，用户需要先了解数据集的基本信息，然后根据自身的需求进行相应的数据处理和分析。

背景与挑战

背景概述

‘awesome-public-datasets’是一个由社区贡献的公共数据集列表，该列表收集和整理自博客、回答和用户响应。数据集的创建旨在为研究者提供方便，其中大部分数据集是免费的，但也有一些是收费的。该数据集的创建时间为2015年，主要研究人员为Sindre Sorhus，其核心研究问题是整理和提供易于访问的公共数据集，对相关领域的影响力体现在为研究人员提供了丰富的数据资源，促进了数据共享与开放。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1) 数据集的收集和整理依赖于社区的贡献，可能存在数据质量参差不齐的问题；2) 需要持续更新以保持数据的时效性和准确性；3) 部分数据集可能存在版权或访问权限的限制，难以保证所有用户都能方便地获取数据。在所解决的领域问题方面，该数据集为图像分类、自然语言处理、推荐系统等多个领域提供了数据支持，但各领域面临的挑战各不相同，例如图像分类领域面临的挑战包括数据标注的准确性和模型的泛化能力等。

常用场景

经典使用场景

该数据集广泛用于数据科学研究和机器学习项目中，作为公共数据集的集成资源，可供研究人员快速查找和访问各种领域的数据集。例如，在机器学习中，可用于训练模型、验证算法或作为基准数据集。

解决学术问题

该数据集解决了学术研究中数据获取和整理的难题，为研究者提供了结构化和多样化的数据源，有助于推动各学科领域的数据驱动研究。它还促进了跨学科的数据共享和合作。

衍生相关工作

该数据集衍生了许多相关工作，包括数据集的扩展、基于数据集的算法研究和应用开发等，进一步推动了相关领域的研究进展和实际应用。