electricsheepafrica/africa-who-dental-prosthetic-technicians

该数据集包含非洲各国WHO GHO指标牙科修复技师（人数）（HWF_0013）的国家级观察数据，时间跨度为1985-2024年。它是Electric Sheep Africa集合的一部分，这是一个统一的、适合机器学习使用的非洲数据存储库。数据直接来源于WHO Global Health Observatory OData API，并以Parquet文件格式重新打包，具有一致的架构。所有值均来自NumericValue（浮点精度字段），而非显示字符串。在可用的情况下，包含置信区间边界（value_low，value_high）。

This dataset contains country-level observations for the WHO GHO indicator Dental Prosthetic Technicians (number) (HWF_0013) across African nations, spanning 1985–2024. It is part of the Electric Sheep Africa collection — a unified, ML-ready repository of African data. Data is sourced directly from the WHO Global Health Observatory OData API and repackaged as Parquet files with a consistent schema. All values are drawn from NumericValue (the float-precision field), not the display string. Confidence interval bounds (value_low, value_high) are included where available.

搜集汇总

数据集介绍

构建方式

该数据集源自世界卫生组织全球卫生观察站（WHO GHO）的官方OData API，经由Electric Sheep Africa项目系统性整合与再封装而成。数据聚焦于非洲地区牙科修复技师人数这一关键卫生人力指标（代码HWF_0013），覆盖1985年至2024年间44个非洲国家的年度观测值，共计179条记录。构建过程中，所有数值均提取自API返回的浮点精度字段NumericValue，而非显示字符串，确保数据的精确性与机器学习就绪性。同时，数据集以Parquet格式保存，并采用统一的模式架构，包含置信区间上下限字段，为统计分析提供完整支持。区域筛选严格限定于WHO非洲区域（ParentLocationCode = 'AFR'），保证了地理聚焦的纯粹性。

特点

该数据集最显著的特点在于其简洁而高质的时间序列结构，每个国家与年份组合对应单一数值，不存在性别、年龄等子维度分层，极大地简化了后续分析流程。数据收录了44个非洲国家长达四十年的观测记录，虽然总行数不足千条，却浓缩了区域卫生人力发展的关键脉络。每条记录均包含精确浮点数值及可选的置信区间信息，为建模提供了稳健的底层数据支持。此外，数据集收录了多个ISO国家代码、WHO区域标识与时间戳等元数据，便于与外部数据源进行融合与交叉验证。整体呈现出的高密度、低噪声特性，使其成为非洲卫生政策研究与预测建模的理想基石。

使用方法

该数据集可通过Hugging Face的datasets库直接加载使用，支持快速转化为Pandas DataFrame以进行深入分析。用户可调用load_dataset函数一步获取数据，随后利用条件筛选功能聚焦于特定人群层次，例如通过过滤dim1字段中的_BTSX后缀或空值来提取全国层面的两性合并数据，排除性别或城乡分层的干扰。针对国家级别的时间序列研究，可对country_iso3字段进行字符串匹配并结合年份排序，轻松提取如肯尼亚等单一国家的历年数据。这种简洁的API调用方式和灵活的筛选逻辑，使得即使不具备深厚编程背景的研究者也能快速上手，将原始数据转化为有价值的分析报告或机器学习模型的输入特征。

背景与挑战

背景概述

非洲大陆的公共卫生系统长期面临口腔健康服务不均的困境，其中牙科修复技师作为口腔医疗团队中的关键角色，其人力资源分布与增长趋势直接关系到区域口腔疾病防治能力。基于世界卫生组织全球卫生观察站（WHO GHO）的公开数据，Electric Sheep Africa研究团队于2024年构建了非洲牙科修复技师数量数据集（HWF_0013），覆盖44个非洲国家1985至2024年间的官方统计值。该数据集以统一架构封装为Parquet格式，旨在为机器学习驱动的卫生人力建模提供标准化训练语料，为探究非洲口腔卫生人力资源演变规律、评估政策干预效果及制定区域发展规划提供了量化基石。

当前挑战

该数据集解决的领域问题在于非洲大陆牙科修复技师数据的碎片化与不可比性：以往各国统计口径不一、年份缺失严重，导致宏观趋势分析与跨区域对比受阻。构建过程中面临的首要挑战是数据稀疏性——179条记录横跨40年仅覆盖44国，多数国家年度观测存在超长间隔。其次，置信区间字段（value_low/value_high）大量空缺，限制了不确定性建模的适用性。此外，数据源自WHO OData API的自动抓取，需协调不同版本间的维编码差异（如dim1中SEX_BTSX与RURAL的混合标注），并处理子维度约束下国家层级的聚合歧义。

常用场景

经典使用场景

非洲口腔健康人力资源的量化评估是公共卫生领域的重要议题，该数据集汇聚了1985至2024年间44个非洲国家牙科技师人数的官方统计数据，为研究者提供了跨越近四十年的纵向观测资源。其经典使用场景在于构建时序预测模型与跨区域对比分析，例如利用数值型字段'value_numeric'作为目标变量，结合年份与国家编码特征，探索非洲各国牙科技师数量的演变趋势、分布差异及波动规律。研究人员可进一步将本数据集与其他卫生健康指标融合，构建多任务学习框架，以揭示口腔医疗人力配置与疾病负担之间的深层关联。

解决学术问题

在学术研究层面，该数据集有效填补了非洲区域口腔健康人力资源长期缺乏结构化、机器可读数据的空白，解决了因数据碎片化而难以开展大规模统计推断的困境。它使得学者能够系统评估非洲各国牙科技师的供需缺口，量化不同国家在口腔医疗能力建设上的历史进程与不平衡性。基于此数据集，研究者可以验证经济学中人力资本与健康产出的关联假设，探讨政策干预对专业技术人员培养的滞后效应，为全球健康治理中的资源公平分配提供实证依据，其意义在于将零散的官方指标转化为可复现、可拓展的学术证据。

衍生相关工作

该数据集衍生了一系列聚焦非洲健康人力资本的前沿工作。一方面，它作为核心组件被整合进'Electronic Sheep Africa'这一统一、面向机器学习的非洲数据仓库中，催生了跨指标融合的综合性研究，例如将牙科技师数量与龋齿患病率、GDP等变量关联，构建因果推断模型。另一方面，基于该数据集的时序特征，研究者开发了针对稀疏且不完整面板数据的填补算法与预测框架，推动了低资源环境下统计方法学的创新。值得关注的是，该数据集还启发了对非洲内部'健康人力流失'现象的量化探讨，即技术人员从低收入国家向高收入国家的迁移趋势，为全球卫生外交与人才培养政策提供了关键的数据支撑。