推荐收藏 | 这30个高质量的数据集网站，你必须要试试！

　　推荐收藏 | 这30个高质量的数据集网站，你必须要试试！

　　

　　导言

　　当我们做数据分析的时候，可以通过手动抓取一些数据，比如爬虫。但是往往有些数据抓取不到，还有一些人根本不会爬虫，并且学习爬虫的时间成本也较高，这时候，为了更加方便我们快捷的学习可视化和数据分析的知识，我们的时间应该投入到后续的研究而不是数据的获取，所以今天给大家推荐30个常用的数据搜集网站，解决数据获取问题。

　　一、数据查询网站

　　1、企业产生的用户数据

　　百度指数：

　　阿里指数：

　　TBI 腾讯浏览指数：

　　新浪微博指数：

　　2 、数据平台购买数据

　　数据堂：

　　国云数据市场：

　　贵阳大数据交易所：

　　3 、政府/ 机构公开的数据

　　中华人民共和国国家统计局数据：

　　世界银行公开数据：

　　联合国数据：

　　纳斯达克：

　　4 、 数据管理咨询公司

　　麦肯锡：

　　埃森哲：

　　艾瑞咨询：

　　二、简单通用数据集

　　1、中国国家统计局

　　()

　　

　　2、美国政府公开数据

　　( )

　　

　　这是美国政府公开数据的所在地，该站点包含了超过19万的数据点。这些数据集不同于气候、教育、能源、金融和更多领域的数据。

　　3、印度政府公开数据

　　()

　　

　　这是印度政府公开数据的所在地，通过各种行业、气候、医疗保健等来寻找数据，你可以在这里找到一些灵感。根据你居住的国家的不同，你也可以从其他一些网站上浏览类似的网站。

　　4.World Bank

　　( )

　　

　　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。

　　5. RBI

　　( )

　　

　　印度储备银行提供的数据。这包括了货币市场操作、收支平衡、银行使用和一些产品的几个指标。

　　三、大型数据集

　　1、AmazonWebService-datasets

　　()

　　Amazon提供了一些大数据集，可以在他们的平台上使用，也可以在本地计算机上使用。您还可以通过EMR使用EC2和Hadoop来分析云中的数据。在亚马逊上流行的数据集包括完整的安然电子邮件数据集，Google Books n-gram，NASA NEX 数据集，百万歌曲数据集等。

　　2、Google datasets

　　()

　　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

　　3、Youtube-labeled-Video-Dataset

　　()

　　四、预测建模与机器学习数据集

　　1、UC-Machine-Learning-Repository

　　()

　　UCI机器学习库显然是最著名的数据存储库。如果您正在寻找与机器学习存储库相关的数据集，通常是首选的地方。这些数据集包括了各种各样的数据集，从像Iris和泰坦尼克这样的流行数据集到最近的贡献，比如空气质量和GPS轨迹。存储库包含超过350个与域名类似的数据集(分类/回归)。您可以使用这些过滤器来确定您需要的数据集。

　　2、Kaggle

　　Kaggle提出了一个平台，人们可以贡献数据集，其他社区成员可以投票并运行内核/脚本。他们总共有超过350个数据集——有超过200个特征数据集。虽然一些最初的数据集通常出现在其他地方，但我在平台上看到了一些有趣的数据集，而不是在其他地方出现。与新的数据集一起，界面的另一个好处是，您可以在相同的界面上看到来自社区成员的脚本和问题。

　　3、Analytics-Vidhya

　　()

　　您可以从我们的实践问题和黑客马拉松问题中参与和下载数据集。问题数据集基于真实的行业问题，并且相对较小，因为它们意味着2 - 7天的黑客马拉松。

　　4、Quandl

　　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。

　　5、Past KDD Cups

　　()

　　KDD Cup 是 ACM Special Interest Group 组织的年度数据挖掘和知识发现竞赛。

　　五、图像分类数据集

　　1、The MNIST Database

　　( )

　　最流行的图像识别数据集，使用手写数字。它包括6万个示例和1万个示例的测试集。这通常是第一个进行图像识别的数据集。

　　2、Chars74K

　　( )

　　这里是下一阶段的进化，如果你已经通过了手写的数字。该数据集包括自然图像中的字符识别。数据集包含74,000个图像，因此数据集的名称。

　　3、Frontal Face Images

　　( )

　　如果你已经完成了前两个项目，并且能够识别数字和字符，这是图像识别中的下一个挑战级别——正面人脸图像。这些图像是由CMU & MIT收集的，排列在四个文件夹中。

　　4、ImageNet

　　( )

　　现在是时候构建一些通用的东西了。根据WordNet层次结构组织的图像数据库(目前仅为名词)。层次结构的每个节点都由数百个图像描述。目前，该集合平均每个节点有超过500个图像(而且还在增加)。

　　六、文本分类数据集

　　1、Spam – Non Spam

　　()

　　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。

　　2、Twitter Sentiment Analysis

　　()

　　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。

　　3、Movie Review Data

　　()

　　这个网站提供了一系列的电影评论文件，这些文件标注了他们的总体情绪极性(正面或负面)或主观评价(例如，“两个半明星”)和对其主观性地位(主观或客观)或极性的标签。

　　七、推荐引擎数据集

　　1、MovieLens

　　( )

　　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。

　　2、Jester

　　(~goldberg/jester-data/)

　　在线笑话推荐系统。