数据平台与开放数据集导航

全球最大的数据科学与机器学习竞赛社区。

谷歌官方推出的数据集搜索引擎，旨在统一发现散落在网络各处的数据。

领先的开源模型和数据集平台，在NLP领域影响力巨大。

一个社区驱动的开源项目，致力于收集、标准化和分发高质量数据集。

一个在GitHub上维护的高质量公共数据集精选列表（“awesome list”）。

谷歌云提供的公共数据集，用户可以在BigQuery平台内直接进行查询和分析，涵盖基因组学、天气、交通等多种大规模数据集。

美国政府官方的开放数据门户，提供包括气候、人口、交通、金融等在内的大量高质量政府数据。

开放数据目录，覆盖卫星、基因组、气候、机器学习等大型云端数据集。

Google 支持的知识图谱式统计数据平台，可跨来源查询指标。

Wikidata SPARQL 查询入口，可获取结构化百科知识与实体关系数据。

由加州大学欧文分校维护的经典数据集仓库，是机器学习领域最古老和最著名的来源之一。

一个将学术论文、代码和数据集三者关联起来的平台。

一个专注于可复现和协作式机器学习的在线平台。

由欧洲核子研究中心（CERN）支持的开放获取研究数据存储库。

Keras深度学习框架内置的数据集接口，包含如MNIST、CIFAR-10/100、IMDB等经典的小型数据集，方便快速调用和实验。

微软研究院开放数据目录，包含计算机科学、社会科学与跨学科研究数据。

哈佛维护的研究数据存储与发布平台，支持引用、版本和元数据管理。

面向科研论文配套数据的开放存储库，常见于生命科学与环境科学。

开放科学框架，支持项目协作、预注册、文件和数据公开。

开放学术知识图谱，覆盖论文、作者、机构、期刊与引用关系。

Crossref 元数据服务，适合获取 DOI、出版物与引用相关元数据。

阿里巴巴集团旗下的数据科学与AI竞赛平台。

百度推出的AI学习与实训社区，深度集成了其飞桨（PaddlePaddle）深度学习框架。

国内领先的数据科学竞赛和协同创新平台。

一个专注于为AI开发者提供高质量、高可用性数据集的平台。

国家数据局门户，可追踪公共数据资源、政策和数据要素市场动态。

中国国家统计局官方数据查询入口，覆盖宏观经济、人口、产业等统计指标。

中国地球系统科学数据共享平台，覆盖地理、生态、气候、资源环境等数据。

青藏高原及周边区域科学数据中心，适合气候、生态、冰冻圈研究。

上海市级开放数据平台，提供交通、政务、民生、经济等城市数据。

北京市公共数据开放平台，覆盖政府服务、交通、环境、市场监管等数据。

数据产品与数据要素交易平台，可观察中国数据交易市场供给。

魔搭社区数据集，覆盖中文 NLP、多模态、语音、视觉等 AI 场景。

面向 AI 研究的数据开放平台，整理视觉、语言、多模态等数据集。

计算机视觉领域里程碑式的大规模图像数据集。

一个大规模、高质量的图像数据集，专为目标检测、实例分割和图像描述等复杂任务设计。

由谷歌发布的一个超大规模、标注丰富的图像数据集。

专注于城市街道场景语义理解的大规模数据集，提供高质量的像素级标注。

经典的手写数字识别数据集，包含6万张训练图像和1万张测试图像，是计算机视觉入门的“Hello World”。

计算机视觉数据集社区，提供目标检测、分类、分割等任务数据。

大规模图像区域描述、关系和问答标注数据集，适合视觉语言研究。

开放的大规模图文对数据集与模型研究社区，常用于多模态预训练。

PB级的公开网络爬取数据，包含海量原始网页文本，是训练大规模语言模型（LLM）最重要的语料来源之一。

维基媒体基金会提供的维基百科全站内容的离线数据库备份。

一个包含超过11,000本未出版英文书籍文本的大型数据集，常用于语言模型的预训练。

从Common Crawl网络爬取数据中提取并清洗后形成的大规模多语言语料库。

由清华大学自然语言处理实验室整理的大规模中文新闻分类数据集。

一个大型中文短文本分类数据集，包含约38万条由今日头条App生成的新闻标题，共分为15个类别。

一个常用的中文情感分析数据集，主要包含对酒店、书籍、电子产品等的评论。

经典的情感分析文本数据集，包含从IMDB网站收集的5万条电影评论，用于二元情感分类。

斯坦福大学推出的阅读理解和问答任务的经典基准数据集。

斯坦福大学发布的预训练词向量，通过词共现矩阵进行训练，效果优异。

基于有声读物的大规模（约1000小时）英语语音识别数据集，发音清晰，质量高。

EleutherAI 构建的大规模英文文本语料集合，用于语言模型训练研究。

从 Common Crawl 清洗得到的多语言语料库，覆盖大量低资源语言。

开放多语言语音数据集，适合语音识别与语音技术研究。

一个提供金融、经济和另类数据的领先平台（现为Nasdaq Data Link的一部分）。

世界银行发布的全球宏观经济与发展指标数据，如GDP、人口、贸易、教育等。

美联储经济数据库，提供大量美国和国际经济时间序列数据，如利率、就业、通胀等。

欧盟统计局的官方数据库，提供关于欧盟成员国经济、社会、环境等方面的高质量统计数据。

全球顶级的金融市场数据和分析工具，提供实时行情、新闻、研究报告等（需昂贵订阅）。

权威的全球初创公司、投资机构和市场趋势数据库（有免费和付费版）。

市场营销与网站流量分析工具，提供竞争对手分析数据（付费）。

市场营销与网站流量分析工具，提供竞争对手分析数据（付费）。

提供法律、新闻、公共记录和商业信息的大型数据库（付费）。

中文金融数据接口，覆盖股票、基金、期货、宏观、新闻等数据。

开源 Python 金融数据接口库，聚合股票、宏观、期货、另类数据等。

OECD 官方统计数据入口，适合国际宏观经济与政策比较。

国际货币基金组织数据入口，覆盖金融、贸易、债务和宏观经济指标。

一个大型、免费、公开的重症监护（ICU）患者匿名健康记录数据库。

由美国国家癌症研究所发起的大型癌症基因组学项目。

一个旨在绘制人体所有蛋白质在组织和细胞中分布图谱的大科学项目。

美国疾病控制与预防中心的官方健康与公共卫生数据。

美国国立卫生研究院维护的全球临床试验数据库，提供正在进行和已完成的临床研究信息。

世界卫生组织全球健康观察数据，覆盖公共卫生、疾病与医疗系统指标。

一个由全球志愿者社区创建和维护的开源世界地图。

美国宇航局（NASA）地球科学数据的官方门户。

美国地质调查局的数据门户，提供丰富的地质与遥感影像数据。

美国国家海洋和大气管理局的气候与海洋数据中心。

提供地理编码、路线规划、地点搜索等功能的API服务（付费）。

Google Earth Engine 遥感与地理数据目录，适合在线地理分析。

欧盟 Copernicus 哨兵卫星数据访问平台，适合地球观测研究。

高分辨率全球人口分布、迁移和人口统计空间数据。

全球空气质量开放数据平台，聚合各地监测站与传感器数据。

由GroupLens研究小组发布的一系列电影评分数据集，是推荐系统领域的经典基准。

Yelp发布的包含商家评论、用户画像等的商业数据集，适合推荐系统、情感分析等研究。

著名数据新闻网站FiveThirtyEight公开的用于其报道的社会科学、民意调查与政治数据集。

可视化和下载全球发展、健康、环境、人口、经济等主题数据。

Python数据分析与操作的核心库。

Python科学计算的基础库，提供强大的N维数组对象。

用于大规模数据处理的统一分布式计算引擎。

一个流批一体的分布式处理框架，以其低延迟的流处理能力著称。

提供统一的、可移植的编程模型，用于定义批处理和流处理数据管道。

Python原生的并行计算库，可与Pandas、NumPy、Scikit-learn无缝集成以处理大数据。

基于Rust开发的高性能DataFrame库，在速度和内存效率上通常优于Pandas。

专为核外（out-of-core）大规模数据集设计的内存高效型DataFrame库，可以流畅地探索上亿行的数据。

强大的ETL（提取、转换、加载）工具，提供开源和商业版本，用于数据集成。

一款简洁、开源的图形化图像标注工具，主要用于目标检测任务中的边界框（bounding box）标注。

由英特尔开发的强大开源标注工具。

一款非常灵活的开源数据标注工具，支持图像、文本、音频、时间序列等多种数据类型。

一个企业级的商业数据标注平台，提供从数据管理、标注到模型评估的全流程服务。

提供数据标注、生成和评估服务的大型商业平台，服务于众多顶级AI公司。

一个免费、轻量级的在线图像标注工具。

一个专业的端到端计算机视觉平台，不仅提供强大的数据标注功能，还集成了数据管理、模型训练和部署等功能。

微软推出的开源图像与视频标注工具。

由牛津大学视觉几何组（VGG）开发的轻量级独立标注软件。

一款非常受欢迎的开源文本标注工具，尤其适合中文NLP任务。

一款由spaCy开发者打造的高效文本标注工具。

一个用于音频处理的开源Python工具包。

一个性能极高、功能丰富的图像数据增强库。

一个灵活且强大的图像数据增强库。

一个用于NLP模型对抗性攻击、数据增强和模型训练的Python框架。

一个用于生成虚假数据的Python库。

一个开源的合成患者数据生成器。

Unity游戏引擎的一个插件，用于生成大规模、多样化且带完美标注的合成数据集。

一款功能强大的开源工具，用于处理和清洗凌乱的结构化数据。

一款企业级的智能数据准备平台，其核心技术也被Google Cloud Dataprep采用。

一个能从Pandas DataFrame中一键生成详细探索性数据分析（EDA）报告的Python库。

Python最基础、使用最广泛的绘图库。

基于Matplotlib的统计数据可视化库，界面更美观，语法更简洁。

用于创建精美、交互式图表的Python库，也支持其他语言。

一个用于基于Web标准创建动态、交互式数据可视化的JavaScript库，功能极为强大。

强大的免费数据可视化软件，可轻松创建和分享交互式仪表盘。

微软推出的商业智能（BI）工具，用于数据分析和可视化。

开源的网络图（Graph）分析与可视化工具，特别适合社交网络、关系图谱的探索。

一个基于Web的交互式笔记本，专为数据可视化和探索而设计，深度集成了D3.

开源 BI 与数据探索平台，可连接多类数据库创建仪表盘。

易用的 BI 与数据问答工具，适合团队快速构建内部数据看板。