electricsheepafrica/africa-faostat-food-security-indicators-for-gambia

---
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-classification
- tabular-regression
task_ids: []
tags:
- africa
- humanitarian
- hdx
- electric-sheep-africa
- food-security
- indicators
- nutrition
- gmb
pretty_name: "Gambia - Food Security and Nutrition Indicators"
dataset_info:
splits:
- name: train
num_examples: 882
- name: test
num_examples: 220
---

# Gambia - Food Security and Nutrition Indicators

**Publisher:** Food and Agriculture Organization (FAO) of the United Nations · **Source:** [HDX](https://data.humdata.org/dataset/faostat-food-security-indicators-for-gambia) · **License:** `cc-by-igo` · **Updated:** 2026-04-06

---

## Abstract

Food Security and Nutrition Indicators for Gambia.

Contains data from the FAOSTAT [bulk data service](https://fenixservices.fao.org/faostat/static/bulkdownloads/datasets_E.json).

Each row in this dataset represents country-level aggregates. Temporal coverage is indicated by the `startdate`, `enddate` column(s). Geographic scope: **GMB**.

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

---

## Dataset Characteristics

| | |
|---|---|
| **Domain** | Food security and nutrition |
| **Unit of observation** | Country-level aggregates |
| **Rows (total)** | 1,103 |
| **Columns** | 18 (5 numeric, 11 categorical, 2 datetime) |
| **Train split** | 882 rows |
| **Test split** | 220 rows |
| **Geographic scope** | GMB |
| **Publisher** | Food and Agriculture Organization (FAO) of the United Nations |
| **HDX last updated** | 2026-04-06 |

---

## Variables

**Geographic** — `iso3` (GMB), `year_code` (range 2000.0–20222024.0), `year` (range 2000.0–2024.0).

**Temporal** — `startdate`, `enddate`.

**Outcome / Measurement** — `value` (range -0.44–3031.0).

**Identifier / Metadata** — `area_code` (range 75.0–75.0), `area_code_m49` ('270), `item_code` (210081F, 210401F, 210081M), `element_code` (range 6121.0–61322.0), `esa_source` (HDX) and 1 others.

**Other** — `area` (Gambia), `item` (Number of moderately or severely food insecure female adults (million) (3-year average), Prevalence of severe food insecurity in the female adult population (percent) (3-year average), Number of moderately or severely food insecure male adults (million) (3-year average)), `element` (Value, Confidence interval: Lower bound, Confidence interval: Upper bound), `unit` (%, million No, kcal/cap/d), `flag` (E, X, O) and 1 others.

---

## Quick Start

```python
from datasets import load_dataset

ds = load_dataset("electricsheepafrica/africa-faostat-food-security-indicators-for-gambia")
train = ds["train"].to_pandas()
test = ds["test"].to_pandas()

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

---

## Schema

| Column | Type | Null % | Range / Sample Values |
|---|---|---|---|
| `iso3` | object | 0.0% | GMB |
| `startdate` | datetime64[ns] | 0.0% | |
| `enddate` | datetime64[ns] | 0.0% | |
| `area_code` | int64 | 0.0% | 75.0 – 75.0 (mean 75.0) |
| `area_code_m49` | object | 0.0% | '270 |
| `area` | object | 0.0% | Gambia |
| `item_code` | object | 0.0% | 210081F, 210401F, 210081M |
| `item` | object | 0.0% | Number of moderately or severely food insecure female adults (million) (3-year average), Prevalence of severe food insecurity in the female adult population (percent) (3-year average), Number of moderately or severely food insecure male adults (million) (3-year average) |
| `element_code` | int64 | 0.0% | 6121.0 – 61322.0 (mean 16924.2729) |
| `element` | object | 0.0% | Value, Confidence interval: Lower bound, Confidence interval: Upper bound |
| `year_code` | int64 | 0.0% | 2000.0 – 20222024.0 (mean 10340880.9438) |
| `year` | int64 | 0.0% | 2000.0 – 2024.0 (mean 2014.2167) |
| `unit` | object | 1.8% | %, million No, kcal/cap/d |
| `value` | float64 | 10.9% | -0.44 – 3031.0 (mean 315.2454) |
| `flag` | object | 0.0% | E, X, O |
| `note` | object | 73.8% | FAO data, Imputed value |
| `esa_source` | object | 0.0% | HDX |
| `esa_processed` | object | 0.0% | |

---

## Numeric Summary

| Column | Min | Max | Mean | Median |
|---|---|---|---|---|
| `area_code` | 75.0 | 75.0 | 75.0 | 75.0 |
| `element_code` | 6121.0 | 61322.0 | 16924.2729 | 6128.0 |
| `year_code` | 2000.0 | 20222024.0 | 10340880.9438 | 20012003.0 |
| `year` | 2000.0 | 2024.0 | 2014.2167 | 2016.0 |
| `value` | -0.44 | 3031.0 | 315.2454 | 26.2 |

---

## 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`. 3 column(s) were cast from string to numeric or datetime based on parse-success rate (>85% threshold). 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 Food and Agriculture Organization (FAO) of the United Nations and has not been independently validated by ESA.
- Automated cleaning cannot correct for misreported values, definitional inconsistencies, or sampling bias in the original collection.
- The following columns have >20% missing values and should be treated with caution in modelling: `note`.
- Refer to the [original HDX dataset page](https://data.humdata.org/dataset/faostat-food-security-indicators-for-gambia) for the publisher's own methodology notes and caveats.

---

## Citation

```bibtex
@dataset{hdx_africa_faostat_food_security_indicators_for_gambia,
title = {Gambia - Food Security and Nutrition Indicators},
author = {Food and Agriculture Organization (FAO) of the United Nations},
year = {2026},
url = {https://data.humdata.org/dataset/faostat-food-security-indicators-for-gambia},
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

在粮食安全与营养监测领域，该数据集由联合国粮食及农业组织（FAO）通过其FAOSTAT批量数据服务提供原始数据，并由Electric Sheep Africa团队进行系统化整理。原始数据从人道主义数据交换平台（HDX）经由CKAN API获取，经过标准化清洗流程：列名统一转换为蛇形命名法，常见缺失值标记被规范为NaN，并依据解析成功率超过85%的阈值，将三列数据从字符串类型转换为数值或日期时间类型。最终，数据以80/20的比例使用固定随机种子划分为训练集与测试集，并以Snappy压缩的Parquet格式存储，确保了数据的机器学习可用性与结构一致性。

特点

该数据集聚焦于冈比亚的粮食安全与营养指标，涵盖2000年至2024年的国家层面聚合数据，共包含1103条观测记录与18个变量。其核心特征体现在多维度的结构化信息：包括地理标识（如iso3代码）、时间维度（起始与结束日期）、测量值（如食物不安全人口数量与流行率）以及元数据（如项目与元素代码）。数据集中包含数值型、分类型与日期时间型变量，其中部分列如“note”存在较高缺失率，需在建模中谨慎处理。此外，数据集已预分割为训练集（882行）与测试集（220行），为监督学习任务提供了直接可用的基准划分。

使用方法

该数据集适用于表格分类与回归等机器学习任务，旨在支持粮食安全趋势分析与预测建模。用户可通过Hugging Face的datasets库直接加载，使用load_dataset函数调用“electricsheepafrica/africa-faostat-food-security-indicators-for-gambia”即可获取已分割的训练与测试集。数据以Pandas DataFrame格式呈现，便于进行特征工程、统计分析或模型训练。在使用时，建议参考原始FAO的方法学说明，并对高缺失率变量（如“note”）进行适当处理，以确保分析结果的稳健性与可靠性。

背景与挑战

背景概述

粮食安全与营养监测是国际发展领域的核心议题，尤其在非洲地区具有紧迫的现实意义。'Gambia - Food Security and Nutrition Indicators'数据集由联合国粮食及农业组织（FAO）发布，并由Electric Sheep Africa机构于2026年重新整理为机器学习可用格式。该数据集聚焦于冈比亚的国家级粮食安全与营养指标，时间跨度覆盖2000年至2024年，包含如中度或重度粮食不安全人口比例、热量供应等关键变量。其核心研究目标在于为政策制定者与研究人员提供标准化、可量化的数据基础，以评估粮食安全状况、追踪可持续发展目标进展，并为相关干预措施提供实证支持。该数据集的建立体现了国际组织在利用数据驱动方法应对全球粮食挑战方面的持续努力，对非洲区域的农业政策分析与营养学研究具有重要的参考价值。

当前挑战

该数据集旨在解决粮食安全与营养领域的量化评估问题，其核心挑战在于如何从复杂且多维的国家级统计数据中提取可靠模式，以支持精准的政策分析与预测建模。具体而言，数据涵盖的指标如粮食不安全人口比例与热量供应值存在显著的数值范围差异与时间波动性，这对构建稳健的回归或分类模型提出了较高要求。在构建过程中，数据集面临原始数据质量不一的问题，例如部分列存在较高缺失值比例，且原始数据中的标记不一致需通过自动化流程进行统一清洗。此外，数据来源于FAO的统计汇总，可能存在定义不一致或报告偏差，这些潜在误差难以通过后续技术处理完全消除，要求使用者在建模时谨慎处理数据局限性并参考原始方法论说明。

常用场景

经典使用场景

在粮食安全与营养监测领域，该数据集为冈比亚的国家级宏观分析提供了结构化时序数据。研究者通常利用其涵盖2000年至2024年的指标，如不同性别成年人的中度或重度粮食不安全人口数量及发生率，构建时间序列模型以追踪粮食安全状况的动态演变。这些数据经过预处理转化为机器学习可读格式，支持回归与分类任务，便于探索长期趋势与周期性波动。

衍生相关工作

围绕该数据集衍生的经典工作主要包括基于机器学习的粮食安全预测模型与因果推断研究。学者们常利用其时序特征构建回归模型，预测未来粮食不安全趋势；亦有研究结合气候或经济数据，分析外部冲击对粮食安全的影响。此外，数据被整合进区域性或全球性比较分析框架，用于探讨西非地区粮食脆弱性的空间异质性，推动了跨学科粮食安全监测方法的发展。

数据集最近研究

最新研究方向

在粮食安全与营养监测领域，冈比亚的FAOSTAT数据集正推动机器学习模型在脆弱环境下的预测应用。前沿研究聚焦于利用时序回归与分类算法，分析性别差异化的粮食不安全指标，如女性与男性成年人口中重度粮食不安全的发生率与人数。结合气候变化与区域冲突等热点事件，学者们探索多变量模型以评估外部冲击对营养指标的动态影响，旨在为西非地区的精准人道主义干预提供数据驱动的决策支持。