electricsheepafrica/africa-owid-safety-walking-alone

该数据集名为Safety Walking Alone | Africa (Our World in Data)，包含2010年至2023年间6个非洲国家（南非、尼日利亚、喀麦隆、佛得角、冈比亚和加纳）的21个观测值，主题为天黑后独自行走的安全感。数据来源于Our World in Data，由Electric Sheep Africa重新打包发布。数据集为表格形式，包含以下列：国家名称（字符串类型）、国家ISO3代码（字符串类型）、年份（整数类型）以及感觉天黑后独自在居住区域行走安全的人口比例（%）- 两性（浮点数类型），该指标衡量居民在天黑后对独自在居住区域行走的安全感知程度。数据集适用于表格分类、回归或时间序列预测任务，数据量较小（少于1K样本），语言为英语，许可证为cc-by-4.0。The dataset is named Safety Walking Alone | Africa (Our World in Data), containing 21 observations across 6 African countries (South Africa, Nigeria, Cameroon, Cape Verde, Gambia, and Ghana) from 2010 to 2023, with the theme of Safety Walking Alone. The data is sourced from Our World in Data and repackaged by Electric Sheep Africa. It is in tabular format with the following columns: country_name (string type), country_iso3 (string type), year (int64 type), and Proportion of population that feel safe walking alone around the area they live after dark (%) - Both sexes (float64 type), which measures the perceived safety of residents walking alone in their living areas after dark. The dataset is suitable for tabular classification, regression, or time-series forecasting tasks, has a small size (less than 1K samples), is in English, and is licensed under cc-by-4.0.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa基于Our World in Data的原始数据进行重新封装与标准化处理而成。研究团队从权威开放来源中提取了2010年至2023年间非洲六个国家的居民独自外出安全感数据，并进行了模式整理与Parquet格式转换。构建过程中，数据被统一为包含国家名称、ISO3代码、年份及感知安全比例四列的规范表格结构，确保了多源信息的一致性。最终以HuggingFace Datasets格式发布，便于研究者通过简洁的API调用即可获取ML-ready的数据样本。

特点

数据集收录了来自南非、尼日利亚、喀麦隆、佛得角、冈比亚和加纳共六个非洲国家的21条观测记录，尽管样本量精巧，却覆盖了长达十四年的时间跨度。各条记录均精确量化了受访者中认为夜间独自在居住区域行走安全的成年人口比例，并以双精度浮点数呈现。值得注意的是，南非拥有最密集的13个时间点观测，为纵向趋势分析提供了宝贵素材。该数据集还具备轻量级与跨国家可比性两大优势，适用于揭示特定地区安全感知的演变规律。

使用方法

用户可通过HuggingFace Datasets库的load_dataset()函数一键加载该数据集，并将训练集转换为Pandas DataFrame对象进行后续分析。针对单一国家的聚焦研究，可借助条件筛选功能基于country_iso3列实现快速切片。对于时间序列分析，推荐对数据按年份排序后，利用DataFrame内置的plot方法直观绘制安全感知比例随年份变化的折线图。这些操作均无需繁琐的数据清洗，极大降低了非洲区域安全感研究的技术门槛。

背景与挑战

背景概述

该数据集由Our World in Data于2023年发布，并经Electric Sheep Africa重新打包，聚焦于非洲六国（南非、尼日利亚、喀麦隆、佛得角、冈比亚、加纳）在2010至2023年间民众夜间独自行走的安全感知。作为衡量社会安全与性别平等的重要指标，夜间独行安全感反映了地区治理、公共治安与信任度等多维因素。该数据集以21条时间序列观测值，为非洲安全研究提供了稀缺的定量证据，助力理解后殖民时代非洲城市安全与发展的动态关联，对可持续发展目标（SDG 11和5）的评估具有重要支撑作用。

当前挑战

该数据集面临的挑战主要包括：其一，观测样本极为稀少（仅21条），覆盖国家有限且时间跨度不均，难以支撑稳健的统计推断或机器学习模型训练，限制了泛化分析能力；其二，数据构建过程中面临非洲各国统计标准不一、调查频率低、历史数据缺失等问题，导致部分国家（如佛得角、冈比亚）仅有一条记录，无法构建有效的时间序列趋势；其三，原数据来源未详细说明调查方法与样本偏差，可能引入国家内部地域、城乡及人口结构的代表性风险，影响跨区域比较的可靠性。

常用场景

经典使用场景

该数据集汇集了2010年至2023年间非洲六个国家（南非、尼日利亚、喀麦隆、佛得角、冈比亚和加纳）关于夜间独自行走安全感知的统计资料，记录了受访者中认为在居住区域夜间独自行走安全的人口比例。这一精炼的小样本数据常被用于时间序列分析，以刻画特定国家内居民安全感随年份波动的长期趋势，亦可用于横截面比较，揭示不同非洲国家在公共安全感知维度的差异格局。

实际应用

在实际应用层面，该数据集可直接服务于非政府组织与国际发展机构的政策评估工作。例如，援助项目可在实施治安改善举措前后对比目标国家居民的安全感知得分，以量化干预效果。地方政府与城市规划部门亦能依据历年安全感趋势，识别高脆弱性区域并优先配置公共照明、巡逻警力等资源。此外，公民安全报道与媒体调查也可引用该数据，增强报道的说服力与时效性。

衍生相关工作

围绕该数据集已衍生出多项代表性工作。Electric Sheep Africa团队将其作为非洲数据层统一管线的示范案例，实现了从原始数据抽取、模式规范化到HuggingFace一键加载的标准化流程。在分析方法层面，研究者利用该数据集探索了小样本时间序列的平滑插值与置信区间估算技术，以应对稀疏观测带来的统计挑战。部分迁移学习工作则尝试借助全球安全感知大样本预训练模型，对非洲稀疏序列进行残差矫正，从而提升预测精度。