Record for Jupyter Notebook for Kaggle/Personal Project, Come and Join with me to explore DS world！
定义何为优秀的数据集
- 数据集不混乱,否则要花费大量时间来清理数据
- 数据集不应包含太多行或列,否则难以使用
- 数据越干净越好,清理大型数据集可能非常耗时
- 应该预设一系列有趣的问题列表,而这个问题又可以用数据来回来
- Kaggle: https://www.kaggle.com/datasets 爱竞赛的盆友们应该很熟悉了，Kaggle 上有各种有趣的数据集，拉面评级、篮球数据、甚至西雅图的宠物许可证。
- Machine Learning Repository: https://archive.ics.uci.edu/ml/index.php 最古老的数据集源之一，是寻找有趣数据集的第一站。虽然数据集是用户贡献的，因此具有不同的清洁度，但绝大多数都是干净的，可以直接从 UCI 机器学习库下载，无需注册。
- Google Dataset Search https://datasetsearch.research.google.com/
- Amazon Web Service Open Datasets https://registry.opendata.aws/
- Microsoft Azure Open Datasets https://azure.microsoft.com/en-us/services/open-datasets/
- Quandl https://www.quandl.com/
- FRED Economic Data https://fred.stlouisfed.org/
- Data.gov https://www.data.gov/
- Socrata Open Data https://socrata.com/
- Google Trends https://trends.google.com/trends/
- World Bank Open Data https://data.worldbank.org/
- European Union Open Data Portal https://data.europa.eu/euodp/en/home
- United Nations Data https://data.un.org/
-
Labelme：带注释的大型图像数据集。 http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
-
ImageNet：大家熟悉的 ImageNet，女神李飞飞参与创建，同名比赛影响整个计算机视觉界。
http://image-net.org/ -
LSUN：场景理解与许多辅助任务（房间布局估计，显着性预测等） http://lsun.cs.princeton.edu/2016/
-
MS COCO：同样也是知名计算机视觉数据集，同名比赛每年都被中国人屠榜。 http://mscoco.org/
-
COIL 100 ：100 个不同的物体在 360 度旋转的每个角度成像。 http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php
-
视觉基因组：非常详细的视觉知识库。 http://visualgenome.org/
-
谷歌开放图像：在知识共享下的 900 万个图像网址集合“已经注释了超过 6000 个类别的标签”。 https://research.googleblog.com/2016/09/introducing-open-images-dataset.html
-
野外标记面：13000 张人脸标记图像，用于开发涉及面部识别的应用程序。 http://vis-www.cs.umass.edu/lfw/
-
斯坦福狗子数据集：20580 张狗子的图片，包括 120 个不同品种。 http://vision.stanford.edu/aditya86/ImageNetDogs/
-
室内场景识别：包含 67 个室内类别，15620 个图像。 http://web.mit.edu/torralba/www/indoor.html
-
多域情绪分析数据集：一个稍老一点的数据集，用到了来自亚马逊的产品评论。 http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
-
IMDB 评论：用于二元情绪分类的数据集，不过也有点老、有点小，有大约 25000 个电影评论。 http://ai.stanford.edu/~amaas/data/sentiment/
-
斯坦福情绪树库：带有情感注释的标准情绪数据集。 http://nlp.stanford.edu/sentiment/code.html
-
Sentiment140：一个流行的数据集，它使用 160,000 条预先删除表情符号的推文。 http://help.sentiment140.com/for-students/
-
Twitter 美国航空公司情绪：2015 年 2 月美国航空公司的 Twitter 数据，分类为正面，负面和中性推文。 https://www.kaggle.com/crowdflower/twitter-airline-sentiment
-
HotspotQA 数据集：具有自然、多跳问题的问答数据集，具有支持事实的强大监督，以实现更易于解释的问答系统。 https://hotpotqa.github.io/
-
安然数据集：来自安然高级管理层的电子邮件数据。 https://www.cs.cmu.edu/~./enron/
-
亚马逊评论：包含 18 年来亚马逊上的大约 3500 万条评论，数据包括产品和用户信息，评级和文本审核。 https://snap.stanford.edu/data/web-Amazon.html
-
Google Books Ngrams：Google Books 中的一系列文字。 https://aws.amazon.com/datasets/google-books-ngrams/
-
Blogger Corpus：收集了来自 blogger.com 的 681,288 篇博文，每篇博文至少包含 200 个常用英语单词。 http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
-
维基百科链接数据：维基百科的全文，包含来自 400 多万篇文章的近 19 亿个单词，可以按段落、短语或段落本身的一部分进行搜索。 https://code.google.com/p/wiki-links/downloads/list
-
Gutenberg 电子书列表：Gutenberg 项目中带注释的电子书书单。 http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
-
Hansards 加拿大议会文本：来自第 36 届加拿大议会记录的 130 万组文本。 http://www.isi.edu/natural-language/download/hansard/
-
Jeopardy：来自问答节目 Jeopardy 的超过 200,000 个问题的归档。 http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/
-
英文垃圾短信收集：由 5574 条英文垃圾短信组成的数据集。 http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
-
Yelp 评论：Yelp，就是美国的“大众点评”，这是他们发布的一个开放数据集，包含超过 500 万条评论。 https://www.yelp.com/dataset
-
UCI 的 Spambase：一个大型垃圾邮件数据集，对垃圾邮件过滤非常有用。 https://archive.ics.uci.edu/ml/datasets/Spambase
-
Berkeley DeepDrive BDD100k：目前最大的自动驾驶数据集，包含超过 100,000 个视频，其中包括一天中不同时段和天气条件下超过 1,100 小时的驾驶体验。其中带注释的图像来自纽约和旧金山地区。 http://bdd-data.berkeley.edu/
-
百度 Apolloscapes：度娘的大型数据集，定义了 26 种不同物体，如汽车、自行车、行人、建筑物、路灯等。 http://apolloscape.auto/
-
Comma.ai：超过 7 小时的高速公路驾驶，细节包括汽车的速度、加速度、转向角和 GPS 坐标。 https://archive.org/details/comma-dataset
-
牛津的机器人汽车：这个数据集来自牛津的机器人汽车，它于一年时间内在英国牛津的同一条路上，反反复复跑了超过 100 次，捕捉了天气、交通和行人的不同组合，以及建筑和道路工程等长期变化。 http://robotcar-dataset.robots.ox.ac.uk/
-
城市景观数据集：一个大型数据集，记录 50 个不同城市的城市街景。 https://www.cityscapes-dataset.com/
-
CSSAD 数据集：此数据集对于自动驾驶车辆的感知和导航非常有用。不过，数据集严重偏向发达国家的道路。 http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset
-
KUL 比利时交通标志数据集：来自比利时法兰德斯地区数以千计的实体交通标志的超过 10000 条注释。 http://www.vision.ee.ethz.ch/~timofter/traffic_signs/
-
MIT AGE Lab：在 AgeLab 收集的 1,000 多小时多传感器驾驶数据集的样本。 http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/
-
LISA：UC 圣迭戈智能和安全汽车实验室的数据集，包括交通标志、车辆检测、交通信号灯和轨迹模式。 http://cvrr.ucsd.edu/LISA/datasets.html
-
博世小交通灯数据集：用于深度学习的小型交通灯的数据集。 https://hci.iwr.uni-heidelberg.de/node/6132
-
LaRa 交通灯识别：巴黎的交通信号灯数据集。 http://www.lara.prd.fr/benchmarks/trafficlightsrecognition
-
WPI 数据集：交通灯、行人和车道检测的数据集。 http://computing.wpi.edu/dataset.html
- MIMIC-III：MIT 计算生理学实验室的公开数据集，标记了约 40000 名重症监护患者的健康数据，包括人口统计学、生命体征、实验室测试、药物等维度。 https://mimic.physionet.org/
-
Data.gov：该网站可以从多个美国政府机构下载数据，包括各种奇怪的数据，从政府预算到考试分数都有。不过，其中大部分数据需要进一步研究。
https://www.data.gov/ -
食物环境地图集：本地食材如何影响美国饮食的数据。 https://catalog.data.gov/dataset/food-environment-atlas-f4a22
-
学校财务系统：美国学校财务系统的调查。 https://catalog.data.gov/dataset/annual-survey-of-school-system-finances
-
慢性病数据：美国各地区慢性病指标数据。 https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9
-
美国国家教育统计中心：教育机构和教育人口统计数据，不仅有美国的数据，也有一些世界上其他地方的数据。 https://nces.ed.gov/
-
英国数据服务：英国最大的社会、经济和人口数据集。 https://www.ukdataservice.ac.uk/
-
数据美国：全面可视化的美国公共数据。 http://datausa.io/
-
中国国家统计局。 http://www.stats.gov.cn/
-
Quandl：经济和金融数据的良好来源，有助于建立预测经济指标或股票价格的模型。
https://www.quandl.com/ -
世界银行开放数据：全球人口统计数据，还有大量经济和发展指标的数据集。 https://data.worldbank.org/
-
国际货币基金组织数据：国际货币基金组织公布的有关国际金融，债务利率，外汇储备，商品价格和投资的数据。 https://www.imf.org/en/Data
-
金融时报市场数据：来自世界各地的金融市场的最新信息，包括股票价格指数，商品和外汇。 https://markets.ft.com/data/
-
Google Trends：世界各地的互联网搜索行为和热门新闻报道的数据。 http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
-
美国经济协会：美国宏观经济数据。 https://www.aeaweb.org/resources/data/us-macro-regional
https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279