PFAF Dataset de plantas útiles: propiedades comestibles, medicinales y requerimientos ecológicos de 8.795 especies vegetales.

Dataset de plantas útiles extraído de Plants For A Future (PFAF), base de datos botánica en inglés con información sobre más de 8.000 especies de plantas comestibles, medicinales y de otros usos. El conjunto recoge la información disponible en los índices alfabéticos de PFAF y en las fichas individuales de cada especie. Para cada planta se han extraído 20 campos que cubren sus características botánicas, sus requerimientos ecológicos, sus puntuaciones de utilidad y sus usos comestibles, medicinales y de otro tipo. Se incluyen variables numéricas (altura, puntuaciones de uso), categóricas (hábito, rusticidad, crecimiento, suelo, sombra, humedad) y textos descriptivos, lo que permite aplicar técnicas de análisis estadístico y de aprendizaje automático sobre el conjunto completo. Metodología: Los datos se obtuvieron mediante web scraping con Python 3.9 y el framework Scrapy 2.13.4. El scraper recorre los listados alfabéticos de PFAF, extrae los campos de cada fila de la tabla y visita la ficha individual de cada especie para recuperar las categorías de uso, las notas descriptivas y la URL de trazabilidad. El proceso respeta el archivo robots.txt del sitio, se identifica con un User-Agent propio, limita la concurrencia y aplica AutoThrottle para no sobrecargar el servidor. El resultado se exporta en formato CSV con codificación UTF-8. No se han descargado imágenes. Contenido: 8.795 registros (uno por especie, sin duplicados) y 20 campos: latin_name, common_name, habit, height, hardiness, growth, soil, shade, moisture, edible_rating, medicinal_rating, other_rating, edible_parts, edible_uses, edible_notes, medicinal_properties, medicinal_notes, other_uses, other_notes y urls. La extracción se realizó el 25 de octubre de 2026 y representa una instantánea de la base de datos en esa fecha, ya que PFAF se actualiza periódicamente y no incluye marcas temporales por registro. Códigos de las variables categóricas (según PFAF): growth: S = slow (lento), M = medium (medio), F = fast (rápido). soil: L = light (ligero, arenoso), M = medium (medio), H = heavy (pesado, arcilloso). shade: F = full shade (sombra total), S = semi-shade (semisombra), N = no shade (sin sombra). moisture: D = dry (seco), M = moist (húmedo), We = wet (mojado), Wa = water (agua). Una misma letra puede significar cosas distintas según la columna (por ejemplo, M = medium en growth y soil, pero moist en moisture). En soil, shade y moisture los códigos pueden combinarse en una misma celda (por ejemplo, LMH en soil indica que la planta tolera los tres tipos de suelo). Las puntuaciones edible_rating, medicinal_rating y other_rating van de 0 (ninguna) a 5 (excelente). Los campos edible_parts, edible_uses, medicinal_properties y other_uses son listas de categorías separadas por punto y coma. Limitaciones: Algunos campos aparecen vacíos cuando la ficha original no informa del dato (por ejemplo, growth, edible_parts, edible_uses, medicinal_properties u other_uses). En height, el valor 0 indica ausencia de dato; en hardiness, los valores "-" y "0-0" también indican ausencia de dato (2.391 registros). Las puntuaciones de uso son clasificaciones cualitativas propias de PFAF, no resultados experimentales. La base de datos se centra principalmente en plantas de zonas templadas. Los textos descriptivos se incluyen sin las citas bibliográficas originales y se conserva el texto "None known" cuando PFAF lo escribe. En other_rating (2.780 registros vacíos), el valor vacío no equivale a 0. El dataset conserva códigos irregulares del origen (por ejemplo, Lm en soil, o MWE, DMW y 0 en moisture), que no se han depurado. Fuente y licencia: Los datos originales pertenecen a Plants For A Future (https://pfaf.org), organización benéfica registrada en Inglaterra y Gales (charity nº 1057719). El contenido de su web está bajo copyright de Ken Fern/Plants For A Future (1995–2026). Este dataset se publica con fines académicos, en el marco de una práctica del máster de Ciencia de Datos de la UOC, bajo licencia CC BY-NC-SA 4.0. La licencia se aplica a la compilación y estructura del dataset; los contenidos originales de PFAF siguen sujetos a sus propios derechos de autor. El código de extracción está disponible en el repositorio del proyecto.