Dove trovare raccolte di dati (dataset) utilizzabili gratuitamente

Quando si entra nel fantastico mondo dell'analisi dei dati il primo ingrediente che serve sono... i dati. E le raccolte di dati diventano fondamentali anche in seguito quando, ad esempio, si vuole addestrare un modello di machine learning. In questa pagina annoto i siti dai quali è possibile scaricare gratuitamente e legalmente dataset curati di dati. Chiunque può contribuire segnalandone di nuovi nei commenti

Sport

• Se vuoi estremamente dettagliati — ad esempio le coordinate di ogni passaggio, tiro, contrasto o azione di pressing — StatsBomb mette gratuitamente a disposizione su GitHub, in formato JSON, i dataset completi di diverse competizioni storiche, tra cui Coppa del Mondo, Europei, Copa América e alcune stagioni di campionati nazionali. Questi dati possono essere importati e utilizzati direttamente in Python attraverso la libreria statsbombpy
• Se preferisci non scaricare file statici ma interrogare un'API in tempo reale tramite codice:
• il piano gratuito di football-data.org offre l'accesso perpetuo ai dati (calendari, classifiche, squadre) delle principali competizioni mondiali.
• API-Football fornisce dati, aggiornati e dettagliati, statistiche e informazioni sul mondo del calcio, tra cui risultati delle partite, classifiche, formazioni, statistiche sui giocatori e molto altro ancora. Il piano gratuito si differenzia da quelli a pagamento sostanzialmente per il numero di chiamate al minuto e al giorno che è possibile fare. (Per impostare rapidamente la tua prima connessione a API-Football e iniziare a scaricare i dati ti suggerisco "How to get excellent football data for free with API football")
• Tra i tanti dataset di Kaggle:
• l'European Soccer Database è un'ottima raccolta (anche se non aggiornatissima) per chi intende affrontare progetti di sport analytics.
• Football Data from Transfermarkt mette a disposizione un dataset continuamente aggiornato, estratto direttamente da Transfermarkt, con dati strutturati su: oltre 80.000 partite delle principali competizioni calcistiche; profili e statistiche di più di 37.000 giocatori; lo storico dei valori di mercato e dei trasferimenti dei calciatori, con oltre 99.000 record.
• Football Manager Complete Data è un dataset storico che ritorna in una nuova veste — pulito, dettagliato e abbastanza aggiornato (fino a FM2023). I profili dei giocatori sono ricchi di dati, quindi vanno benissimo sia per allenare sistemi di raccomandazione, sia per impostare ricerche per similarità.
• International football results from 1872 to 2026, con i risultati di quasi 50mila partite internazioniali dal 1872 ad oggi. Il dataset include partite della Coppa del Mondo FIFA, del FIFI Wild Cup così come amichevoli tra nazionali.
• Football-Data.co.uk permette di scaricare gratuitamente file CSV divisi per stagione e campionato (Serie A, Premier League, La Liga, Bundesliga e molti altri minori). I dati includono risultati finali e parziali (primo tempo), statistiche di match (tiri, tiri in porta, falli, angoli, cartellini), quote storiche dei principali bookmaker.

Meteo

• Open Meteo. Offre dataset meteo storici e in tempo reale, gratuiti e senza API key, con dati orari dal 1940 per ogni punto del pianeta.
• Gli appassionati di meteorologia e di clima possono cimentarsi anche con i dataset messi a disposizione dal C3S (Copernicus Climate Change Service). I dati sono accessibili anche tramite API.

Altro

• Kaggle ha un'intera sezione dedicata ai dataset, che possono essere liberamente scaricati e utilizzati per esercitarsi. Si trovano raccolte di dati di natura diversissima: i modelli di smartphone, con tutte le loro caratteristiche e fascia di prezzo; le raccolte di tweet per addestrare i modelli di machine learning ad indentificare i discorsi di incitamento all'odio e il linguaggio offensivo; le performance degli studenti liceali dei Paesi OECD in matematica, lettura e scienze e così via.
• RapidAPI è una piattaforma che consente di accedere a migliaia di API diverse, dallo sport alla finanza.
• Meta Datasets. La pagina dei Datasets di Meta AI offre un'incredibile raccolta di dataset su larga scala e benchmark per l'addestramento, il test e la valutazione dei modelli di intelligenza artificiale. I dataset coprono vari ambiti come la segmentazione degli oggetti, modelli visione-linguaggio, ricostruzione 3D, equità algoritmica e traduzione automatica. Esempi includono il dataset SA-V per la segmentazione, FACET per valutare l'equità nei modelli visivi e Ego4D per la comprensione di video in prima persona. Tutti i dataset possono essere scaricati gratuitamente.
• gigaset condivide raccolte di dati di soggetti vari, ad esempio: le variabili per un City Happiness Index, i fattori correlati agli infarti, i livelli di monossido di carbonio in norvegia dal 1994 al 2022, le performance delle squadre della NFL dal 2003 al 2023 e così via. Per scaricare i file è necessario registrarsi (e la registrazione è gratuita)
• dati.gov.it - i dati aperti della PA . Prosegue lo sforzo dell'AgID per valorizzare gli open data della PA. I dataset disponibili (più di 68 mila) sono raggruppati in 13 aree tematiche: Agricoltura, pesca, silvicoltura e prodotti alimentari; Ambiente; Economia e finanze; Energia; Giustizia, sistema giuridico e sicurezza pubblica; Governo e settore pubblico; Istruzione, cultura e sport; Popolazione e società; Regioni e città; Salute; Scienza e tecnologia; Trasporti. La qualità, purtroppo, non è eccelsa: lo stesso Piano Triennale dell'Informatica rileva che "... la qualità dei dati esposti non è ancora a un buon livello, se non in pochi casi virtuosi. In particolare i dati non sono sempre aggiornati e alcune iniziative risultano apparentemente abbandonate. Anche da un punto di vista di documentazione e metadatazione la situazione è insufficiente. La frequente mancanza di automazione e la conseguente modalità di aggiornamento manuale dei dati, la scarsa presenza di standard a livello nazionale e di API, l’adozione di svariate licenze, a volte tra loro incompatibili, sono fattori che ostacolano un più ampio riutilizzo dei dati."