electricsheepafrica/africa-world-bank-financial-sector-indicators-for-gambia-the

--- 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 - gmb pretty_name: "Gambia, The - Financial Sector" dataset_info: splits: - name: train num_examples: 2571 - name: test num_examples: 642 --- # Gambia, The - Financial Sector **Publisher:** World Bank Group · **Source:** [HDX](https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gambia-the) · **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-gambia-the) 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: **GMB**. *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)** | 3,214 | | **Columns** | 8 (2 numeric, 6 categorical, 0 datetime) | | **Train split** | 2,571 rows | | **Test split** | 642 rows | | **Geographic scope** | GMB | | **Publisher** | World Bank Group | | **HDX last updated** | 2026-03-27 | --- ## Variables **Geographic** — `country_name` (Gambia, The), `country_iso3` (GMB), `year` (range 1960.0–2025.0). **Outcome / Measurement** — `value` (range -498460186.3954–70808699766.77). **Identifier / Metadata** — `indicator_name` (Domestic credit to private sector (% of GDP), Net migration, Official exchange rate (LCU per US$, period average)), `indicator_code` (SM.POP.NETM, PA.NUS.FCRF, PA.NUS.ATLS), `esa_source` (HDX), `esa_processed` (2026-04-11). --- ## Quick Start ```python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-world-bank-financial-sector-indicators-for-gambia-the") train = ds["train"].to_pandas() test = ds["test"].to_pandas() print(train.shape) train.head() ``` --- ## Schema | Column | Type | Null % | Range / Sample Values | |---|---|---|---| | `country_name` | object | 0.0% | Gambia, The | | `country_iso3` | object | 0.0% | GMB | | `year` | int64 | 0.0% | 1960.0 – 2025.0 (mean 1997.8902) | | `indicator_name` | object | 0.0% | Domestic credit to private sector (% of GDP), Net migration, Official exchange rate (LCU per US$, period average) | | `indicator_code` | object | 0.0% | SM.POP.NETM, PA.NUS.FCRF, PA.NUS.ATLS | | `value` | float64 | 0.0% | -498460186.3954 – 70808699766.77 (mean 345656384.9787) | | `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 | 1997.8902 | 2000.0 | | `value` | -498460186.3954 | 70808699766.77 | 345656384.9787 | 14.3971 | --- ## 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-gambia-the) for the publisher's own methodology notes and caveats. --- ## Citation ```bibtex @dataset{hdx_africa_world_bank_financial_sector_indicators_for_gambia_the, title = {Gambia, The - Financial Sector}, author = {World Bank Group}, year = {2026}, url = {https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gambia-the}, 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.*annotations_creators: - 无注释 language_creators: - 现成采集 language: - 英语 license: CC BY 4.0 multilinguality: - 单语言 size_categories: - 1000 < 样本量 < 10000 source_datasets: - 原创数据集 task_categories: - 表格回归 - 其他 task_ids: [] tags: - 非洲 - 人道主义 - HDX - 电羊非洲（Electric Sheep Africa） - 经济学 - 指标 - GMB pretty_name: "冈比亚 - 金融部门" dataset_info: splits: - name: 训练集 num_examples: 2571 - name: 测试集 num_examples: 642 # 冈比亚 - 金融部门 **发布方：** 世界银行集团（World Bank Group） · **来源：** [人道主义数据交换平台（HDX）](https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gambia-the) · **许可协议：** `CC BY 4.0` · **最后更新：** 2026-03-27 --- ## 摘要 本数据集数据源自世界银行集团[数据门户](http://data.worldbank.org/)。人道主义数据交换平台（HDX）上另有一份整合后的国家级数据集[《冈比亚综合指标数据集》](https://data.humdata.org/dataset/world-bank-combined-indicators-for-gambia-the)。 经济体的金融市场对其整体发展至关重要。银行体系与股票市场能够推动经济增长，而经济增长是减贫的核心驱动因素。健全的金融体系可提供可靠且易于获取的信息，降低交易成本，进而优化资源配置并推动经济增长。本数据集包含的指标涵盖：股票市场的规模与流动性、金融体系的可及性、稳定性与效率，以及影响输出国与接收国经济增长及社会福利的国际移民与劳工汇款数据。 本数据集的每一行均代表国家层面的汇总数据。本数据集在HDX上的最后更新时间为2026-03-27。地理范围：**GMB**。 *本数据集已由[电羊非洲（Electric Sheep Africa）](https://huggingface.co/electricsheepafrica)整理为适用于机器学习的Parquet格式。* --- ## 数据集特征 | | | |---|---| | **领域** | 贫困与经济脆弱性 | | **观测单元** | 国家层面汇总数据 | | **总行数** | 3,214 | | **列数** | 8（2个数值型列，6个分类型列，0个日期时间列） | | **训练集划分** | 2,571行 | | **测试集划分** | 642行 | | **地理范围** | GMB | | **发布方** | 世界银行集团（World Bank Group） | | **HDX最后更新时间** | 2026-03-27 | --- ## 变量说明 **地理类变量**：`country_name`（冈比亚）、`country_iso3`（GMB）、`year`（取值范围：1960.0–2025.0）。 **结果/测量类变量**：`value`（取值范围：-498460186.3954–70808699766.77）。 **标识/元数据类变量**：`indicator_name`（私人部门国内信贷占GDP百分比、净移民数、当期平均官方汇率（本币兑美元））、`indicator_code`（SM.POP.NETM、PA.NUS.FCRF、PA.NUS.ATLS）、`esa_source`（HDX）、`esa_processed`（2026-04-11）。 --- ## 快速入门 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-world-bank-financial-sector-indicators-for-gambia-the") train = ds["train"].to_pandas() test = ds["test"].to_pandas() print(train.shape) train.head() --- ## 数据模式 | 列名 | 数据类型 | 空值占比 | 取值范围/示例值 | |---|---|---|---| | `country_name` | 字符型 | 0.0% | 冈比亚 | | `country_iso3` | 字符型 | 0.0% | GMB | | `year` | 整型（int64） | 0.0% | 1960.0 – 2025.0（均值：1997.8902） | | `indicator_name` | 字符型 | 0.0% | 私人部门国内信贷占GDP百分比、净移民数、当期平均官方汇率（本币兑美元） | | `indicator_code` | 字符型 | 0.0% | SM.POP.NETM、PA.NUS.FCRF、PA.NUS.ATLS | | `value` | 浮点型（float64） | 0.0% | -498460186.3954 – 70808699766.77（均值：345656384.9787） | | `esa_source` | 字符型 | 0.0% | HDX | | `esa_processed` | 字符型 | 0.0% | 2026-04-11 | --- ## 数值型变量统计摘要 | 列名 | 最小值 | 最大值 | 均值 | 中位数 | |---|---|---|---|---| | `year` | 1960.0 | 2025.0 | 1997.8902 | 2000.0 | | `value` | -498460186.3954 | 70808699766.77 | 345656384.9787 | 14.3971 | --- ## 数据整理流程 原始数据通过CKAN API从HDX下载，并转换为Parquet格式。列名统一转换为小写，并标准化为蛇形命名法（snake_case）。常见缺失值标记（`N/A`、`null`、`none`、`-`、`unknown`、`no data`、`#N/A`）被统一替换为`NaN`。本数据集以固定随机种子（42）按80/20的比例划分为训练集与测试集，并保存为Snappy压缩的Parquet格式文件。 --- ## 数据集局限性 - 本数据集源自世界银行集团，尚未由电羊非洲（Electric Sheep Africa）进行独立验证。 - 自动化数据清洗无法修正原始数据集中的错报值、定义不一致问题或抽样偏差。 - 如需了解发布方的方法论说明与免责声明，请参阅[HDX原始数据集页面](https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gambia-the)。 --- ## 引用格式 bibtex @dataset{hdx_africa_world_bank_financial_sector_indicators_for_gambia_the, title = {Gambia, The - Financial Sector}, author = {World Bank Group}, year = {2026}, url = {https://data.humdata.org/dataset/world-bank-financial-sector-indicators-for-gambia-the}, note = {Repackaged for machine learning by Electric Sheep Africa (https://huggingface.co/electricsheepafrica)} } --- *[电羊非洲（Electric Sheep Africa）](https://huggingface.co/electricsheepafrica) — 非洲机器学习数据集基础设施提供商，总部位于尼日利亚拉各斯。*

搜集汇总

数据集介绍

构建方式

在金融发展研究领域，数据质量与标准化处理是确保分析可靠性的基石。该数据集源自世界银行集团发布的官方数据，通过人道主义数据交换平台获取原始资料。构建过程中，采用自动化流程从CKAN API下载数据，并转换为Parquet格式以优化存储与读取效率。列名经过统一规范处理，转为蛇形命名法，同时将各类缺失值标记统一为NaN值，增强了数据的一致性。最后，基于固定随机种子将数据集按80:20比例划分为训练集与测试集，并以Snappy压缩格式保存，为机器学习任务提供了即用型结构化数据。

特点

该数据集聚焦于冈比亚的金融部门指标，涵盖了从1960年至2025年的国家层面聚合数据。其核心特征体现在多维度的经济指标覆盖，包括私人部门国内信贷占GDP比重、净迁移人口以及官方汇率等关键变量。数据集共包含3,214条观测记录，涵盖8个字段，其中数值型与分类型变量分布均衡，且无缺失值，确保了数据的完整性。地理范围严格限定于冈比亚，指标代码与名称的对应关系清晰，辅以数据来源与处理时间戳元数据，为纵向与横向经济分析提供了高颗粒度的时序数据基础。

使用方法

在应用层面，该数据集适用于回归分析与经济指标预测等机器学习任务。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。数据集已预分割为训练集与测试集，支持开箱即用的模型训练与评估流程。研究者可基于年份、指标类型等维度筛选数据，构建时间序列模型或跨指标关联分析。需要注意的是，数据源自世界银行原始统计，使用者应参考官方方法论说明以理解指标定义与潜在局限，确保分析结论的稳健性。

背景与挑战

背景概述

该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，聚焦于冈比亚的金融部门指标。在金融经济学领域，金融市场的深度与效率被视为驱动经济增长与减贫的核心机制，而该数据集通过系统收集1960年至2025年间的国家层面聚合数据，旨在量化金融体系的可及性、稳定性与流动性。其核心研究问题在于揭示金融部门指标如何影响经济发展轨迹，为政策制定者与研究人员提供了评估金融体系演变及其宏观经济影响的实证基础，对非洲区域的经济治理与可持续发展研究具有重要参考价值。

当前挑战

该数据集所解决的领域问题在于金融部门指标与经济表现之间的复杂关联建模，其挑战体现在金融数据的多维度性与时间动态性，例如如何准确捕捉信贷扩张、汇率波动与移民汇款等异质性指标对经济增长的非线性效应。在构建过程中，数据集面临原始数据收集的固有局限，包括世界银行报告中的定义不一致性、采样偏差以及潜在的数据误报问题，自动化清洗流程难以完全校正这些系统性误差，从而对模型的泛化能力与因果推断的可靠性构成潜在制约。

常用场景

经典使用场景

在金融经济学与发展研究领域，该数据集为分析冈比亚金融部门指标提供了结构化时序数据。研究者通常利用其包含的国内私人信贷占比、净移民、官方汇率等关键变量，构建时间序列模型以追踪该国金融体系的发展轨迹。这些指标能够反映金融深度、市场流动性及经济稳定性，为评估金融改革政策的效果提供了实证基础。通过机器学习方法，学者可以预测金融脆弱性，或识别影响经济增长的核心因素。

实际应用

在实际应用层面，该数据集被国际组织、政策制定者及咨询机构用于监测冈比亚的金融健康状态。基于指标趋势，相关部门可评估金融包容性项目的成效，或调整汇率政策以应对外部冲击。在风险管理领域，银行与投资者利用这些数据构建国家风险评分模型，以指导信贷决策与资产配置。此外，非政府组织可借助净移民与汇款数据，设计更精准的社会保障干预措施，增强经济韧性。

衍生相关工作

围绕该数据集衍生的经典工作主要包括两类：一是基于机器学习的金融预测研究，例如使用回归与时间序列模型预测信贷增长或汇率波动；二是比较发展研究，将冈比亚指标与其他非洲国家数据进行面板分析，以识别区域金融一体化的障碍。这些工作常发表于发展经济学与计算社会科学期刊，推动了数据驱动型政策评估框架的普及，并为后续构建跨国家金融风险预警系统提供了方法论基础。