awesome-public-datasets

一个主题中心的高质量公开数据集列表，涵盖多个领域，由大家共同维护，供所有人使用。

A topic-centric list of high-quality public datasets covering multiple domains, jointly maintained by the community and available for all to 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: 人类基因组数据。
• American Gut (Microbiome Project): 微生物组项目数据。
• Broad Bioimage Benchmark Collection (BBBC): 生物图像数据集。
• Broad Cancer Cell Line Encyclopedia (CCLE): 癌症细胞系数据。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 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。
• Gene Ontology (GO): 基因本体论数据。
• Global Biotic Interactions (GloBI): 生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 细胞扰动数据。
• Human Genome Diversity Project: 人类基因组多样性数据。
• Human Microbiome Project (HMP): 人类微生物组项目数据。
• ICOS PSP Benchmark: 图像分割基准数据。
• International HapMap Project: 人类遗传变异数据。
• 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: 物种分类数据。
• 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: 精神病基因组联盟数据。
• PubChem Project: 化学信息数据库。
• PubGene (now Coremine Medical): 基因和疾病关联数据。
• 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: 原始数据存档。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动态系统科学数据库。
• The Cancer Genome Atlas (TCGA): 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): 蛋白质资源数据库。

气候/天气

• Actuaries Climate Index: 气候指数数据。
• 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: 东安格利亚大学气候数据。
• 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: 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: 东安格利亚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: 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: 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: 斯高帕斯引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase (Steven Skiena): 斯坦福图基（Steven Skiena）。
• Stanford Large Network Dataset Collection: 斯坦福大学大型网络数据集收集。
• Stanford Longitudinal Network Data Sources: 斯坦福大学纵向网络数据源。
• 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（米兰大学）。
• The Nexus Network Repository: 尼克斯网络存储库。
• 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10万名用户的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，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: 推动数据竞赛以实现社会公益。
• 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大奖。
• Space Apps Challenge: 空间应用挑战。
• 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: 全球水资源和使用情况。
• 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): 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。
• 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引力数据集。
• 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: 来自免费编程营的学生数据。

能源

• AMPds: 自动测量电力数据集。
• BLUEd: 建筑电力使用数据集。
• COMBED: 组合电力数据集。
• Dataport: 数据港。
• DRED: 分布式电力需求数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息署数据。
• HES: 英国家庭电力研究。
• HFED: 家庭电力数据集。
• iAWE: 室内自动电力监测数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅电力数据集。
• Tracebase: 追踪数据库。
• UK-DALE: 英国家庭电力数据集。
• WHITED: 白色电力数据集。

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: 剑桥，马萨诸塞州，美国，GIS数据在GitHub上。
• 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 - 全球向量和光栅数据。
• OpenAddresses: 开放地址数据。
• OpenStreetMap (OSM): 开放街道地图数据。
• Pleiades - Gazetteer and graph of ancient places: 星宿 - 古代地点的地名录和图。
• 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: TIGER/Line - 美国边界和道路数据。
• TwoFishes - Foursquares coarse geocoder: TwoFishes - Foursquare的粗略地理编码器。
• TZ Timezones shapfiles: TZ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1,600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，如CCG, TCGA, TARGET等。
• PhysioBank Databases - a large and growing archive of physiological data: PhysioBank数据库 - 大型且不断增长的生理数据存档。
• 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: MeSH，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): 开放ODS（英国NHS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测站。

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未过滤的面部数据，用于性别和年龄分类。
• Affective Image Classification: 情感图像分类。
• Animals with attributes: 具有属性的动物。
• 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 Stimuli, MIT: 大规模视觉记忆刺激，麻省理工学院。
• **MNIST database of handwritten digits,

搜集汇总

数据集介绍

构建方式

该数据集是通过收集和整理来自博客、回答和用户响应等来源的主题-centric公共数据构建而成的，涵盖了多个领域的高质量数据集。

特点

数据集的特点在于其全面性、高质量和多样性，包含了农业、生物学、气候/天气、复杂网络等多个领域的数据集，用户可以根据需要进行选择和使用。

使用方法

使用该数据集时，用户可以通过数据集的GitHub页面浏览和下载所需的数据集，每个数据集的详细信息都有详细的说明，便于用户理解和应用。

背景与挑战

背景概述

awesome-public-datasets 是一个收集和整理高质量公共数据集的列表，涵盖了农业、生物学、气候、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育、能源、金融、GIS、政府、健康护理、图像处理、机器学习等多个领域。该数据集由 sindresorhus 创建并维护，旨在为研究者和开发者提供方便的数据资源。自其创建以来，该数据集对相关领域的研究产生了积极的影响，为众多研究者提供了宝贵的数据资源。

当前挑战

在构建过程中，awesome-public-datasets 面临的主要挑战包括：1) 数据集的收集和整理，需要从众多来源筛选和验证数据的质量；2) 数据集的分类和描述，需要准确地表达每个数据集的特点和使用场景；3) 数据集的更新和维护，随着新的数据集不断出现，需要及时更新列表以保持其全面性和时效性。此外，不同领域的数据集可能还面临特定的挑战，如生物医学数据集的隐私问题、金融数据集的准确性和时效性等。

常用场景

经典使用场景

该数据集汇总了众多领域的公共数据集，经典的使用场景包括为研究人员提供数据资源，以便于他们进行数据分析和挖掘，促进学术研究的进展。

解决学术问题

数据集解决了学术研究中数据获取困难的问题，提供了丰富多样的数据源，有助于研究人员进行各类数据驱动的研究，如生物信息学、社会科学、地理信息系统等领域。

衍生相关工作

该数据集衍生了众多相关工作，包括数据集的整理、整合和扩展，以及基于这些数据集开发的新模型、算法和应用。