登录
首页精彩阅读想进行数据科学项目却没有数据集?25个数据集网站汇总
想进行数据科学项目却没有数据集?25个数据集网站汇总
2017-06-27
收藏
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:以下网站均需翻墙)

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/


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



数据分析咨询请扫描二维码

客服在线
立即咨询