Awesome Public Datasets

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、问答和用户反馈。

A topic-centric high-quality open dataset list, collected and curated from blogs, Q&A, and user feedback.

原始信息汇总

数据集概述

农业

• U.S. Department of Agricultures Nutrient Database: 提供营养数据。
• U.S. Department of Agricultures PLANTS Database: 提供植物数据。

生物学

• 1000 Genomes: 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。
• 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: 公共基因组数据。
• EBI ArrayExpress: 基因表达数据。
• EBI Protein Data Bank in Europe: 蛋白质数据。
• ENCODE project: 基因组注释项目数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜图像数据。
• Ensembl Genomes: 基因组数据。
• Gene Expression Omnibus (GEO): 基因表达数据。
• Gene Ontology (GO): 基因本体数据。
• Global Biotic Interactions (GloBI): 生物相互作用数据。
• Harvard Medical School (HMS) LINCS Project: 药物敏感性数据。
• Human Genome Diversity Project: 人类基因组多样性数据。
• Human Microbiome Project (HMP): 人类微生物组数据。
• ICOS PSP Benchmark: 生物过程模拟数据。
• International HapMap Project: 人类遗传变异数据。
• Journal of Cell Biology DataViewer: 细胞生物学数据。
• KEGG: 生物信息学数据库。
• MIT Cancer Genomics Data: 癌症基因组数据。
• NCBI Proteins: 蛋白质数据。
• NCBI Taxonomy: 生物分类数据。
• 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: 蛋白质相互作用数据。
• Protein Data Bank: 蛋白质结构数据。
• Psychiatric Genomics Consortium: 精神病基因组数据。
• PubChem Project: 化学信息数据。
• PubGene (now Coremine Medical): 基因数据。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): 癌症体细胞突变数据。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): 癌症药物敏感性数据。
• Sequence Read Archive(SRA): 序列读取数据。
• Stanford Microarray Data: 微阵列数据。
• Stowers Institute Original Data Repository: 原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学数据。
• The Cancer Genome Atlas (TCGA), available via Broad GDAC: 癌症基因组图谱数据。
• The Catalogue of Life: 生物物种目录。
• The Personal Genome Project: 个人基因组项目数据。
• UCSC Public Data: 公共基因组数据。
• UniGene: 基因表达数据。
• Universal Protein Resource (UnitProt): 蛋白质资源数据。

气候与天气

• Actuaries Climate Index: 气候指数数据。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center - Consistent, timely and accurate weather: 航空天气数据。
• Brazilian Weather - Historical data (In Portuguese): 巴西历史天气数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA (updated monthly): 每月更新的气候数据。
• European Climate Assessment & Dataset: 欧洲气候评估数据集。
• Global Climate Data Since 1929: 自1929年以来的全球气候数据。
• NASA Global Imagery Browse Services: NASA全球图像浏览服务。
• NOAA Bering Sea Climate: 白令海气候数据。
• NOAA Climate Datasets: NOAA气候数据集。
• NOAA Realtime Weather Models: NOAA实时天气模型数据。
• NOAA SURFRAD Meteorology and Radiation Datasets: NOAA辐射和气象数据。
• 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。
• WU Historical Weather Worldwide: 全球历史天气数据。
• WorldClim - Global Climate Data: 全球气候数据。

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。
• DIMACS Road Networks Collection: 道路网络数据集。
• NBER Patent Citations: 专利引用数据。
• NIST complex networks data collection: NIST复杂网络数据集。
• Network Repository with Interactive Exploratory Analysis Tools: 网络数据存储库及分析工具。
• Protein-protein interaction network: 蛋白质相互作用网络数据。
• PyPI and Maven Dependency Network: 软件包依赖网络数据。
• Scopus Citation Database: Scopus引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase: 斯坦福图基数据。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: Koblenz网络数据集。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据。
• The Nexus Network Repository: 网络存储库。
• UCI Network Data Repository: UCI网络数据存储库。
• UFL sparse matrix collection: 稀疏矩阵数据集。
• 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35亿网页数据。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿次网页点击数据。
• CAIDA Internet Datasets: CAIDA互联网数据集。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页数据。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页数据。
• CommonCrawl Web Data over 7 years: 7年间的CommonCrawl网页数据。
• Criteo click-through data: Criteo点击数据。
• Internet-Wide Scan Data Repository: 互联网扫描数据存储库。
• OONI: Open Observatory of Network Interference - Internet censorship data: 网络干扰开放观察数据。
• Open Mobile Data by MobiPerf: 移动数据。
• Rapid7 Sonar Internet Scans: Rapid7互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: UCSD网络望远镜数据。

数据挑战

• Bruteforce Database: 暴力破解数据库。
• Challenges in Machine Learning: 机器学习挑战数据。
• CrowdANALYTIX dataX: CrowdANALYTIX数据。
• D4D Challenge of Orange: Orange的D4D挑战数据。
• 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。
• KDD Cup by Tencent 2012: 2012年腾讯KDD杯数据。
• Kaggle Competition Data: Kaggle竞赛数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix奖数据。
• Space Apps Challenge: 太空应用挑战数据。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• TravisTorrent Dataset - MSR2017 Mining Challenge: MSR2017挖掘挑战数据。
• TunedIT - Data mining & machine learning data sets, algorithms, challenges: TunedIT数据挖掘与机器学习数据集。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: 全球水资源和使用数据。
• BODC - marine data of ~22K vars: 海洋数据。
• EOSDIS - NASAs earth observing system data: NASA地球观测系统数据。
• Earth Models: 地球模型数据。
• Integrated Marine Observing System (IMOS) - roughly 30TB of ocean measurements: 海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋学开放数据。
• Alabama Real-Time Coastal Observing System: 阿拉巴马实时海岸观测系统数据。
• National Estuarine Research Reserves System-Wide Monitoring Program: 国家河口研究保护区系统监测计划数据。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼全球火山和喷发数据库。
• USGS Earthquake Archives: USGS地震档案数据。

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。
• INFORUM - Interindustry Forecasting at the University of Maryland: 马里兰大学产业间预测数据。
• 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: SciencesPo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: 经济复杂性观察站。
• 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: 免费编程营学生数据。

能源

• AMPds: 能源使用数据集。
• BLUEd: 建筑能耗数据集。
• COMBED: 综合建筑能耗数据集。
• 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。
• Global Power Plant Database - The Global Power Plant Database is a [...]: 全球发电厂数据库。
• HES - Household Electricity Study, UK: 英国家庭电力研究。
• HFED: 高频能源数据集。
• PLAID - The Plug Load Appliance Identification Dataset: 插件负载设备识别数据集。
• REDD: 住宅能源使用数据集。
• Tracebase: 能耗跟踪数据集。
• UK-DALE - UK Domestic Appliance-Level Electricity: 英国家用电器级电力数据。
• WHITED: 白盒能耗数据集。
• iAWE: 智能建筑能耗数据集。

金融

• CBOE Futures Exchange: CBOE期货交易所数据。
• 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: 剑桥市GIS数据。
• Factual Global Location Data: 事实全球位置数据。
• Geo Maps - High Quality GeoJSON maps programmatically generated: 高质量GeoJSON地图数据。

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个高质量、主题导向的公共数据源集合，涵盖了多个领域的开放数据集。该数据集的构建依赖于广泛的社区贡献，数据来源包括博客、问答平台以及用户反馈。数据集通过自动化工具 `apd-core` 进行生成和维护，确保了数据的及时更新和一致性。贡献者可以通过指定的方式提交新的数据集或修正现有数据，从而保证了数据集的多样性和准确性。

使用方法

用户可以通过访问 Awesome Public Datasets 的 GitHub 页面浏览和下载所需的数据集。每个数据集都附有详细的描述和访问链接，用户可以根据自己的研究需求选择合适的资源。对于希望贡献新数据集或修正现有数据的用户，可以通过 `apd-core` 提供的贡献指南提交修改请求。数据集的使用方法因具体数据源而异，部分数据集可能需要特定的工具或权限进行访问和分析。

背景与挑战

背景概述

Awesome Public Datasets 是一个由社区驱动的公共数据集集合，旨在为研究人员、数据科学家和开发者提供高质量、多样化的数据集资源。该数据集集合由 awesomedata 组织维护，涵盖了从农业、生物学到气候、经济等多个领域的公开数据集。其创建初衷是为了解决数据获取的难题，尤其是在跨学科研究中，数据资源的分散性和不透明性常常成为研究进展的瓶颈。通过整理和分类来自博客、用户反馈和其他公开渠道的数据集，Awesome Public Datasets 为全球的研究者提供了一个便捷的入口，极大地推动了数据驱动的研究进程。

当前挑战

Awesome Public Datasets 面临的主要挑战包括数据集的多样性和质量保证。首先，由于数据集来源广泛，涵盖领域众多，如何确保每个数据集的准确性和时效性是一个持续的挑战。其次，尽管大多数数据集是免费的，但部分数据集可能涉及版权或使用限制，这为数据集的合法使用带来了复杂性。此外，随着数据集的不断更新和扩展，如何保持数据集列表的完整性和一致性也是一个技术难题。最后，尽管数据集的数量庞大，但如何有效地组织和分类这些数据集，以便用户能够快速找到所需资源，仍然是一个亟待解决的问题。

常用场景

经典使用场景

Awesome Public Datasets 是一个广泛收集和整理高质量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。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，方便他们快速访问和下载所需的数据集，从而加速科研和项目开发的进程。

解决学术问题

Awesome Public Datasets 解决了学术界在数据获取和整理方面的常见问题。通过提供结构化的数据源列表，研究人员可以避免在互联网上盲目搜索数据，节省了大量时间和精力。此外，该数据集还帮助解决了数据质量参差不齐的问题，确保用户能够访问到经过验证的高质量数据。

实际应用

在实际应用中，Awesome Public Datasets 被广泛用于数据驱动的决策支持系统、机器学习模型的训练与验证、以及跨学科研究项目。例如，生物学家可以利用该数据集中的基因组数据进行疾病研究，气候学家则可以借助其中的气象数据预测气候变化趋势。

数据集最近研究

最新研究方向

近年来，Awesome Public Datasets在数据科学和机器学习领域的研究方向主要集中在多源异构数据的整合与分析。随着数据量的爆炸式增长，研究者们越来越关注如何高效地从不同领域的数据集中提取有价值的信息。例如，生物学领域的基因组数据和气候学领域的气象数据相结合，能够为全球气候变化对生物多样性的影响提供新的见解。此外，复杂网络分析在社交网络、交通网络等领域的应用也日益广泛，研究者们利用这些数据集探索网络结构、节点重要性以及信息传播机制。这些研究不仅推动了数据科学的前沿发展，也为解决现实世界中的复杂问题提供了有力支持。