electricsheepafrica/africa-world-bank-external-debt-indicators-for-zimbabwe

---
annotations_creators:
- no-annotation
language_creators:
- found
language:
- en
license: cc-by-4.0
multilinguality:
- monolingual
size_categories:
- 1K<n<10K
source_datasets:
- original
task_categories:
- tabular-regression
task_ids: []
tags:
- africa
- humanitarian
- hdx
- electric-sheep-africa
- economics
- indicators
- zwe
pretty_name: "Zimbabwe - External Debt"
dataset_info:
splits:
- name: train
num_examples: 2190
- name: test
num_examples: 547
---

# Zimbabwe - External Debt

**Publisher:** World Bank Group · **Source:** [HDX](https://data.humdata.org/dataset/world-bank-external-debt-indicators-for-zimbabwe) · **License:** `cc-by` · **Updated:** 2026-03-27

---

## Abstract

Contains data from the World Bank's [data portal](http://data.worldbank.org/). There is also a [consolidated country dataset](https://data.humdata.org/dataset/world-bank-combined-indicators-for-zimbabwe) on HDX.

Debt statistics provide a detailed picture of debt stocks and flows of developing countries. Data presented as part of the Quarterly External Debt Statistics takes a closer look at the external debt of high-income countries and emerging markets to enable a more complete understanding of global financial flows. The Quarterly Public Sector Debt database provides further data on public sector valuation methods, debt instruments, and clearly defined tiers of debt for central, state and local government, as well as extra-budgetary agencies and funds. Data are gathered from national statistical organizations and central banks as well as by various major multilateral institutions and World Bank staff.

Each row in this dataset represents country-level aggregates. Data was last updated on HDX on 2026-03-27. Geographic scope: **ZWE**.

*Curated into ML-ready Parquet format by [Electric Sheep Africa](https://huggingface.co/electricsheepafrica).*

---

## Dataset Characteristics

| | |
|---|---|
| **Domain** | Market and price monitoring |
| **Unit of observation** | Country-level aggregates |
| **Rows (total)** | 2,738 |
| **Columns** | 8 (2 numeric, 6 categorical, 0 datetime) |
| **Train split** | 2,190 rows |
| **Test split** | 547 rows |
| **Geographic scope** | ZWE |
| **Publisher** | World Bank Group |
| **HDX last updated** | 2026-03-27 |

---

## Variables

**Geographic** — `country_name` (Zimbabwe), `country_iso3` (ZWE), `year` (range 1960.0–2024.0).

**Outcome / Measurement** — `value` (range -2749517966.2589–49046015936.255).

**Identifier / Metadata** — `indicator_name` (GNI (current US$), Net ODA received per capita (current US$), Grants, excluding technical cooperation (BoP, current US$)), `indicator_code` (NY.GNP.MKTP.CD, DT.ODA.ODAT.PC.ZS, BX.GRT.EXTA.CD.WD), `esa_source` (HDX), `esa_processed` (2026-04-11).

---

## Quick Start

```python
from datasets import load_dataset

ds = load_dataset("electricsheepafrica/africa-world-bank-external-debt-indicators-for-zimbabwe")
train = ds["train"].to_pandas()
test = ds["test"].to_pandas()

print(train.shape)
train.head()
```

---

## Schema

| Column | Type | Null % | Range / Sample Values |
|---|---|---|---|
| `country_name` | object | 0.0% | Zimbabwe |
| `country_iso3` | object | 0.0% | ZWE |
| `year` | int64 | 0.0% | 1960.0 – 2024.0 (mean 1997.84) |
| `indicator_name` | object | 0.0% | GNI (current US$), Net ODA received per capita (current US$), Grants, excluding technical cooperation (BoP, current US$) |
| `indicator_code` | object | 0.0% | NY.GNP.MKTP.CD, DT.ODA.ODAT.PC.ZS, BX.GRT.EXTA.CD.WD |
| `value` | float64 | 0.0% | -2749517966.2589 – 49046015936.255 (mean 694286738.7144) |
| `esa_source` | object | 0.0% | HDX |
| `esa_processed` | object | 0.0% | 2026-04-11 |

---

## Numeric Summary

| Column | Min | Max | Mean | Median |
|---|---|---|---|---|
| `year` | 1960.0 | 2024.0 | 1997.84 | 1998.0 |
| `value` | -2749517966.2589 | 49046015936.255 | 694286738.7144 | 3028513.3 |

---

## Curation

Raw data was downloaded from HDX via the CKAN API and converted to Parquet. Column names were lowercased and standardised to snake_case. Common missing-value markers (`N/A`, `null`, `none`, `-`, `unknown`, `no data`, `#N/A`) were unified to `NaN`. The dataset was split 80/20 into train and test partitions using a fixed random seed (42) and saved as Snappy-compressed Parquet.

---

## Limitations

- Data originates from World Bank Group and has not been independently validated by ESA.
- Automated cleaning cannot correct for misreported values, definitional inconsistencies, or sampling bias in the original collection.
- Refer to the [original HDX dataset page](https://data.humdata.org/dataset/world-bank-external-debt-indicators-for-zimbabwe) for the publisher's own methodology notes and caveats.

---

## Citation

```bibtex
@dataset{hdx_africa_world_bank_external_debt_indicators_for_zimbabwe,
title = {Zimbabwe - External Debt},
author = {World Bank Group},
year = {2026},
url = {https://data.humdata.org/dataset/world-bank-external-debt-indicators-for-zimbabwe},
note = {Repackaged for machine learning by Electric Sheep Africa (https://huggingface.co/electricsheepafrica)}
}
```

---

*[Electric Sheep Africa](https://huggingface.co/electricsheepafrica) — Africa's ML dataset infrastructure. Lagos, Nigeria.*

搜集汇总

数据集介绍

构建方式

在宏观经济监测领域，该数据集由世界银行集团提供原始数据，通过人道主义数据交换平台发布。数据构建过程涉及从国家统计机构和中央银行等官方渠道系统性地收集津巴布韦的外部债务与相关经济指标，涵盖1960年至2024年的长期时间序列。Electric Sheep Africa团队进一步对原始数据进行标准化处理，包括统一缺失值标记、规范列名为蛇形命名法，并采用固定随机种子将数据按80:20的比例划分为训练集与测试集，最终转换为Snappy压缩的Parquet格式，确保了数据的机器可读性与一致性。

特点

该数据集聚焦于津巴布韦的国家级宏观经济指标，其核心特征体现在结构化与完整性上。数据包含2,738条观测记录，涵盖8个变量，其中既包括年份、国家名称与ISO代码等地理标识，也整合了国民总收入、人均净官方发展援助等关键经济指标的数值与编码。时间跨度长达六十余年，数值范围从负值到数百亿美元，反映了经济波动的全貌。数据集已预先划分为训练集与测试集，且所有字段均无缺失值，为时间序列分析与回归建模提供了高质、连贯的基准数据。

使用方法

在应用层面，该数据集适用于宏观经济预测、债务可持续性分析等监督学习任务。使用者可通过Hugging Face的datasets库直接加载，利用Python环境便捷地访问训练与测试分片，并转换为Pandas DataFrame以进行后续探索。典型工作流程包括基于年份与指标代码进行特征工程，以数值字段作为回归目标，构建模型以预测经济趋势。鉴于数据已清洗并标准化，研究者可专注于模型开发，同时参考原始世界银行的方法说明以理解指标背后的经济定义与潜在局限。

背景与挑战

背景概述

津巴布韦外部债务指标数据集由世界银行集团于2026年发布，并由Electric Sheep Africa机构进行机器学习格式的整理与发布。该数据集聚焦于宏观经济监测领域，旨在通过系统收集津巴布韦自1960年至2024年的外部债务、国民总收入及官方发展援助等关键经济指标，为研究发展中国家债务动态与金融流动提供结构化数据支持。其核心研究问题在于揭示债务存量与流动的演变模式，助力全球金融流动的完整性分析，并对公共部门债务的估值方法、债务工具及政府层级划分提供实证基础，从而深化对新兴市场经济体外部脆弱性的理解，推动发展经济学与金融稳定性研究的进展。

当前挑战

该数据集所应对的领域挑战在于，外部债务数据的复杂性与动态性使得准确建模债务可持续性与经济冲击响应面临困难，例如指标间的高度相关性、非平稳时间序列特性以及极端值的存在可能干扰回归模型的稳健性。在构建过程中，数据源自多国统计机构与中央银行的原始报告，面临定义不一致、报告缺失值统一以及潜在抽样偏差等挑战；尽管经过自动化清洗与格式标准化，但仍无法完全纠正原始数据中的误报或方法论差异，这要求使用者结合世界银行的方法论说明进行谨慎解读，以确保分析结果的可靠性。

常用场景

经典使用场景

在宏观经济与金融研究领域，该数据集为分析津巴布韦的外部债务动态提供了结构化时序数据。研究者通常利用其1960年至2024年的国别聚合指标，如国民总收入、人均净官方发展援助等，构建回归模型以预测债务趋势或评估财政可持续性。这类工作常涉及时间序列分析与面板数据建模，旨在揭示债务指标与宏观经济变量间的统计关联。

解决学术问题

该数据集有效解决了发展经济学中关于债务可持续性与外部冲击影响的量化研究难题。通过提供标准化的债务与援助指标，它支持学者检验债务积压假说、援助有效性理论以及汇率波动对偿债能力的影响。这些工作深化了对低收入国家财政脆弱性的理解，并为国际金融机构的政策评估提供了实证基础。

衍生相关工作

围绕该数据集衍生的经典研究包括世界银行自身的债务可持续性分析框架，以及学术文献中针对非洲国家债务陷阱的实证探讨。许多工作进一步整合了该数据与气候、治理等跨领域指标，以探究债务与环境正义的交互关系。这些研究推动了发展金融学方法论的演进，并启发了针对债务透明度的大数据倡议。