Data-Gouv-FR/resultats-du-premier-tour-de-lelection-presidentielle-2022-par-commune-et-par-departement

2022年法国总统选举第一轮按市镇和部门划分的结果。缺少居住在国外的法国人的结果。This dataset contains results of the first round of the 2022 French presidential election, disaggregated by commune and department. Results for French citizens residing abroad are not included.

搜集汇总

数据集介绍

构建方式

该数据集源自法国政府开放数据平台data.gouv.fr，涵盖了2022年法国总统选举首轮投票的官方结果，按市镇和省进行详细记录。在构建过程中，原始数据资源被完整迁移至Hugging Face平台，形成一一对应的多个子集配置，包括全国总览、大区、省份及市镇四个层级。每个子集均以Parquet格式存储于独立路径，并统一划分为训练集分割，便于高效加载与结构化访问。

特点

数据集具有清晰的地理层级划分，覆盖从全国到最小行政单元的多维度选举结果，为区域政治分析提供了丰富的细粒度信息。其特点在于数据来源权威、结构规范，同时缺失海外法国选民的数据。采用列式存储格式Parquet，兼顾了存储效率与计算性能，适合大规模数据处理与机器学习任务中的快速读取。

使用方法

利用Hugging Face的datasets库，开发者可灵活加载任一子集进行探索。通过指定配置名称，如'presidentielle-2022-t1-resultats-france-entiere'，即可获取对应层级的完整结果。数据集成后通常以表格形式呈现，用户可进一步进行统计分析、可视化或建模。推荐在Python环境中进行调用，并辅以pandas等工具进行后续处理。

背景与挑战

背景概述

2022年法国总统选举首轮投票结果数据集由法国官方开放数据平台data.gouv.fr发布，经Hugging Face社区整合为结构化资源。该数据集以市镇和省为基本空间单元，详细记录了候选人得票数、投票率等关键指标，为政治学、地理信息科学与计算社会科学交叉研究提供了高粒度的实证基础。作为法国公共数据开放运动的典型范例，它推动了选举研究从宏观叙事向微观空间分析转型，助力学者揭示地域政治格局与选民行为规律。

当前挑战

该数据集的核心挑战在于处理选举数据的多重异构性。空间层面，不同市镇的行政边界与人口规模差异导致数据颗粒度不均，需通过标准化方法实现跨区域可比分析。数据层面，缺失海外法国选民结果构成系统性偏差，需谨慎处理以规避推断错误。此外，原始数据以CSV/Parquet格式存储，缺乏统一的本体描述，给跨数据集联合查询带来语义障碍。开源性虽然促进复用，但数据质量验证与版本控制机制的缺乏可能影响研究结论的稳健性。

常用场景

经典使用场景

该数据集汇集了2022年法国总统选举第一轮投票在市级和省级层面的官方统计结果，是政治学与选举地理学研究中不可或缺的量化资源。经典使用场景包括基于空间尺度的投票行为分析，研究者可借助全国、大区、省份、市镇四级聚合数据，深入剖析候选人得票率的空间分布特征，并识别选举支持的地域集聚模式。结合社会经济或人口统计数据，该数据集还能构建多变量回归模型，探究投票倾向与地区教育水平、收入结构、城镇化率的关联性，为理解选民偏好背后的结构性因素提供坚实的数据基础。

解决学术问题

该数据集有效解决了法国选举研究中长期存在的市级与省级投票数据分散、格式不统一的问题，为跨层级比较分析提供了标准化接口。学术上，它助力学者验证经典假设模型，例如城市与农村的投票分化是否延续传统左右翼格局，新兴政治势力是否突破既有地理壁垒。该数据的意义在于推动了选举地理学从定性描述向定量建模的转型，使时空对比研究更为严谨，并促进了对极右翼崛起、弃票率波动等热点议题的实证检验，为民主制度的健康度评估提供了可量化的分析维度。

衍生相关工作

该数据集衍生出多项经典工作，包括构建法国选举时空数据库以支持历史对比分析，如将2022年结果与2017年第一轮数据联动，研究选民流动与党派支持率变迁。研究者还基于此数据开发了预测模型，利用市级社会经济指标和投票历史递推选情趋势。更深入的文献中，有学者通过空间自相关分析揭示投票行为的邻近扩散效应，亦有人结合地理加权回归探讨区域身份认同对选举偏好的调节作用。这些衍生工作不仅拓宽了选举研究的边界，也验证了开放政务数据对社会科学创新的核心催化作用。