Awesome Public Datasets

这是一个主题中心的高质量公开数据集列表，收集并整理自博客、答案和用户响应。

This is a topic-centric high-quality public dataset list, collected and curated from blogs, answers, and user responses.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures Nutrient Database
• U.S. Department of Agricultures PLANTS Database

生物学

• 1000 Genomes
• American Gut (Microbiome Project)
• Broad Bioimage Benchmark Collection (BBBC)
• Broad Cancer Cell Line Encyclopedia (CCLE)
• Cell Image Library
• Complete Genomics Public Data
• EBI ArrayExpress
• EBI Protein Data Bank in Europe
• ENCODE project
• Electron Microscopy Pilot Image Archive (EMPIAR)
• Ensembl Genomes
• Gene Expression Omnibus (GEO)
• Gene Ontology (GO)
• Global Biotic Interactions (GloBI)
• Harvard Medical School (HMS) LINCS Project
• Human Genome Diversity Project
• Human Microbiome Project (HMP)
• ICOS PSP Benchmark
• International HapMap Project
• Journal of Cell Biology DataViewer
• KEGG
• MIT Cancer Genomics Data
• NCBI Proteins
• NCBI Taxonomy
• NCI Genomic Data Commons
• NIH Microarray data
• OpenSNP genotypes data
• Pathguid - Protein-Protein Interactions Catalog
• Protein Data Bank
• Psychiatric Genomics Consortium
• PubChem Project
• PubGene (now Coremine Medical)
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC)
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC)
• Sequence Read Archive(SRA)
• Stanford Microarray Data
• Stowers Institute Original Data Repository
• Systems Science of Biological Dynamics (SSBD) Database
• The Cancer Genome Atlas (TCGA), available via Broad GDAC
• The Catalogue of Life
• The Personal Genome Project
• UCSC Public Data
• UniGene
• Universal Protein Resource (UnitProt)

气候与天气

• Actuaries Climate Index
• Australian Weather
• Aviation Weather Center
• Brazilian Weather - Historical data (In Portuguese)
• Canadian Meteorological Centre
• Climate Data from UEA (updated monthly)
• European Climate Assessment & Dataset
• Global Climate Data Since 1929
• NASA Global Imagery Browse Services
• NOAA Bering Sea Climate
• NOAA Climate Datasets
• NOAA Realtime Weather Models
• NOAA SURFRAD Meteorology and Radiation Datasets
• The World Bank Open Data Resources for Climate Change
• UEA Climatic Research Unit
• WU Historical Weather Worldwide
• WorldClim - Global Climate Data

复杂网络

• AMiner Citation Network Dataset
• CrossRef DOI URLs
• DBLP Citation dataset
• DIMACS Road Networks Collection
• NBER Patent Citations
• NIST complex networks data collection
• Network Repository with Interactive Exploratory Analysis Tools
• Protein-protein interaction network
• PyPI and Maven Dependency Network
• Scopus Citation Database
• Small Network Data
• Stanford GraphBase
• Stanford Large Network Dataset Collection
• Stanford Longitudinal Network Data Sources
• The Koblenz Network Collection
• The Laboratory for Web Algorithmics (UNIMI)
• The Nexus Network Repository
• UCI Network Data Repository
• UFL sparse matrix collection
• WSU Graph Database

计算机网络

• 3.5B Web Pages from CommonCrawl 2012
• 53.5B Web clicks of 100K users in Indiana Univ.
• CAIDA Internet Datasets
• CRAWDAD Wireless datasets from Dartmouth Univ.
• ClueWeb09 - 1B web pages
• ClueWeb12 - 733M web pages
• CommonCrawl Web Data over 7 years
• Criteo click-through data
• Internet-Wide Scan Data Repository
• OONI: Open Observatory of Network Interference - Internet censorship data
• Open Mobile Data by MobiPerf
• Rapid7 Sonar Internet Scans
• UCSD Network Telescope, IPv4 /8 net

数据挑战

• Bruteforce Database
• Challenges in Machine Learning
• CrowdANALYTIX dataX
• D4D Challenge of Orange
• DrivenData Competitions for Social Good
• ICWSM Data Challenge (since 2009)
• KDD Cup by Tencent 2012
• Kaggle Competition Data
• Localytics Data Visualization Challenge
• Netflix Prize
• Space Apps Challenge
• Telecom Italia Big Data Challenge
• TravisTorrent Dataset - MSR2017 Mining Challenge
• TunedIT - Data mining & machine learning data sets, algorithms, challenges
• Yelp Dataset Challenge

地球科学

• AQUASTAT - Global water resources and uses
• BODC - marine data of ~22K vars
• EOSDIS - NASAs earth observing system data
• Earth Models
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements
• Marinexplore - Open Oceanographic Data
• Alabama Real-Time Coastal Observing System
• National Estuarine Research Reserves System-Wide Monitoring Program
• Smithsonian Institution Global Volcano and Eruption Database
• USGS Earthquake Archives

经济学

• American Economic Association (AEA)
• EconData from UMD
• Economic Freedom of the World Data
• Historical MacroEconomic Statistics
• INFORUM - Interindustry Forecasting at the University of Maryland
• International Economics Database
• International Trade Statistics
• Internet Product Code Database
• Joint External Debt Data Hub
• Jon Haveman International Trade Data Links
• OpenCorporates Database of Companies in the World
• Our World in Data
• SciencesPo World Trade Gravity Datasets
• The Atlas of Economic Complexity
• The Center for International Data
• The Observatory of Economic Complexity
• UN Commodity Trade Statistics
• UN Human Development Reports

教育

• College Scorecard Data
• Student Data from Free Code Camp

能源

• AMPds
• BLUEd
• COMBED
• DRED
• ECO
• EIA
• Global Power Plant Database
• HES - Household Electricity Study, UK
• HFED
• PLAID - The Plug Load Appliance Identification Dataset
• REDD
• Tracebase
• UK-DALE - UK Domestic Appliance-Level Electricity
• WHITED
• iAWE

金融

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

GIS

• ArcGIS Open Data portal
• Cambridge, MA, US, GIS data on GitHub
• Factual Global Location Data
• Geo Maps - High Quality GeoJSON maps programmatically generated

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个由社区驱动的开源项目，旨在收集和整理互联网上各种高质量的主题中心公共数据源。该数据集的构建主要依赖于从博客、回答和用户响应中搜集信息，并通过自动化脚本进行整理和更新。

特点

该数据集的特点在于其主题多样性，涵盖了从农业、生物学到地理信息系统、金融等众多领域。数据集大部分是免费的，但也包含一些非免费资源。此外，数据集还提供了丰富的元数据，便于用户理解和使用。

使用方法

用户可以通过数据集的GitHub页面浏览和下载所需的数据。每个数据条目通常包含详细的描述和链接，用户可以直接访问数据源或者通过提供的API进行数据获取。此外，数据集还提供了固定的贡献流程，鼓励社区成员贡献新的数据源和更新。

背景与挑战

背景概述

Awesome Public Datasets是一个由社区驱动的开源项目，旨在收集和整理高质量的主题中心公共数据集。该项目创建于2016年，由sindresorhus在GitHub上发起。它汇集了来自不同领域的公共数据集，包括农业、生物学、气候与天气、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、地理信息系统等。这些数据集主要来源于研究机构、政府部门和开源社区，为研究人员、开发者和数据科学家提供了宝贵的数据资源。

当前挑战

尽管Awesome Public Datasets提供了丰富的数据资源，但在数据集的构建和使用过程中也存在一些挑战。首先，数据集的多样性和异质性使得数据清洗和整合变得困难。其次，部分数据集的更新和维护不够及时，可能影响数据的质量和可用性。此外，数据集的版权和使用许可问题也需要关注，以确保数据的合法合规使用。

常用场景

经典使用场景

Awesome Public Datasets 集合了来自不同领域的高质量公共数据集，经典使用场景包括为学术研究提供数据支持，例如在生物信息学、气候学、复杂网络分析、计算机网络安全、数据挑战、地球科学、经济学、教育、能源、金融和地理信息系统等领域。研究人员可以从中获取所需的数据集，以支持其研究和分析工作。

实际应用

实际应用场景包括但不限于商业智能、天气预报、健康医疗、智能交通系统等领域。企业可以利用这些数据集进行市场分析、风险预测等商业决策。此外，政府和科研机构也可以利用这些数据进行公共管理和科学探索。

衍生相关工作

该数据集衍生了众多相关的工作，包括学术论文、商业报告、政策分析等。研究人员基于这些数据集进行的研究成果，进一步推动了相关领域的发展，例如在生物信息学、网络科学、地球科学等领域的应用研究。