awesome-public-datasets

这是一个收集和整理自互联网上的大型公共数据集的列表，涵盖了农业、生物学、气候/天气、复杂网络等多个领域。

This is a list of large-scale public datasets collected and curated from the Internet, covering multiple fields including agriculture, biology, climate/weather, complex networks, and more.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• Collaborative Research in Computational Neuroscience (CRCNS)
• Gene Expression Omnibus (GEO)
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• MIT Cancer Genomics Data
• NIH Microarray data (FTP)
• Protein Data Bank
• PubChem Project
• PubGene (now Coremine Medical)
• Stanford Microarray Data
• The Personal Genome Project
• UCSC Public Data
• UniGene

气候/天气

• Australian Weather
• Canadian Meteorological Centre
• Climate Data from UEA
• Global Climate Data Since 1929
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• WU Historical Weather Worldwide

复杂网络

• CrossRef DOI URLs
• DBLP Citation dataset
• NBER Patent Citations
• NIST complex networks data collection
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Stanford GraphBase (Steven Skiena)
• Stanford Large Network Dataset Collection
• The Koblenz Network Collection
• The Laboratory for Web Algorithmics (UNIMI)
• UCI Network Data Repository
• UFL sparse matrix collection
• WSU Graph Database

计算机网络

• 3.5B Web Pages
• 53.5B Web clicks
• CAIDA Internet Datasets
• ClueWeb09
• ClueWeb12
• CommonCrawl Web Data
• CRAWDAD Wireless datasets (Dartmouth)
• OpenMobileData (MobiPerf)
• UCSD Network Telescope

数据挑战

• Challenges in Machine Learning
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• Kaggle Competition Data
• KDD Cup by Tencent 2012
• Localytics Data Visualization Challenge
• Netflix Prize
• Yelp Dataset Challenge

经济学

• American Economic Ass. (AEA)
• EconData from UMD
• Internet Product Code Database

能源

• AMPds
• BLUEd
• COMBED
• Dataport
• ECO
• EIA
• HFED
• iAWE
• Plaid
• REDD
• UK-Dale

金融

• CBOE Futures Exchange
• Google Finance
• Google Trends
• NASDAQ
• OANDA
• OSU Financial data
• Quandl
• St Louis Federal
• Yahoo Finance

地理空间/GIS

• BODC
• EOSDIS
• Factual Global Location Data
• Global Administrative Areas Database (GADM)
• Geo Spatial Data from ASU
• GeoNames
• Natural Earth
• OpenStreetMap
• TIGER/Line
• TwoFishes
• TZ Timezones

政府

• Australia (abs.gov.au)
• Australia (data.gov.au)
• Canada
• Chicago
• EuroStat
• FedStats
• Germany
• Glasgow, Scotland, UK
• Guardian world governments
• London Datastore, U.K
• Netherlands
• New Zealand
• NYC betanyc
• NYC Open Data
• OECD
• Open Government Data (OGD) Platform India
• San Francisco Data sets
• South Africa
• The World Bank
• U.K. Government Data
• U.S. American Community Survey
• U.S. CDC Public Health datasets
• U.S. Census Bureau
• U.S. Department of Housing and Urban Development (HUD)
• U.S. Federal Government Agencies
• U.S. Federal Government Data Catalog
• U.S. Food and Drug Administration (FDA)
• U.S. Open Government
• UK 2011 Census Open Atlas Project
• United Nations

医疗保健

• EHDP Large Health Data Sets
• Gapminder World
• Medicare Coverage Database (MCD)
• Medicare Data Engine
• Medicare Data File

图像处理

• 2GB of Photos of Cats
• Face Recognition Benchmark
• ImageNet

机器学习

• Delve Datasets (Univ. of Toronto)
• eBay Online Auctions (2012)
• IMDb Database
• Keel Repository
• Lending Club Loan Data
• Machine Learning Data Set Repository
• Million Song Dataset
• More Song Datasets
• MovieLens Data Sets
• RDataMining
• Registered Meteorites on Earth
• Restaurants Health Score Data
• UCI Machine Learning Repository
• Yahoo Ratings and Classification Data

博物馆

• Cooper-Hewitts Collection Database
• Minneapolis Institute of Arts metadata
• Tate Collection metadata
• The Getty vocabularies

音乐

• Discogs Data

自然语言

• ClueWeb09 FACC
• ClueWeb12 FACC
• DBpedia
• Flickr Personal Taxonomies
• Google Books Ngrams (2.2TB)
• Google Web 5gram (1TB, 2006)
• Gutenberg eBooks List
• Hansards
• Machine Translation
• SMS Spam Collection
• USENET corpus
• Wikidata
• Wikipedia Links data
• WordNet

物理学

• CERN Open Data Portal
• NSSDC (NASA)

公共领域

• Amazon
• Archive.org Datasets
• CMU JASA data archive
• CMU StatLab collections
• Data360
• Datamob.org
• Google
• Infochimps
• KDNuggets Data Collections
• Numbray
• Reddit Datasets
• RevolutionAnalytics Collection
• Sample R data sets
• Stats4Stem R data sets
• StatSci.org
• The Washington Post List
• UCLA SOCR data collection
• UFO Reports
• Wikileaks 911 pager intercepts
• Yahoo Webscope

搜索引擎

• Academic Torrents (UMB)
• Archive-it
• Datahub.io
• DataMarket (Qlik)
• Freebase.com
• Harvard Dataverse Network
• ICPSR (UMICH)
• Statista.com

社会科学

• Ancestry.com Forum Dataset
• CMU Enron Email
• Facebook Data Scrape (2005)
• Facebook Social Networks from LAW (since 2007)
• Foursquare (2010, 2011)
• Foursquare from UMN/Sarwat (2013)
• General Social Survey (GSS, since 1972)
• GetGlue
• GitHub Archive
• Mobile Social Networks (UMASS)
• PewResearch Internet Project
• SourceForge.net Research Data
• Stack Exchange Data Explorer
• Titanic Survival Data Set
• Twitter Graph
• UCBs Archive of Social Science Data (D-Lab)
• UCLA Social Sciences Data Archive
• UNIMI/LAW Social Network Datasets

搜集汇总

数据集介绍

构建方式

该数据集是通过从博客、回答和用户响应中收集和整理公共数据源而构建的。它包含了大部分免费的数据集，但也包含一些非免费的数据集。

特点

数据集的特点在于其广泛性和多样性，涵盖了从农业、生物学到社会科学、网络科学等众多领域的公共数据集。此外，它还提供了数据集的链接，方便用户直接访问和获取数据。

使用方法

用户可以通过直接访问提供的数据集链接来使用这些数据。每个数据集的详细信息和使用方式可能会因其来源和类型的不同而有所差异，但通常都包括数据的下载和相关的使用说明。

背景与挑战

背景概述

Awesome Public Datasets 是一个收集自博客、回答和用户响应的公共数据集列表。该数据集旨在为研究人员提供便利，涵盖了多个领域，包括农业、生物学、气候/天气、复杂网络、计算机网络、数据挑战、经济学、能源、金融、地理空间/GIS、政府、健康护理、图像处理、机器学习、博物馆、音乐、自然语言、物理、公共领域、搜索引擎、社会科学等。这些数据集大部分是免费的，部分数据集可能需要付费。其创建时间不明，主要研究人员或机构为 Caesar0301，该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，有助于推动各领域的研究进展。

当前挑战

该数据集面临的挑战主要包括：1) 所解决的领域问题挑战，例如在图像分类、社交网络分析、自然语言处理等领域，数据集的多样性和质量直接影响到领域问题的解决；2) 构建过程中的挑战，包括数据集的收集、清洗、维护和更新等方面，需要大量的人力和时间成本。此外，数据隐私和安全问题也是该数据集需要关注的重要挑战。

常用场景

经典使用场景

该数据集广泛用于搜集和整理各领域公共数据资源，经典的使用场景包括学术研究、数据分析和决策支持等。用户可以从中快速定位到所需的数据集，用于各类研究和应用开发。

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，提供了丰富多样的数据资源，有助于研究者进行数据驱动的研究，推进学术发现和理论建设。

衍生相关工作

基于该数据集，已衍生出众多相关的工作，包括但不限于数据可视化、数据挖掘算法开发、社会网络分析等，这些工作进一步扩展了数据集的应用范围和影响力。