electricsheepafrica/africa-who-physiotherapists

该数据集包含世界卫生组织全球健康观察站（WHO GHO）指标Physiotherapists (number)（物理治疗师数量）在非洲国家层面的观测数据，时间跨度为1998年至2024年。数据来源于WHO Global Health Observatory OData API，并被重新打包为Parquet格式文件，具有一致的架构。所有数值均来自NumericValue字段，而非显示字符串。此外，还包含了可用的置信区间边界（value_low, value_high）。数据集是Electric Sheep Africa项目的一部分，这是一个统一的、适合机器学习使用的非洲数据存储库。

This dataset contains country-level observations for the WHO GHO indicator Physiotherapists (number) (HWF_0021) across African nations, spanning 1998–2024. It is part of the Electric Sheep Africa collection — a unified, ML-ready repository of African data. Data is sourced directly from the WHO Global Health Observatory OData API and repackaged as Parquet files with a consistent schema. All values are drawn from NumericValue (the float-precision field), not the display string. Confidence interval bounds (value_low, value_high) are included where available.

搜集汇总

数据集介绍

构建方式

该数据集源自世界卫生组织全球卫生观察站（WHO GHO）的OData应用程序编程接口，聚焦于非洲地区物理治疗师数量这一关键卫生人力指标（HWF_0021）。通过自动化数据管道，原始数据被抽取并转化为格式统一的Parquet文件，保留了NumericValue浮点精度字段作为核心数值，同时纳入了可信区间上下界以增强统计严谨性。数据集覆盖1998年至2024年期间45个非洲国家的230条观测记录，所有条目均经WHO非洲区域代码（AFR）筛选确认，确保地理归属的准确性。

使用方法

使用者可通过Hugging Face的datasets库轻松加载，一行代码即可将数据转化为Pandas DataFrame进行深入探索。推荐过滤dim1字段以聚焦于全国总人口（Both-sexes）的观测值，避免性别或居住地类型的分层干扰。对于特定国家的时间序列分析，如肯尼亚，可按country_iso3筛选并依年份排序。该数据集适用于构建预测非洲各国物理治疗师数量的回归模型，或作为分类任务中的特征来源，其整洁的格式与丰富的元数据极大降低了预处理门槛。

背景与挑战

背景概述

非洲大陆长期面临卫生人力资源严重匮乏的困境，其中物理治疗师作为康复医学体系中的关键专业力量，其分布与供给状况直接关系到区域健康公平性与可持续发展目标（SDGs）的实现。该数据集由世界卫生组织（WHO）全球卫生观察站（GHO）于2024年发布，经Electric Sheep Africa团队整理并托管于HuggingFace平台，核心研究问题聚焦于量化1998至2024年间45个非洲国家物理治疗师数量这一关键卫生指标（HWF_0021）。作为首个面向机器学习场景的非洲卫生人力结构化数据集，它填补了该区域精细化、可机读的康复人力资源数据的空白，为时空流行病学建模、卫生政策制定及资源分配优化提供了标准化基准，对推动全球健康与康复领域的数据驱动研究具有重要影响。

当前挑战

该数据集所解决的领域核心挑战在于：非洲康复医疗系统长期缺乏精准、结构化且跨时间跨国的物理治疗师人力统计数据，导致政策干预缺乏实证基础。构建过程中面临多重挑战：第一，原始数据分散于WHO GHO异构接口，需统一抽取NumericValue字段而非显示字符以保证数值精度；第二，非洲国家卫生统计能力薄弱，导致230条观测记录覆盖45国，数据稀疏性与缺失性显著；第三，不同国家上报标准与周期不统一，需解决时间序列对齐及置信区间完整性处理；第四，维度分层（如性别、城乡）记录在单一字段中，需设计解析逻辑以保留精细特征而不损失信息，最终形成兼容分类与回归任务的清洁、低样本表格数据集。

常用场景

经典使用场景

在健康人力资本与卫生系统效能研究中，非洲各国物理治疗师数量作为衡量康复服务可及性的关键指标，常被用于构建面板数据模型。研究者通过整合1998至2024年间45个非洲国家的时序观测值，可分析物理治疗师密度与疾病负担、老龄化进程及康复需求之间的动态关联。该数据集因其结构化的国家-年份格式，尤其适用于固定效应或随机效应回归分析。

解决学术问题

该数据集有效解决了非洲康复人力资源数据碎片化的学术困境，填补了区域比较研究中标准化统计指标的空白。其核心价值在于揭示物理治疗师配置的不平等格局，支持量化分析卫生人力分布与全民健康覆盖目标之间的差距。学者可基于此探究投资康复人力对降低残疾调整生命年的边际贡献，为世界卫生组织的人力资源战略提供实证依据。

实际应用

在实际层面，该数据集成为非洲国家卫生规划部门制定康复人才政策的基础工具。各国可参照同行国家的物理治疗师密度基准，优化医学教育招生规模与海外人才引进策略。非政府组织亦利用这些数据评估援助项目的实施效果，例如定向培训计划对特定区域人力增长的贡献，从而提升公共卫生资金配置的合理性。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区物理治疗师人力资源的时空分布与演化趋势，为全球健康治理中的人力资源规划与可持续发展目标（SDGs）提供量化支撑。结合世界卫生组织全球卫生观察站（WHO GHO）的标准化指标，前沿研究方向包括利用机器学习模型对非洲各国物理治疗师密度进行预测与差距分析，评估卫生系统韧性及疫情后康复服务可及性。在非洲大陆自由贸易区（AfCFTA）推动卫生人才流动的背景下，该数据集有助于揭示物理治疗师分布不均与健康公平性之间的深层关联，为国际卫生政策制定与资源配置优化提供关键证据。