electricsheepafrica/africa-world-bank-financial-sector-indicators-for-gabon

---
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
- other
task_ids: []
tags:
- africa
- humanitarian
- hdx
- electric-sheep-africa
- economics
- indicators
- gab
pretty_name: "Gabon - Financial Sector"
dataset_info:
splits:
- name: train
num_examples: 2760
- name: test
num_examples: 690
---

# Gabon - Financial Sector

**Publisher:** World Bank Group · **Source:** [HDX](https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gabon) · **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-gabon) on HDX.

An economy's financial markets are critical to its overall development. Banking systems and stock markets enhance growth, the main factor in poverty reduction. Strong financial systems provide reliable and accessible information that lowers transaction costs, which in turn bolsters resource allocation and economic growth. Indicators here include the size and liquidity of stock markets; the accessibility, stability, and efficiency of financial systems; and international migration and workers\ remittances, which affect growth and social welfare in both sending and receiving countries.

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

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

---

## Dataset Characteristics

| | |
|---|---|
| **Domain** | Poverty and economic vulnerability |
| **Unit of observation** | Country-level aggregates |
| **Rows (total)** | 3,450 |
| **Columns** | 8 (2 numeric, 6 categorical, 0 datetime) |
| **Train split** | 2,760 rows |
| **Test split** | 690 rows |
| **Geographic scope** | GAB |
| **Publisher** | World Bank Group |
| **HDX last updated** | 2026-03-27 |

---

## Variables

**Geographic** — `country_name` (Gabon), `country_iso3` (GAB), `year` (range 1960.0–2025.0).

**Outcome / Measurement** — `value` (range -522953000000.0–2406303000000.0).

**Identifier / Metadata** — `indicator_name` (Domestic credit to private sector (% of GDP), Net migration, Official exchange rate (LCU per US$, period average)), `indicator_code` (SM.POP.NETM, PA.NUS.FCRF, PA.NUS.ATLS), `esa_source` (HDX), `esa_processed` (2026-04-11).

---

## Quick Start

```python
from datasets import load_dataset

ds = load_dataset("electricsheepafrica/africa-world-bank-financial-sector-indicators-for-gabon")
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% | Gabon |
| `country_iso3` | object | 0.0% | GAB |
| `year` | int64 | 0.0% | 1960.0 – 2025.0 (mean 1996.5925) |
| `indicator_name` | object | 0.0% | Domestic credit to private sector (% of GDP), Net migration, Official exchange rate (LCU per US$, period average) |
| `indicator_code` | object | 0.0% | SM.POP.NETM, PA.NUS.FCRF, PA.NUS.ATLS |
| `value` | float64 | 0.0% | -522953000000.0 – 2406303000000.0 (mean 22877234548.7745) |
| `esa_source` | object | 0.0% | HDX |
| `esa_processed` | object | 0.0% | 2026-04-11 |

---

## Numeric Summary

| Column | Min | Max | Mean | Median |
|---|---|---|---|---|
| `year` | 1960.0 | 2025.0 | 1996.5925 | 2000.0 |
| `value` | -522953000000.0 | 2406303000000.0 | 22877234548.7745 | 15.6421 |

---

## 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-financial-sector-indicators-for-gabon) for the publisher's own methodology notes and caveats.

---

## Citation

```bibtex
@dataset{hdx_africa_world_bank_financial_sector_indicators_for_gabon,
title = {Gabon - Financial Sector},
author = {World Bank Group},
year = {2026},
url = {https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gabon},
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

在金融发展研究领域，系统性的数据采集与标准化处理是支撑实证分析的基础。该数据集源自世界银行集团的公开数据门户，由Electric Sheep Africa团队通过HDX平台获取原始资料，并经过专业的数据清洗与转换流程。具体而言，原始数据通过CKAN API下载后，进行了列名标准化与缺失值统一处理，将常见的空值标记转换为NaN格式，最终以Snappy压缩的Parquet格式存储。数据集按照80:20的比例划分为训练集与测试集，确保了机器学习任务中数据分割的规范性与可复现性。

特点

作为聚焦加蓬国家金融部门发展的专题数据集，其核心特征体现在多维度的指标覆盖与精细化的数据结构上。数据集共包含3450条观测记录，涵盖1960年至2025年间的年度数据，涉及私人部门国内信贷占比、净移民规模、官方汇率等关键经济指标。每条记录均包含国家名称、年份、指标代码与数值等8个字段，其中数值型字段跨度显著，从负值到万亿量级，反映了加蓬经济在不同历史阶段的波动特征。数据以国家层面为观测单元，兼具时间序列与横截面属性，为宏观经济趋势分析与预测建模提供了结构化基础。

使用方法

在应用层面，该数据集适用于回归分析、时间序列预测及经济指标关联性研究等机器学习任务。用户可通过Hugging Face的datasets库直接加载数据，利用Python环境快速转换为Pandas DataFrame进行探索性分析。数据已预分为训练集与测试集，便于直接投入模型训练与验证流程。研究者可结合指标代码与年份字段构建监督学习特征，针对特定经济指标进行数值预测或政策效应评估。需要注意的是，使用时应参考世界银行原始方法论说明，并充分考虑数据在定义一致性、采样偏差等方面的固有局限。

背景与挑战

背景概述

金融体系作为现代经济体的核心支柱，其发展水平深刻影响着国家的经济增长与贫困减缓进程。世界银行集团发布的加蓬金融部门指标数据集，由Electric Sheep Africa于2026年重新整理并发布，旨在提供加蓬自1960年至2025年间关键金融与经济指标的标准化数据。该数据集聚焦于评估金融市场的规模、流动性、稳定性及效率，同时涵盖国际移民与侨汇等社会福祉相关指标，为研究非洲地区金融深化与经济发展之间的动态关系提供了宝贵的实证基础。通过将原始数据转化为机器学习友好的格式，该资源支持了发展经济学与计量金融学领域的定量分析，促进了数据驱动政策研究的深入。

当前挑战

该数据集致力于解决金融发展与经济增长关联性研究中的核心挑战，即如何准确量化并建模金融部门指标对宏观经济表现的影响。具体而言，研究者需应对指标间复杂的非线性关系、时间序列数据的非平稳性，以及跨国比较中的制度异质性等问题。在构建过程中，数据整合面临原始数据定义不一致、缺失值处理以及历史数据报告标准变迁等困难。尽管经过自动化清洗，但原始数据中可能存在的误报、抽样偏差及方法论差异仍需谨慎对待，这要求使用者具备扎实的领域知识以正确解读与运用数据。

常用场景

经典使用场景

在金融经济学与发展研究领域，该数据集为分析加蓬金融体系演变提供了结构化时序数据。学者们常利用其包含的国内私人信贷占比、净移民数量及官方汇率等指标，构建计量经济模型，以评估金融深化与经济增长之间的动态关联。通过整合多年份观测值，研究人员能够追踪政策干预下金融市场的结构性变化，为理解小型开放经济体的金融脆弱性奠定实证基础。

实际应用

在实际政策制定与风险评估中，该数据集被国际组织与地方政府用于监测加蓬金融健康度。分析师可依据信贷占比趋势预警银行业系统性风险，结合移民数据评估侨汇对家庭韧性的支撑作用。这些洞察助力设计靶向性金融包容政策，优化外汇管理策略，并为跨国投资机构提供新兴市场风险评估的底层数据支撑。

衍生相关工作

基于该数据集衍生的经典研究多聚焦于非洲金融一体化议题。例如，学者利用其汇率序列构建波动性模型，探讨商品价格冲击对中非法郎区稳定性的传导机制。另有工作融合多国指标进行面板分析，检验金融发展对人力资本积累的阈值效应。这些成果常发表于发展经济学期刊，推动了针对资源依赖型经济体金融政策的比较研究范式。