Awesome Public Datasets

一个高质量公开数据集的精选列表，涵盖多个领域，供所有人使用。

A curated list of high-quality public datasets covering multiple domains, accessible to all users.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database: 提供美国农业部的植物数据库。

生物学

• 1000 Genomes: 提供人类基因组数据。
• American Gut (Microbiome Project): 美国肠道微生物组项目数据。
• 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: 完整基因组公共数据。
• EBI ArrayExpress: 欧洲生物信息学研究所的基因表达数据。
• EBI Protein Data Bank in Europe: 欧洲蛋白质数据库。
• 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: 基因组浏览器。
• 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: 哈佛医学院LINCS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: 图像分类基准数据集。
• 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: 国家生物技术信息中心分类数据库。
• NCI Genomic Data Commons: 国家癌症研究所基因组数据共享平台。
• NIH Microarray data: 国家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: 公共化学数据库。
• PubGene (now Coremine Medical): 公共基因数据库。
• 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): 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。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。
• UniGene: 基因集合数据库。

气候/天气

• Actuaries Climate Index: 精算师气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center - Consistent, timely and accurate weather information for the world airspace system: 航空天气中心。
• Brazilian Weather - Historical data (In Portuguese): 巴西天气历史数据。
• Canadian Meteorological Centre: 加拿大气象中心。
• Climate Data from UEA (updated monthly): 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: 自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。
• 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中心。
• WorldClim - Global Climate Data: 全球气候数据。
• WU Historical Weather Worldwide: 世界天气信息服务历史天气数据。

复杂网络

• AMiner Citation Network Dataset: 学术引用网络数据集。
• CrossRef DOI URLs: 学术出版物DOI链接。
• DBLP Citation dataset: 计算机科学文献引用数据集。
• 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院复杂网络数据收集。
• 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: 小型网络数据集。
• 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。
• 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集合。
• WSU Graph Database: 华盛顿州立大学图形数据库。
• DIMACS Road Networks Collection: 迪马克斯道路网络收集。

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CommonCrawl网络数据。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学无线数据集。
• Criteo click-through data: Criteo点击数据。
• OONI: Open Observatory of Network Interference - Internet censorship data: 网络干扰开放观测站 - 互联网审查数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• Rapid7 Sonar Internet Scans: Rapid7 Sonar互联网扫描。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校网络望远镜。

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: 推动数据竞赛以促进社会公益。
• 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) - roughly 30TB of ocean measurements: 综合海洋观测系统 - 约30TB海洋测量数据。
• 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: 经济复杂性地图集。
• 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: 自由编程营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能效数据集。
• COMBED: 综合能效数据集。
• Dataport: 能源数据港。
• DRED: 分布式资源能源数据集。
• ECO: 能源消耗数据集。
• EIA: 能源信息署数据。
• HES: 英国家庭能源研究。
• HFED: 家庭能源数据集。
• iAWE: 室内空气和能源数据集。
• PLAID: 插件负载识别数据集。
• REDD: 住宅能源数据集。
• Tracebase: 能源使用跟踪数据库。
• 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。
• OANDA: 外汇交易数据。
• 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: 剑桥市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 - 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: 古地名和图表。
• 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: 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: 盖普

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、计算机科学、经济学等。数据集的构建过程注重数据的多样性和广泛性，确保每个领域的数据源都具有代表性。尽管大多数数据集是免费的，但部分数据集可能需要付费获取。数据集的整理和分类工作旨在为研究人员和开发者提供一个便捷的公共数据资源库。

特点

Awesome Public Datasets 数据集的特点在于其广泛的数据覆盖范围和多样化的数据来源。数据集不仅包含了来自政府机构、学术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。每个领域的数据集都经过精心筛选和整理，确保数据的质量和可用性。此外，数据集还提供了丰富的数据格式和访问方式，包括API、FTP下载和直接访问链接，方便用户根据需求选择合适的数据获取方式。

使用方法

使用 Awesome Public Datasets 数据集时，用户可以通过访问GitHub页面上的README文件，获取各个领域的数据集链接和详细描述。每个数据集都附带了相关的访问方式和数据格式说明，用户可以根据自己的需求选择合适的数据源进行下载或在线访问。对于需要进一步处理的数据，用户可以利用提供的API接口或FTP链接进行数据获取。此外，数据集还提供了多个领域的示例代码和使用指南，帮助用户快速上手并进行数据分析或模型训练。

背景与挑战

背景概述

Awesome Public Datasets 是一个广泛收集和整理公共数据源的资源库，涵盖了从农业、生物学到气候、经济等多个领域的数据集。该数据集由社区贡献者维护，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访问平台。其创建时间可追溯至2010年代初期，主要由开源社区和独立开发者推动，核心目标是促进数据共享与跨领域研究。该数据集的影响力体现在其广泛的应用场景中，尤其是在数据驱动的科学研究、机器学习模型训练以及政策制定等领域，为全球研究者提供了丰富的数据支持。

当前挑战

Awesome Public Datasets 面临的挑战主要体现在两个方面。首先，数据集的多样性和广泛性虽然为研究提供了丰富的资源，但也带来了数据质量参差不齐的问题，部分数据集可能存在格式不统一、数据缺失或更新不及时的情况，这增加了数据预处理和清洗的难度。其次，数据集的构建过程中，如何确保数据的合法性和隐私保护是一个重要挑战，尤其是在涉及个人健康、金融等敏感领域时，数据的匿名化和合规性处理显得尤为重要。此外，随着数据量的不断增加，如何高效地管理和维护这些数据集，确保其可访问性和可用性，也是该平台需要持续解决的问题。

常用场景

经典使用场景

Awesome Public Datasets 是一个广泛收集和整理公共数据源的资源库，涵盖了从农业、生物学到气候、经济等多个领域的数据集。该数据集最经典的使用场景是为研究人员、数据科学家和开发者提供一个集中的平台，方便他们快速找到并下载所需的公开数据集，从而加速数据驱动的科研和开发工作。

解决学术问题

Awesome Public Datasets 解决了学术研究中数据获取困难的问题。通过整合来自不同领域的高质量公开数据集，研究人员可以避免重复劳动，专注于数据分析和模型构建。此外，该数据集还为跨学科研究提供了便利，促进了不同领域之间的知识共享与合作。

衍生相关工作

Awesome Public Datasets 的广泛使用催生了许多经典的研究工作。例如，基于该数据集中的生物信息学数据，研究人员开发了新的基因组分析工具；利用气候数据集，科学家们构建了更精确的气候预测模型。此外，该数据集还推动了开源社区的发展，许多开发者基于这些数据开发了新的算法和工具，进一步丰富了数据科学领域的生态系统。