【资源】想进行数据科学项目却没有数据集？25个数据集网站汇总

原作者 Kunal Jain 编译  Mika 本文为 CDA 数据分析师原创作品，转载需授权

前言

如果用一个句子总结学习数据科学的本质，那就是：

学习数据科学的最佳方法就是应用数据科学。

如果你是初学者，那么每完成一个项目你的能力就会大大提高。如果你是有经验的数据科学从业者，那么你应该懂这个道理。

但是，当我向人们给出这个建议时，他们通常会问：我可以在哪里获得练习的数据集呢？ 他们没有意识到存在大量开放的数据集可使用。他们没有意识到通过这些项目，能够不断学习，从而促进自己的职业发展。

如果你认为这符合你的情况，那么你来对地方了！本文将列出一些数据集网站、资源的列表，你可以从使用当中的数据来进行自己的 pet project，甚至创造自己的产品。

如何使用这些资源？

如何使用这些数据源是没有限制的。唯一限制你的是创造力和实际应用。

使用它们的最简单方法是进行数据项目并发布到网上。这不仅可以提高数据和可视化技能，还可以改善你的结构化思维。

另一方面，如果你打算或正在处理基于数据的产品，这些数据集可以通过提供新的输入数据来增加产品的活力。

我已经将这些资源分类，从简单，通用和易于处理的数据集，到大型、行业相关的数据集。接着，介绍用于特定目的的数据集：文本挖掘，图像分类，推荐引擎等。

（友情提示：以下网站均需访问外国网站）

1. 简单、通用的数据集

• data.gov

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

美国政府公开数据。该网站在发布时包含超过 19 万个数据点。这些数据包括气候，教育，能源，金融等领域的数据。

• data.gov.in

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

印度政府公开数据。可以查找各行业，气候，医疗保健等数据。还可以在这里得到一些可视化的灵感。根据所在国家，你也可以从其他几个网站上查看类似的网站。

• 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。

• RBI

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

印度储备银行提供的数据。包括国际收支，银行业务和一些产品使用的货币市场运作指标。

• 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，不能错过。

2. 大型数据集

• Amazon Web Services（AWS）datasets

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

亚马逊提供了一些大数据集，可以在他们的平台或本地计算机上使用。还可以通过 EMR，使用 EC2 和 Hadoop 在云端分析数据。亚马逊的热门数据集包括完整的 Enron 电子邮件数据集，Google Books n-gram，NASA NEX 数据集，百万歌曲数据集等。

• 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。

• Youtube labeled Video Dataset

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

几个月前，谷歌研究小组发布了 YouTube 标签数据集，该数据集由 800 万个 YouTube 视频 ID 和 4800 个视觉实体的相关标签组成。这来自数十亿帧的预先计算和最先进的视觉功能。

3. 预测建模与机器学习数据集

• UCI Machine Learning Repository

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

UCI 机器学习存储库显然是最着名的数据存储库。如果你正在寻找与机器学习库相关的数据集，那么这是不可错过的资源。当中包括各种各样的数据集，从泰坦尼克号的幸存数据，到最近的空气质量、GPS 轨迹等待。存储库包含超过 350 个数据集，其中包含域名，问题目的（分类/回归）等标签。你可以使用这些过滤器来确定需要的数据。

• Kaggle

( https://www.kaggle.com/datasets )

Kaggle 推出了一个平台，人们上传数据集，其他社区成员可以投票并在其上运行脚本。共有 350 多个数据集 ，特征数据集超过 200 个。

• Analytics Vidhya

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

你可以参与和下载我们的练习问题以及黑客马拉松问题的数据集。数据集基于现实生活中的行业问题，并且相对较小，因为它们是针对 2-7 天的黑客马拉松活动。

• 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。

• 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。

• 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。

4. 图像分类数据集

• The MNIST Database

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

最流行的使用手写数字的图像识别的数据集。包括 6 万个火车示例和一个 1 万个示例的测试集。这通常是进行图像识别的第一个数据集。

• Chars74K

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

如果你已经掌握手写数字，可以进一步使用该数据集。当中包括自然图像中的字符识别，包含 74,000 个图像。

• 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，那么在图像识别的下一个挑战就是正面脸部图像。这些图像由 CMU & MIT 收集，并排列在四个文件夹中。

• ImageNet

( http://image-net.org/ )

是时候构建一些通用的东西了。根据 WordNet 层次的图像数据库(目前仅为名词)。层次结构的每个节点都被描述为数百个图像。目前，这个集合平均每个节点有超过 500 个图像，并且在增加中。

5. 文本分类数据集

• 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。

• 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。

• Movie Review Data

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

本网站提供电影评论文件的集合，标注其总体情绪极性（正面或负面）和主观评分（例如“两星半”）等。

6. 推荐引擎的数据集

• 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。

• Jester

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

在线笑话推荐系统。

7. 来自各种来源的数据集网站

• 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。

• Awesome Public Datasets

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

具有按域分类的数据集列表的 GitHub 存储库。数据集被整齐地划分在不同的领域，然而没有关于存储库本身的数据集的描述

• Reddit Datasets Subreddit

(https://www.reddit.com/r/datasets/)

由于这是一个社区驱动的论坛，可能与之前的两个数据源相比会一些混乱。但是，你可以根据热度和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。

结语

我希望这份资源清单对那些想做项目的人有所帮助。这绝对是一个金矿。

ref:

https://www.analyticsvidhya.com/blog/2016/11/25-websites-to-find-datasets-for-data-science-projects/