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

原始信息汇总

Awesome Public Datasets 数据集概述

农业

• U.S. Department of Agricultures Nutrient Database: 美国农业部的营养数据库。
• U.S. Department of Agricultures PLANTS Database: 美国农业部的植物数据库。

生物学

• 1000 Genomes: 千人基因组计划数据。
• American Gut (Microbiome Project): 美国肠道项目（微生物组计划）数据。
• Broad Bioimage Benchmark Collection (BBBC): 广泛生物图像基准集合。
• Broad Cancer Cell Line Encyclopedia (CCLE): 广泛癌症细胞系百科全书。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 完整基因组公司公开数据。
• EBI ArrayExpress: 欧洲生物信息学研究所的ArrayExpress数据库。
• EBI Protein Data Bank in Europe: 欧洲蛋白质数据库。
• ENCODE project: 编码项目数据。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜试点图像档案。
• Ensembl Genomes: Ensembl基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达综合数据库。
• Gene Ontology (GO): 基因本体数据库。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据库。
• 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): 人类微生物组计划。
• ICOS PSP Benchmark: ICOS PSP基准数据。
• International HapMap Project: 国际HapMap项目。
• Journal of Cell Biology DataViewer: 细胞生物学杂志数据查看器。
• KEGG: 京都基因和基因组百科全书。
• MIT Cancer Genomics Data: 麻省理工学院癌症基因组数据。
• NCBI Proteins: NCBI蛋白质数据库。
• NCBI Taxonomy: NCBI分类数据库。
• NCI Genomic Data Commons: NCI基因组数据公共资源。
• NIH Microarray data: NIH微阵列数据。
• OpenSNP genotypes data: OpenSNP基因型数据。
• Pathguid - Protein-Protein Interactions Catalog: 蛋白质-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: PubChem项目。
• PubGene (now Coremine Medical): PubGene（现为Coremine Medical）。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): Sanger癌症体细胞突变目录。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): Sanger癌症药物敏感性基因组学项目。
• Sequence Read Archive(SRA): 序列读取档案。
• Stanford Microarray Data: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: Stowers研究所原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学系统科学数据库。
• The Cancer Genome Atlas (TCGA): 癌症基因组图谱，通过Broad GDAC提供。
• The Catalogue of Life: 生命目录。
• The Personal Genome Project: 个人基因组项目。
• UCSC Public Data: UCSC公共数据。
• UniGene: UniGene数据库。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。

气候与天气

• Actuaries Climate Index: 精算师气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气中心数据。
• Brazilian Weather: 巴西天气历史数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: UEA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: NASA全球图像浏览服务。
• NOAA Bering Sea Climate: NOAA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。
• NOAA SURFRAD Meteorology and Radiation Datasets: NOAA 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: UEA气候研究单位数据。
• WU Historical Weather Worldwide: 全球历史天气数据。
• WorldClim - Global Climate Data: WorldClim全球气候数据。

复杂网络

• AMiner Citation Network Dataset: AMiner引用网络数据集。
• CrossRef DOI URLs: CrossRef DOI链接。
• DBLP Citation dataset: DBLP引用数据集。
• DIMACS Road Networks Collection: DIMACS道路网络集合。
• NBER Patent Citations: NBER专利引用数据。
• NIST complex networks data collection: NIST复杂网络数据集合。
• Network Repository with Interactive Exploratory Analysis Tools: 带有交互式探索分析工具的网络存储库。
• Protein-protein interaction network: 蛋白质-蛋白质相互作用网络。
• PyPI and Maven Dependency Network: PyPI和Maven依赖网络。
• 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。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集集合。
• Stanford Longitudinal Network Data Sources: 斯坦福纵向网络数据源。
• The Koblenz Network Collection: 科布伦茨网络集合。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法学实验室（UNIMI）。
• The Nexus Network Repository: Nexus网络存储库。
• UCI Network Data Repository: UCI网络数据存储库。
• UFL sparse matrix collection: UFL稀疏矩阵集合。
• WSU Graph Database: WSU图数据库。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 来自CommonCrawl 2012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535亿次网页点击。
• CAIDA Internet Datasets: CAIDA互联网数据集。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的CRAWDAD无线数据集。
• ClueWeb09 - 1B web pages: ClueWeb09 - 10亿网页。
• ClueWeb12 - 733M web pages: ClueWeb12 - 7.33亿网页。
• CommonCrawl Web Data over 7 years: 7年CommonCrawl网页数据。
• Criteo click-through data: Criteo点击数据。
• Internet-Wide Scan Data Repository: 互联网广泛扫描数据存储库。
• OONI: Open Observatory of Network Interference - Internet censorship data: OONI：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: UCSD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 dataX。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: DrivenData社会公益竞赛。
• ICWSM Data Challenge (since 2009): ICWSM数据挑战（自2009年起）。
• KDD Cup by Tencent 2012: 腾讯2012年KDD杯。
• Kaggle Competition Data: Kaggle竞赛数据。
• 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。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集 - MSR2017挖掘挑战。
• TunedIT - Data mining & machine learning data sets, algorithms, challenges: TunedIT - 数据挖掘和机器学习数据集、算法、挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• AQUASTAT - Global water resources and uses: AQUASTAT - 全球水资源和使用。
• BODC - marine data of ~22K vars: BODC - 约2.2万个海洋变量数据。
• EOSDIS - NASAs earth observing system data: EOSDIS - NASA地球观测系统数据。
• Earth Models: 地球模型。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统（IMOS）。
• Marinexplore - Open Oceanographic Data: Marinexplore - 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): 美国经济协会数据。
• EconData from UMD: UMD经济学数据。
• 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: 马里兰大学跨行业预测（INFORUM）。
• 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: 联合外部债务数据中心。
• Jon Haveman International Trade Data Links: Jon Haveman国际贸易数据链接。
• OpenCorporates Database of Companies in the World: OpenCorporates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: Free Code Camp学生数据。

能源

• AMPds: 高级计量基础设施数据集。
• BLUEd: 建筑能源数据集。
• COMBED: 组合能源数据集。
• DRED: 动态需求响应数据集。
• ECO: 能源消耗数据集。
• EIA: 美国能源信息管理局数据。
• Global Power Plant Database: 全球电厂数据库。
• HES - Household Electricity Study, UK: 英国家庭电力研究。
• HFED: 家庭食品能源数据集。
• PLAID - The Plug Load Appliance Identification Dataset: 插头负载设备识别数据集。
• REDD: 住宅能源消耗数据集。
• Tracebase: 跟踪基础数据集。
• UK-DALE - UK Domestic Appliance-Level Electricity: 英国家庭电器级电力数据集。
• WHITED: 白色家电能源数据集。
• iAWE: 印度家庭能源数据集。

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数据。
• OSU Financial data: 俄亥俄州立大学金融数据。
• Quandl: Quandl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: 美国马萨诸塞州剑桥市GIS数据在GitHub上。
• Factual Global Location Data: Factual全球位置数据。
• Geo Maps - High Quality GeoJSON maps programmatically generated: 高质量GeoJSON地图程序生成。
• 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 - OSM数据提取到多种格式和区域。
• GeoNames Worldwide: GeoNames全球数据。
• Global Administrative Areas Database (GADM): 全球行政区域数据库（GADM）。
• Homeland Infrastructure Foundation-Level Data: 国土基础设施基础数据。

搜集汇总

数据集介绍

构建方式

Awesome Public Datasets 是一个由社区驱动、自动生成的开源项目，旨在收集和整理互联网上高质量的主题中心公共数据源。该数据集的构建主要通过从博客、回答和用户响应中收集信息，经过整理后形成。

特点

该数据集的特点在于其覆盖领域广泛，包含农业、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、地理信息系统等多个领域。每个领域下都有详细的数据集列表，且大部分数据集都是免费开放的。此外，数据集会持续更新，保证数据的时效性和准确性。

使用方法

用户可以通过数据集的GitHub详情页面了解每个数据集的具体信息，包括数据来源、格式、使用说明等。用户可以直接从提供的链接下载数据，或者在遵守相应使用条款的前提下，通过API或其他方式访问数据。对于数据集的具体使用，用户需要根据各自的研究目的和需求进行相应的数据预处理和分析。

背景与挑战

背景概述

Awesome Public Datasets是一个由社区维护的、不断更新的公共数据集列表，旨在为研究人员和开发者提供方便的数据资源。该数据集创建于2013年，由sindresorhus在GitHub上发起，汇集了来自不同领域的公共数据集，包括但不限于农业、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等。这些数据集多来源于科研机构、政府部门以及开源项目，对相关领域的研究起到了推动作用。

当前挑战

在构建和更新Awesome Public Datasets的过程中，主要面临的挑战包括：1)保证数据集的质量和准确性，由于数据来源多样，需要对数据进行验证和清洗；2)维护数据集的时效性，随着新数据的发布，需要不断更新数据集列表；3)数据集的分类和描述需要清晰明了，以便用户能够快速找到所需数据；4)提升数据集的可访问性，确保用户能够方便地获取和下载数据。

常用场景

经典使用场景

Awesome Public Datasets 作为公共数据集资源列表，其经典使用场景主要集中于为研究人员、数据科学家和开发者提供丰富的数据资源，以支持各类学术研究和应用开发。用户可以在此找到包括生物信息学、气候与天气、复杂网络、计算机网络等多个领域的高质量数据集，从而便于进行数据分析、模型训练和科学研究。

衍生相关工作

基于 Awesome Public Datasets，衍生出了许多相关的工作和项目。例如，研究人员可能会使用这些数据集进行机器学习模型的训练，开发新的数据分析工具，或者撰写科学论文。此外，开源社区中也出现了许多利用这些数据集构建的应用和服务。

数据集最近研究

最新研究方向

Awesome Public Datasets数据集的近期研究方向主要集中在数据的收集、整理与共享上，其涵盖了从农业、生物学到气候、网络等多个领域。研究的热点事件包括数据集的自动化生成与贡献方式的改进，例如通过apd-core自动化生成数据集列表，并提供了新的贡献方式。此外，该数据集的影响和意义在于为研究人员和开发者提供了丰富的、高质量的数据资源，推动了各领域的数据驱动研究。