SDG数据集, CRU数据集

SDG数据集用于分析可持续发展目标与气候变化之间的非线性关系，CRU数据集提供国家级的年度平均温度数据，用于与SDG指标结合分析。

The SDG dataset is utilized for analyzing the nonlinear relationships between sustainable development goals and climate change. The CRU dataset provides national-level annual average temperature data, which is used in conjunction with SDG indicators for comprehensive analysis.

原始信息汇总

SDG气候变化网络数据集概述

数据来源

• 除SDG 13外，所有SDG数据均来自世界银行。
• SDG 13数据来自联合国统计司。
• 国家级别的年平均温度数据来自CRU数据集。

数据处理

• 1_Temperature.ipynb：准备CRU数据集，以便与SDG指标合并。
• 1_data_preparation.ipynb：将数据分割成每个国家的单独csv文件，添加温度数据，并标准化数据。
• 2_imputations_concatenating.ipynb：使用加权k最近邻(w-kNN)算法填充数据集中的缺失值，并对数据进行平均和合并，以达到目标和目标级别。
• 3_distance_cor_continents.ipynb和3_distance_cor_groups.ipynb：计算大陆和组别中每对变量之间的部分距离相关性，并包括网络的可视化和特征向量中心性图。
• 5_Additions.ipynb：包括依赖关系的可视化探索。

分析方法

• 使用部分距离相关性分析17个SDG和气候变化（以年平均温度衡量）之间的相互依赖关系。

搜集汇总

数据集介绍

构建方式

SDG数据集的构建过程依托于多源数据的整合与处理。首先，从世界银行获取了除SDG 13之外的所有可持续发展目标（SDG）数据，而SDG 13的数据则来源于联合国统计司。此外，国家层面的年平均温度数据则取自CRU数据集。通过将这些数据视为18个变量，研究人员旨在分析它们之间的相互依赖性，即所谓的‘相互关联’。数据处理过程中，采用了部分距离相关性计算方法，以评估在给定其他变量子集的情况下，任意两个变量之间的关联性。

特点

SDG数据集的显著特点在于其多维度的数据覆盖与深度分析能力。该数据集不仅涵盖了17个可持续发展目标，还引入了气候变化指标（年平均温度），从而为研究可持续发展与气候变化之间的复杂关系提供了丰富的数据基础。此外，数据集通过部分距离相关性分析，揭示了各变量之间的潜在关联，为政策制定者和研究者提供了深入的洞察。数据集的标准化处理和缺失值填补机制进一步增强了数据的可靠性与可用性。

使用方法

SDG数据集的使用方法灵活多样，适用于多种研究场景。用户可以通过提供的Jupyter Notebooks进行数据的预处理、缺失值填补以及部分距离相关性计算。具体而言，`1_Temperature.ipynb`用于准备CRU数据集，`1_data_preparation.ipynb`则将数据按国家分割并标准化。`2_imputations_concatenating.ipynb`通过加权k近邻算法填补缺失值，并将数据聚合到目标与目标级别。`3_distance_cor_continents.ipynb`和`3_distance_cor_groups.ipynb`则分别计算了大陆和群体层面的部分距离相关性，并生成了网络可视化与特征向量中心性图。`5_Additions.ipynb`提供了依赖关系的可视化探索工具。

背景与挑战

背景概述

SDG数据集与CRU数据集的研究背景可追溯至全球可持续发展目标（SDGs）与气候变化之间的复杂关联。该数据集由Felix Laumann等研究人员于2022年创建，旨在分析17个可持续发展目标与气候变化（以年平均气温为指标）之间的相互依赖性，即所谓的‘关联性’。数据主要来源于世界银行和联合国统计司，并结合了CRU数据集中的国家层面气温数据。研究结果发表于《柳叶刀-行星健康》期刊，为全球可持续发展与气候变化的交叉研究提供了重要数据支持。该数据集通过计算部分距离相关性，揭示了各变量之间的复杂网络关系，为政策制定者和研究者提供了科学依据。

当前挑战

SDG数据集与CRU数据集在构建与应用过程中面临多重挑战。在领域问题方面，如何准确量化可持续发展目标与气候变化之间的关联性是一个核心难题，因其涉及多维度、多尺度的复杂系统。数据整合过程中，不同来源的数据格式与时间尺度的不一致性增加了处理难度，尤其是气温数据与SDG指标的匹配问题。此外，数据缺失问题显著，需采用加权k近邻算法进行插值处理，这可能引入一定的不确定性。在分析层面，计算部分距离相关性对计算资源与算法效率提出了较高要求，尤其是在处理大规模跨国数据时。这些挑战不仅考验了数据处理的精细度，也对研究结果的可靠性与普适性提出了更高要求。

常用场景

经典使用场景

SDG数据集与CRU数据集的结合，为研究可持续发展目标（SDGs）与气候变化之间的相互依赖关系提供了独特视角。通过分析各国年度平均温度与17个SDG指标之间的部分距离相关性，研究者能够揭示这些变量之间的复杂网络关系，进而为政策制定者提供科学依据。

解决学术问题

该数据集有效解决了可持续发展目标与气候变化之间相互依赖关系的量化难题。通过引入部分距离相关性分析方法，研究者能够剥离其他变量的干扰，精确捕捉SDG指标与温度变化之间的直接关联，为全球可持续发展研究提供了新的方法论支持。

衍生相关工作

基于SDG数据集与CRU数据集的研究，衍生了一系列经典工作。例如，研究者利用该数据集构建了可持续发展目标与气候变化的网络模型，揭示了不同SDG指标之间的协同效应与权衡关系。此外，相关研究还推动了部分距离相关性分析在可持续发展研究中的广泛应用，为后续研究提供了重要参考。