【资源】史上最全数据集汇总

无论是数据挖掘还是目前大热的深度学习，都离不开“大数据”。大公司们一般会有自己的数据，但对于创业公司或是高校老师、学生来说，“Where can I get large datasets open to the public” 是一个不得不面对的问题。 本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。

一.如何使用这些资源?

使用它们最简单的方法是进行数据项目，并在网站上发布它们。这不仅能提高你的数据和可视化技能，还能改善你的结构化思维。

另一方面，如果你正在考虑/处理基于数据的产品，这些数据集可以通过提供额外的/新的输入数据来增加您的产品的功能。

我们已经在不同的部分中划分了这些数据源，以帮助你根据应用程序对数据源进行分类。首先从简单、通用和易于处理数据集开始，然后转向大型/行业相关数据集。然后，我们为特定的目的——文本挖掘、图像分类、推荐引擎等提供数据集的链接。这将为您提供一个完整的数据资源列表。

二.由简单和通用的数据集开始

1.data.gov

( https://www.data.gov/ )

 这是美国政府公开数据的所在地，该站点包含了超过19万的数据点。这些数据集不同于气候、教育、能源、金融和更多领域的数据。 

2.data.gov.in 

( https://data.gov.in/ ) 

这是印度政府公开数据的所在地，通过各种行业、气候、医疗保健等来寻找数据，你可以在这里找到一些灵感。根据你居住的国家的不同，你也可以从其他一些网站上浏览类似的网站。

3.World Bank

( http://data.worldbank.org/ ) 

世界银行的开放数据。该平台提供 Open Data Catalog，世界发展指数，教育指数等几个工具。

4.RBI 

(https://rbi.org.in/Scripts/Statistics.aspx) 

印度储备银行提供的数据。这包括了货币市场操作、收支平衡、银行使用和一些产品的几个指标。

5.Five Thirty Eight Datasets

 (https://github.com/fivethirtyeight/data) 

Five Thirty Eight，亦称作 538，专注与民意调查分析，政治，经济与体育的博客。该数据集为 Five Thirty Eight Datasets 使用的数据集。每个数据集包括数据，解释数据的字典和Five Thirty Eight 文章的链接。如果你想学习如何创建数据故事，没有比这个更好。

三.大型数据集

1.Amazon Web Services(AWS)datasets 

(https://aws.amazon.com/cn/datasets/)

 Amazon提供了一些大数据集，可以在他们的平台上使用，也可以在本地计算机上使用。您还可以通过EMR使用EC2和Hadoop来分析云中的数据。在亚马逊上流行的数据集包括完整的安然电子邮件数据集，Google Books n-gram，NASA NEX 数据集，百万歌曲数据集等。

 

2.Google datasets

 ( https://cloud.google.com/bigquery/public-data/ )

 Google 提供了一些数据集作为其 Big Query 工具的一部分。包括 GitHub 公共资料库的数据，Hacker News 的所有故事和评论。

3.Youtube labeled Video Dataset 

( https://research.google.com/youtube8m/ )

 几个月前，谷歌研究小组发布了YouTube上的“数据集”，它由800万个YouTube视频id和4800个视觉实体的相关标签组成。它来自数十亿帧的预先计算的，最先进的视觉特征。

 

四.预测建模与机器学习数据集

1.UCI Machine Learning Repository

 ( https://archive.ics.uci.edu/ml/datasets.html ) 

UCI机器学习库显然是最著名的数据存储库。如果您正在寻找与机器学习存储库相关的数据集，通常是首选的地方。这些数据集包括了各种各样的数据集，从像Iris和泰坦尼克这样的流行数据集到最近的贡献，比如空气质量和GPS轨迹。存储库包含超过350个与域名类似的数据集(分类/回归)。您可以使用这些过滤器来确定您需要的数据集。

2.Kaggle

 ( https://www.kaggle.com/datasets )

 Kaggle提出了一个平台，人们可以贡献数据集，其他社区成员可以投票并运行内核/脚本。他们总共有超过350个数据集——有超过200个特征数据集。虽然一些最初的数据集通常出现在其他地方，但我在平台上看到了一些有趣的数据集，而不是在其他地方出现。与新的数据集一起，界面的另一个好处是，您可以在相同的界面上看到来自社区成员的脚本和问题。

3.Analytics Vidhya

 (https://datahack.analyticsvidhya.com/contest/all/ )

 您可以从我们的实践问题和黑客马拉松问题中参与和下载数据集。问题数据集基于真实的行业问题，并且相对较小，因为它们意味着2 - 7天的黑客马拉松。 

 

4.Quandl

 ( https://www.quandl.com/ )

 Quandl 通过起网站、API 或一些工具的直接集成提供了不同来源的财务、经济和替代数据。他们的数据集分为开放和付费。所有开放数据集为免费，但高级数据集需要付费。通过搜索仍然可以在平台上找到优质数据集。例如，来自印度的证券交易所数据是免费的。

5.Past KDD Cups

 ( http://www.kdd.org/kdd-cup )

 KDD Cup 是 ACM Special Interest Group 组织的年度数据挖掘和知识发现竞赛。

6.Driven Data

 ( https://www.drivendata.org/ )

 Driven Data 发现运用数据科学带来积极社会影响的现实问题。然后，他们为数据科学家组织在线模拟竞赛，从而开发出最好的模型来解决这些问题。

五.图像分类数据集

1.The MNIST Database

 ( http://yann.lecun.com/exdb/mnist/ ) 

最流行的图像识别数据集，使用手写数字。它包括6万个示例和1万个示例的测试集。这通常是第一个进行图像识别的数据集。

2.Chars74K

 (http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/ )

 这里是下一阶段的进化，如果你已经通过了手写的数字。该数据集包括自然图像中的字符识别。数据集包含74,000个图像，因此数据集的名称。

3.Frontal Face Images 

(http://vasc.ri.cmu.edu//idb/html/face/frontal_images/index.html )

 如果你已经完成了前两个项目，并且能够识别数字和字符，这是图像识别中的下一个挑战级别——正面人脸图像。这些图像是由CMU & MIT收集的，排列在四个文件夹中。

4.ImageNet ( http://image-net.org/ ) 现在是时候构建一些通用的东西了。根据WordNet层次结构组织的图像数据库(目前仅为名词)。层次结构的每个节点都由数百个图像描述。目前，该集合平均每个节点有超过500个图像(而且还在增加)。

六.文本分类数据集

1.Spam – Non Spam 

(http://www.esp.uem.es/jmgomez/smsspamcorpus/) 

区分短信是否为垃圾邮件是一个有趣的问题。你需要构建一个分类器将短信进行分类。

2.Twitter Sentiment Analysis (http://thinknook.com/twitter-sentiment-analysis-training-corpus-dataset-2012-09-22/) 该数据集包含 1578627 个分类推文，每行被标记为1的积极情绪，0位负面情绪。数据依次基于 Kaggle 比赛和 Nick Sanders 的分析。

3.Movie Review Data 

(http://www.cs.cornell.edu/People/pabo/movie-review-data/)

 这个网站提供了一系列的电影评论文件，这些文件标注了他们的总体情绪极性(正面或负面)或主观评价(例如，“两个半明星”)和对其主观性地位(主观或客观)或极性的标签。

七.推荐引擎数据集

1.MovieLens 

( https://grouplens.org/ ) MovieLens

 是一个帮助人们查找电影的网站。它有成千上万的注册用户。他们进行自动内容推荐，推荐界面，基于标签的推荐页面等在线实验。这些数据集可供下载，可用于创建自己的推荐系统。

2.Jester

 (http://www.ieor.berkeley.edu/~goldberg/jester-data/) 

在线笑话推荐系统。

八.各种来源的数据集网站

1.KDNuggets 

(http://www.kdnuggets.com/datasets/index.html)

 KDNuggets 的数据集页面一直是人们搜索数据集的参考。列表全面，但是某些来源不再提供数据集。因此，需要谨慎选择数据集和来源。

2.Awesome Public Datasets 

(https://github.com/caesar0301/awesome-public-datasets)

 一个GitHub存储库，它包含一个由域分类的完整的数据集列表。数据集被整齐地分类在不同的领域，这是非常有用的。但是，对于存储库本身的数据集没有描述，这可能使它非常有用。

3.Reddit Datasets Subreddit 

(https://www.reddit.com/r/datasets/) 

由于这是一个社区驱动的论坛，它可能会遇到一些麻烦(与之前的两个来源相比)。但是，您可以通过流行/投票来对数据集进行排序，以查看最流行的数据集。另外，它还有一些有趣的数据集和讨论。

★推荐阅读★

一文读懂LSTM和循环神经网络

27个机器学习的小抄，助你效率翻倍

【教程】如何从零开始构建深度学习项目？

深度学习领域引用量前10篇论文（附下载地址）

用Python实现线性回归，8种方法哪个最高效？