知識星球
導讀：如果用一個句子總結學習資料科學的本質，那就是：
學習資料科學的最佳方法就是應用資料科學。
如果你是初學者，那麼每完成一個專案你的能力就會大大提高。如果你是有經驗的資料科學從業者，那麼你應該懂這個道理。
但是，當我向人們給出這個建議時，他們通常會問：我可以在哪裡獲得練習的資料集呢？ 他們沒有意識到存在大量開放的資料集可使用。他們沒有意識到透過這些專案，能夠不斷學習，從而促進自己的職業發展。
如果你認為這符合你的情況，那麼你來對地方了！本文將列出一些資料集網站、資源的串列，你可以從使用當中的資料來進行自己的 pet project，甚至創造自己的產品。
00 如何使用這些資源？
如何使用這些資料源是沒有限制的。唯一限制你的是創造力和實際應用。
使用它們的最簡單方法是進行資料專案併發布到網上。這不僅可以提高資料和視覺化技能，還可以改善你的結構化思維。
另一方面，如果你打算或正在處理基於資料的產品，這些資料集可以透過提供新的輸入資料來增加產品的活力。
我已經將這些資源分類，從簡單，通用和易於處理的資料集，到大型、行業相關的資料集。接著，介紹用於特定目的的資料集：文字挖掘，影象分類，推薦引擎等。
（友情提示：以下網站均需翻牆）
01 簡單、通用的資料集
1. data.gov
( https://www.data.gov/ )
美國政府公開資料。該網站在釋出時包含超過 19 萬個資料點。這些資料包括氣候，教育，能源，金融等領域的資料。
2. data.gov.in
( https://data.gov.in/ )
印度政府公開資料。可以查詢各行業，氣候，醫療保健等資料。還可以在這裡得到一些視覺化的靈感。根據所在國家，你也可以從其他幾個網站上檢視類似的網站。
3. World Bank
( http://data.worldbank.org/ )
世界銀行的開放資料。該平臺提供 Open Data Catalog，世界發展指數，教育指數等幾個工具。
4. RBI
( https://rbi.org.in/Scripts/Statistics.aspx )
印度儲備銀行提供的資料。包括國際收支，銀行業務和一些產品使用的貨幣市場運作指標。
5. Five Thirty Eight Datasets
( https://github.com/fivethirtyeight/data )
Five Thirty Eight，亦稱作 538，專註與民意調查分析，政治，經濟與體育的部落格。該資料集為 Five Thirty Eight Datasets 使用的資料集。每個資料集包括資料，解釋資料的字典和Five Thirty Eight 文章的連結。如果你想學習如何建立資料故事，不能錯過。
02 大型資料集
6. Amazon Web Services（AWS）datasets
( https://aws.amazon.com/cn/datasets/ )
亞馬遜提供了一些大資料集，可以在他們的平臺或本地計算機上使用。還可以透過 EMR，使用 EC2 和 Hadoop 在雲端分析資料。亞馬遜的熱門資料集包括完整的 Enron 電子郵件資料集，Google Books n-gram，NASA NEX 資料集，百萬歌曲資料集等。
7. Google datasets
( https://cloud.google.com/bigquery/public-data/ )
Google 提供了一些資料集作為其 Big Query 工具的一部分。包括 GitHub 公共資料庫的資料，Hacker News 的所有故事和評論。
8. Youtube labeled Video Dataset
( https://research.google.com/youtube8m/ )
幾個月前，谷歌研究小組釋出了 YouTube 標簽資料集，該資料集由 800 萬個 YouTube 影片 ID 和 4800 個視覺物體的相關標簽組成。這來自數十億幀的預先計算和最先進的視覺功能。
03 預測建模與機器學習資料集
9. UCI Machine Learning Repository
( https://archive.ics.uci.edu/ml/datasets.html )
UCI 機器學習儲存庫顯然是最著名的資料儲存庫。如果你正在尋找與機器學習庫相關的資料集，那麼這是不可錯過的資源。當中包括各種各樣的資料集，從泰坦尼克號的倖存資料，到最近的空氣質量、GPS 軌跡等待。儲存庫包含超過 350 個資料集，其中包含域名，問題目的（分類/回歸）等標簽。你可以使用這些過濾器來確定需要的資料。
10. Kaggle
( https://www.kaggle.com/datasets )
Kaggle 推出了一個平臺，人們上傳資料集，其他社群成員可以投票併在其上執行指令碼。共有 350 多個資料集 ，特徵資料集超過 200 個。
11. Analytics Vidhya
(https://datahack.analyticsvidhya.com/contest/all/ )
你可以參與和下載我們的練習問題以及駭客馬拉松問題的資料集。資料集基於現實生活中的行業問題，並且相對較小，因為它們是針對 2-7 天的駭客馬拉松活動。
12. Quandl
( https://www.quandl.com/ )
Quandl 透過起網站、API 或一些工具的直接整合提供了不同來源的財務、經濟和替代資料。他們的資料集分為開放和付費。所有開放資料集為免費，但高階資料集需要付費。透過搜尋仍然可以在平臺上找到優質資料集。例如，來自印度的證券交易所資料是免費的。
13. Past KDD Cups
( http://www.kdd.org/kdd-cup )
KDD Cup 是 ACM Special Interest Group 組織的年度資料挖掘和知識發現競賽。
14. Driven Data
( https://www.drivendata.org/ )
Driven Data 發現運用資料科學帶來積極社會影響的現實問題。然後，他們為資料科學家組織線上模擬競賽，從而開發出最好的模型來解決這些問題。
04 影象分類資料集
15. The MNIST Database
( http://yann.lecun.com/exdb/mnist/ )
最流行的使用手寫數字的影象識別的資料集。包括 6 萬個火車示例和一個 1 萬個示例的測試集。這通常是進行影象識別的第一個資料集。
16. Chars74K
（http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/ )
如果你已經掌握手寫數字，可以進一步使用該資料集。當中包括自然影象中的字元識別，包含 74,000 個影象。
17. Frontal Face Images
（http://vasc.ri.cmu.edu//idb/html/face/frontal_images/index.html )
如果你已經完成了前兩個專案，並且能夠識別數字和字元，那麼在影象識別的下一個挑戰就是正面臉部影象。這些影象由 CMU & MIT 收集，併排列在四個檔案夾中。
18. ImageNet
( http://image-net.org/ )
是時候構建一些通用的東西了。根據 WordNet 層次的影象資料庫(目前僅為名詞)。層次結構的每個節點都被描述為數百個影象。目前，這個集合平均每個節點有超過 500 個影象，並且在增加中。
05 文字分類資料集
19. Spam – Non Spam
(http://www.esp.uem.es/jmgomez/smsspamcorpus/)
區分簡訊是否為垃圾郵件是一個有趣的問題。你需要構建一個分類器將簡訊進行分類。
20. Twitter Sentiment Analysis
(http://thinknook.com/twitter-sentiment-analysis-training-corpus-dataset-2012-09-22/)
該資料集包含 1578627 個分類推文，每行被標記為1的積極情緒，0位負面情緒。資料依次基於 Kaggle 比賽和 Nick Sanders 的分析。
21. Movie Review Data
(http://www.cs.cornell.edu/People/pabo/movie-review-data/)
本網站提供電影評論檔案的集合，標註其總體情緒極性（正面或負面）和主觀評分（例如“兩星半”）等。
06 推薦引擎的數據集
22. MovieLens
( https://grouplens.org/ )
MovieLens 是一個幫助人們查詢電影的網站。它有成千上萬的註冊使用者。他們進行自動內容推薦，推薦介面，基於標簽的推薦頁面等線上實驗。這些資料集可供下載，可用於建立自己的推薦系統。
23. Jester
(http://www.ieor.berkeley.edu/~goldberg/jester-data/)
線上笑話推薦系統。
07 來自各種來源的資料集網站
24. KDNuggets
(http://www.kdnuggets.com/datasets/index.html)
KDNuggets 的資料集頁面一直是人們搜尋資料集的參考。串列全面，但是某些來源不再提供資料集。因此，需要謹慎選擇資料集和來源。
25. Awesome Public Datasets
(https://github.com/caesar0301/awesome-public-datasets)
具有按域分類的資料集串列的 GitHub 儲存庫。資料集被整齊地劃分在不同的領域，然而沒有關於儲存庫本身的資料集的描述
26. Reddit Datasets Subreddit
(https://www.reddit.com/r/datasets/)
由於這是一個社群驅動的論壇，可能與之前的兩個資料源相比會一些混亂。但是，你可以根據熱度和投票來對資料集進行排序，以檢視最流行的資料集。另外，它還有一些有趣的資料集和討論。
結語
我希望這份資源清單對那些想做專案的人有所幫助。這絕對是一個金礦。
原作者：Kunal Jain
編譯：Mika
來源：CDA資料分析師（ID：cdacdacda）
原文：
https://www.analyticsvidhya.com/blog/2016/11/25-websites-to-find-datasets-for-data-science-projects/
推薦閱讀
日本老爺爺堅持17年用Excel作畫，我可能用了假的Excel···
看完此文再不懂區塊鏈算我輸：手把手教你用Python從零開始建立區塊鏈
Q: 你平時都透過哪些途徑獲取資料？
歡迎留言與大家分享
覺得不錯，請把這篇文章分享給你的朋友
轉載 / 投稿請聯絡：baiyu@hzbook.com
更多精彩文章，請在公眾號後臺點選“歷史文章”檢視
