海量数据(又称大数据)已经成为各大互联网企业面临的最大问题,如何处理海量数据,提供更好的解决方案,是目前相当热门的一个话题。类似MapReduce、 Hadoop等架构的普遍推广,大家都在构建自己的大数据处理,大数据分析平台。
相应之下,目前对于海量数据处理人才的需求也在不断增多,此类人才可谓炙手可热!越来越多的开发者把目光转移到海量数据的处理上。但是不是所有人都能真正接触到,或者有机会去处理海量数据的,所以就需要一些公开的海量数据集来研究。
在Quora上有人就问到,如何获取海量数据集。此问题得到了很多人的关注。具体可以看看回答,数据集的种类多种多样,有化学分析,基因遗传等等,从中你肯定能得到自己想要个数据集。
Where can I get large datasets open to the public?
首先说说几个收集数据集的网站:
1、Public Data Sets on Amazon Web Services (AWS)
http://aws.amazon.com/datasets
Amazon从2008年开始就为开发者提供几十TB的开发数据。
2、Yahoo! Webscope
http://webscope.sandbox.yahoo.com/index.php
3、Konect is a collection of network datasets
http://konect.uni-koblenz.de/
4、Stanford Large Network Dataset Collection
http://snap.stanford.edu/data/index.html
再就是说说几个跟互联网有关的数据集:
1、Dataset for "Statistics and Social Network of YouTube Videos"
http://netsg.cs.sfu.ca/youtubedata/
2、1998 World Cup Web Site Access Logs
http://ita.ee.lbl.gov/html/contrib/WorldCup.html
这个是1998年世界杯期间的数据集。从1998/04/26 到 1998/07/26 的92天中,发生了 1,352,804,107次请求。
3、Page view statistics for Wikimedia projects
http://dammit.lt/wikistats/
4、AOL Search Query Logs - RP
http://www.researchpipeline.com/mediawiki/index.php?title=AOL_Search_Query_Logs
5、livedoor gourmet
http://blog.livedoor.jp/techblog/archives/65836960.html
海量图像数据集:
1、ImageNet
http://www.image-net.org/
包含1400万的图像。
2、Tiny Images Dataset
http://horatio.cs.nyu.edu/mit/tiny/data/index.html
包含8000万的32x32图像。
3、 MirFlickr1M
http://press.liacs.nl/mirflickr/
Flickr中的100万的图像集。
4、 CoPhIR
http://cophir.isti.cnr.it/whatis.html
Flickr中的1亿600万的图像
5、SBU captioned photo dataset
http://dsl1.cewit.stonybrook.edu/~vicente/sbucaptions/
Flickr中的100万的图像集。
6、Large-Scale Image Annotation using Visual Synset(ICCV 2011)
http://cpl.cc.gatech.edu/projects/VisualSynset/
包含2亿图像
7、NUS-WIDE
http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm
Flickr中的27万的图像集。
8、SUN dataset
http://people.csail.mit.edu/jxiao/SUN/
包含13万的图像
9、MSRA-MM
http://research.microsoft.com/en-us/projects/msrammdata/
包含100万的图像,23000视频
10、TRECVID
http://trecvid.nist.gov/
Stack Overflow Dump Files
7.3G
stackoverflow.com-Posts.7z
573.1K
stackoverflow.com-Tags.7z
153.0M
stackoverflow.com-Users.7z
2.2G
stackoverflow.com-Comments.7z
截止目前好像还没有国内的企业或者组织开放自己的数据集。希望也能有企业开发自己的数据集给研究人员使用,从而推动海量数据处理在国内的发展!
2014/07/07 雅虎发布超大Flickr数据集 1亿的图片+视频
http://yahoolabs.tumblr.com/post/89783581601/one-hundred-million-creative-commons-flickr-images-for
100多个有趣的数据集
http://www.csdn.net/article/2014-06-06/2820111-100-Interesting-Data-Sets-for-Statistics
城市
Public Data EU http://publicdata.eu
Open Data Europe http://data.europa.eu/euodp/en/home
UK Government Data https://data.gov.uk
Africa Open Data https://africaopendata.org
Code for South Africa http://code4sa.org
Code for Africa https://codeforafrica.org
Open Cities Project http://www.opencitiesproject.org
Open Nepal http://data.opennepal.net
National Bureau of Statistics of China http://www.stats.gov.cn
Open Data Hong Kong https://opendatahk.com
Indonesian Government Open Data http://data.go.id
Japan http://www.data.go.jp
Russian Government Data Website http://data.gov.ru
PakReport - Pakistan Open Data and Maps http://pakreport.org
Open Data India https://data.gov.in
Turkey Open Statistics http://www.turkstat.gov.tr
Canada statistics https://crdcn.org/data
Open Canada http://open.canada.ca/en
Open Data Brazil http://dados.gov.br
Open Data Mexico https://datos.gob.mx
Open Data Latin America http://opendatalatinoamerica.org
机构
United Nations Open Data http://data.un.org
United Nations Development Program Data http://open.undp.org
Open Knowledge Foundation https://okfn.org
World Bank https://data.worldbank.org
WikiLeaks https://wikileaks.org
International Aid and Transparency Datasets https://www.iatiregistry.org
DataHub http://datahub.io
Population Reference Bureau http://www.prb.org/DataFinder.aspx
教育
Lexis Nexis http://lexisnexis.com
Google Scholar search http://scholar.google.com
Cornell University arXiv https://arxiv.org
UCI Machine Learning Datasets https://archive.ics.uci.edu/ml/index.php
Common Data Set Initiative http://www.commondataset.org
医疗
Open Science Data Cloud https://www.opensciencedatacloud.org/publicdata/
Open Science Directory http://www.opensciencedirectory.net
WHO http://www.who.int/gho/database/en/
Broad Institute Open Data https://www.broadinstitute.org/data-software-and-tools
Human Connectome Project http://www.humanconnectomeproject.org
UNC's Psychiatric Genomics http://www.med.unc.edu/pgc
Social Science Datasets http://3stages.org/idata/
CDC Medical Data https://www.cdc.gov/nchs/fastats/
分享到:
相关推荐
包括两个数据集:红葡萄酒数据集winequality-red.csv,白葡萄酒数据集winequality-white.csv,涉及来自葡萄牙北部的红色和白色vinho verde葡萄酒样本。 目标是根据物理化学测试对葡萄酒质量进行建模 Two datasets are...
经典的图像分类数据集Fashion-MNIST-datasets
Awesome 公开数据集(github.com/awesomedata/awesome-public-datasets):Awesome 公开数据集是一个 GitHub 上的开源项目,收集了许多公开的数据集资源。这个项目包含了各种领域的数据集,包括自然语言处理、计算机...
西安交通大学轴承数据集网盘链接 | 永久有效 西安交通大学轴承数据集网盘链接 | 永久有效 西安交通大学轴承数据集网盘链接 | 永久有效 西安交通大学轴承数据集网盘链接 | 永久有效 西安交通大学轴承数据集网盘链接 |...
Vehicles识别数据集 Content in the directory: 1. "image_query/". This dir contains 1678 images as queries. 2. "image_test/". This dir contains 11579 images for testing. 3. "image_train/". This dir ...
Python数据集乳腺癌数据集(from sklearn.datasets import load_breast_cancer) Python数据集乳腺癌数据集(from sklearn.datasets import load_breast_cancer) Python数据集乳腺癌数据集(from sklearn.datasets ...
这是“磁砖表面缺陷的显着性”论文的数据集。收集了6种常见磁砖缺陷的图像,并标记了它们的像素级地面真相。 图1.我们的数据集概述。 欢迎使用我们的数据集。 如果在您的研究中使用它,请引用我们的论文。 可以在...
藏经阁-Streaming Datasets.pdf
藏经阁-Streaming datasets for Personalization.pdf
Laravel开发-laravel-datasets-australia 为澳大利亚提供数据集。
关键词提取数据集 用于开发、评估和测试关键字提取算法的不同数据集。 有关基准性能,请参阅:O. Medelyan。 2009. 。 博士论文。 新西兰怀卡托大学。 使用受控词汇表或同义词库作为来源提取关键字: NLM_500.zip -...
就医管理系统java源码很棒的公共数据集 注意:此 repo 由 . 请不要直接修改此文件。 我们已经为 Awesome Public Datasets 做出了贡献。 直接在 repo 上的原始 PR 入口永久关闭。 我很好。 请修理我。 高质量。 它们...
dataset-master是一个公开的数据集,它经常被用来练习处理大数据,常用的语言是python,里面涉及到各种各种的数据集比如鸢尾花分类的数据集、航班数据集、某一年地震统计数据集等等,可以借助数据使用plotly进行绘制...
多视图数据集 链接: ://pan.baidu.com/s/17fLfSyWxlXKh8vmiS3ZcRg提取代码:bf7a 不完整的多视图数据集 一个完整:一个视图完整,其他视图随机丢失10%-70%。 随机错过:所有观看次数随机错过。 100叶垫 ...
【数据集】数据集,包含原始数据集、自助数据集、存储过程数据集、JSON数据集、脚本数据集、HTTP数据集、JS数据集, (Datasets, including original datasets, self-service datasets, stored procedure datasets, ...
遥感数据集:包含6个数据集 - spacenet - AICrowd - CHN6-CUG - deepglobe-road-dataset - Massachusetts - Massachusetts-building
中英文姓名-性别数据集.本数据集可以用来训练判断行文姓名的性别的模型.
Middlebury Stereo官网上面的03,05,06年数据集和1年最经典的那张。立体匹配测试数据集Middlebury Stereo Datasets,分享给大家。
Awesome Public Datasets:公开数据集,大部分免费,涵盖机器学习、自然语言处理、图像识别等领域.zip,A topic-centric list of HQ open datasets. PR ☛☛☛
用latex beamer生成的pdf版本的ppt,关于论文Clustering Very Large Multi-dimensional Datasets with MapReduce。是我的pre