electricsheepafrica/africa-matrice-harmonisee-des-realisations-dans-la-region-de-diffa-niger

Matrice Harmonisée des Réalisations dans la région de Diffa (Niger)

Publisher: OCHA Niger · Source: HDX · License: cc-by · Updated: 2024-09-13

---

Abstract

Matrice harmonisée des réalisations dans la région de Diffa (Niger)- 2019

Each row in this dataset represents time-series observations. Temporal coverage is indicated by the date_debut_activité, date_fin_activité column(s). Geographic scope: NER.

Curated into ML-ready Parquet format by Electric Sheep Africa.

---

Dataset Characteristics

Domain	Education
Unit of observation	Time-series observations
Rows (total)	1,057
Columns	43 (23 numeric, 18 categorical, 2 datetime)
Train split	845 rows
Test split	211 rows
Geographic scope	NER
Publisher	OCHA Niger
HDX last updated	2024-09-13

---

Variables

Temporal — date_debut_activité, date_fin_activité.

Demographic — mois_de_rapportage (Feb-19, #date+reported), total_personnes_ciblees (range 0.0–11000.0), total_personnes_assistees (range 0.0–24003.0), village_ou_site.

Outcome / Measurement — total_hommes_assistés (range 0.0–15043.0), total_femmes_assistées (range 0.0–8960.0), total_garcons_assistés (range 0.0–2635.0), total_filles_assistées (range 0.0–2931.0).

Identifier / Metadata — source_de_financement (UNICEF, UNHCR, OFDA), refugiés_hommes_assistés (range 0.0–6966.0), refugiés_femmes_assistées (range 0.0–6987.0), refugiés_garcons_assistés (range 0.0–987.0), refugiés_filles_assistées (range 0.0–1710.0) and 2 others.

Other — partenaires_de_mise_en_oeuvre (UNICEF, COOPI, UNHCR), secteur (Santé, WASH, Nutrition), activité (Transv_1: Mise en place des activités et mesures pour la durabilité des points d'eau (comités de gestion des points d'eau, de latrines, artisants réparateurs, relais commuanautaire, délégataires, communes, revendeurs pièce de rechange, etc.), Doter les formations sanitaires en MEG et intensification des sensibilisation pour l'utilisation des services de santé, Mettre en place des mesures préventives pour réduire les risques de violations envers les enfants en promouvant un environnement protecteur), activité_spécifique (Appuie à la gestion de l'eau (gouvernance), Renforcement de capacité d'un CGPE existant, Promotion hygiène de masse/groupe), indicateur (Nombre de structures, acteurs ou leader mis en place, formés et équipés les cas échéants, [Indicateur spécifié dans la colonne (7.1) commentaire], Nombre de consultations dans les districts soutenus par les membres du cluster) and 21 others.

---

Quick Start

from datasets import load_dataset

ds    = load_dataset("electricsheepafrica/africa-matrice-harmonisee-des-realisations-dans-la-region-de-diffa-niger")
train = ds["train"].to_pandas()
test  = ds["test"].to_pandas()

print(train.shape)
train.head()

---

Schema

Column	Type	Null %	Range / Sample Values
mois_de_rapportage	object	0.0%	Feb-19, #date+reported
partenaires_de_mise_en_oeuvre	object	0.0%	UNICEF, COOPI, UNHCR
source_de_financement	object	3.5%	UNICEF, UNHCR, OFDA
date_debut_activité	datetime64[ns]	4.2%
date_fin_activité	datetime64[ns]	3.8%
secteur	object	0.0%	Santé, WASH, Nutrition
activité	object	0.0%	Transv_1: Mise en place des activités et mesures pour la durabilité des points d'eau (comités de gestion des points d'eau, de latrines, artisants réparateurs, relais commuanautaire, délégataires, communes, revendeurs pièce de rechange, etc.), Doter les formations sanitaires en MEG et intensification des sensibilisation pour l'utilisation des services de santé, Mettre en place des mesures préventives pour réduire les risques de violations envers les enfants en promouvant un environnement protecteur
activité_spécifique	object	36.4%	Appuie à la gestion de l'eau (gouvernance), Renforcement de capacité d'un CGPE existant, Promotion hygiène de masse/groupe
indicateur	object	6.3%	Nombre de structures, acteurs ou leader mis en place, formés et équipés les cas échéants, [Indicateur spécifié dans la colonne (7.1) commentaire], Nombre de consultations dans les districts soutenus par les membres du cluster
est_ce_un_projet_hrp	object	15.4%	Oui, Non
etat_de_l_activité	object	7.8%	Réalisé, En cours, Planifié
unité	object	0.5%	Nombre, Personnes, Plans d'urgence
quantité	float64	0.6%	0.0 – 28704000.0 (mean 126214.8069)
total_personnes_ciblees	float64	0.1%	0.0 – 11000.0 (mean 20.8333)
total_personnes_assistees	float64	0.2%	0.0 – 24003.0 (mean 414.1706)
total_hommes_assistés	float64	0.7%	0.0 – 15043.0 (mean 92.3467)
total_femmes_assistées	float64	0.2%	0.0 – 8960.0 (mean 102.7062)
total_garcons_assistés	float64	0.2%	0.0 – 2635.0 (mean 40.9991)
total_filles_assistées	float64	0.2%	0.0 – 2931.0 (mean 39.4645)
refugiés_hommes_assistés	float64	0.2%	0.0 – 6966.0 (mean 22.0995)
refugiés_femmes_assistées	float64	0.2%	0.0 – 6987.0 (mean 16.2218)
refugiés_garcons_assistés	float64	0.2%	0.0 – 987.0 (mean 5.9052)
refugiés_filles_assistées	float64	0.2%	0.0 – 1710.0 (mean 6.5128)
deplacés_hommes_assistés	float64	0.2%	0.0 – 8351.0 (mean 21.1621)
deplacés_femmes_assistées	float64	0.2%	0.0 – 4249.0 (mean 16.2777)
deplacés_garcons_assistés	float64	0.2%	0.0 – 1138.0 (mean 5.4483)
deplacés_filles_assistées	float64	0.2%	0.0 – 1240.0 (mean 5.672)
retournés_hommes_assistés	float64	0.2%	0.0 – 1122.0 (mean 4.9137)
retournés_femmes_assistés	float64	0.2%	0.0 – 565.0 (mean 3.6474)
retournés_garcons_assistés	float64	0.2%	0.0 – 327.0 (mean 1.1355)
retournés_filles_assistées	float64	0.2%	0.0 – 336.0 (mean 1.237)
hôtes_hommes_assistés	float64	0.3%	0.0 – 3059.0 (mean 16.981)
hôtes_femmes_assistées	float64	0.2%
hôtes_garcons_assistés	float64	0.2%
hôtes_filles_assistées	float64	0.2%
région	object	0.0%
département	object	0.0%
commune	object	0.0%
village_ou_site	object	38.5%
autres_sites	object	79.4%
commentaire	object	53.3%
esa_source	object	0.0%
esa_processed	object	0.0%

---

Numeric Summary

Column	Min	Max	Mean	Median
quantité	0.0	28704000.0	126214.8069	23.0
total_personnes_ciblees	0.0	11000.0	20.8333	0.0
total_personnes_assistees	0.0	24003.0	414.1706	3.0
total_hommes_assistés	0.0	15043.0	92.3467	0.0
total_femmes_assistées	0.0	8960.0	102.7062	0.0
total_garcons_assistés	0.0	2635.0	40.9991	0.0
total_filles_assistées	0.0	2931.0	39.4645	0.0
refugiés_hommes_assistés	0.0	6966.0	22.0995	0.0
refugiés_femmes_assistées	0.0	6987.0	16.2218	0.0
refugiés_garcons_assistés	0.0	987.0	5.9052	0.0
refugiés_filles_assistées	0.0	1710.0	6.5128	0.0
deplacés_hommes_assistés	0.0	8351.0	21.1621	0.0
deplacés_femmes_assistées	0.0	4249.0	16.2777	0.0
deplacés_garcons_assistés	0.0	1138.0	5.4483	0.0
deplacés_filles_assistées	0.0	1240.0	5.672	0.0

---

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. 1 column(s) with >80% missing values were removed: nom_de_l_édifice. 25 column(s) were cast from string to numeric or datetime based on parse-success rate (>85% threshold). 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 OCHA Niger and has not been independently validated by ESA.
• Automated cleaning cannot correct for misreported values, definitional inconsistencies, or sampling bias in the original collection.
• The following columns have >20% missing values and should be treated with caution in modelling: activité_spécifique, village_ou_site, autres_sites, commentaire.
• Refer to the original HDX dataset page for the publisher's own methodology notes and caveats.

---

Citation

@dataset{hdx_africa_matrice_harmonisee_des_realisations_dans_la_region_de_diffa_niger,
  title     = {Matrice Harmonisée des Réalisations dans la région de Diffa (Niger)},
  author    = {OCHA Niger},
  year      = {2024},
  url       = {https://data.humdata.org/dataset/matrice-harmonisee-des-realisations-dans-la-region-de-diffa-niger},
  note      = {Repackaged for machine learning by Electric Sheep Africa (https://huggingface.co/electricsheepafrica)}
}

---

Electric Sheep Africa — Africa's ML dataset infrastructure. Lagos, Nigeria.