electricsheepafrica/africa-priorisation-s1-2021

République Démocratique du Congo: Priorisation Juin 2024

Publisher: UNICEF Democratic Republic of Congo · Source: HDX · License: cc-by-igo · Updated: 2025-05-05

---

Abstract

Priorisation du cluster nutrition qui se base sur plusieurs facteurs aggravants pour permettre de mettre en avant les zones de santé les plus sensibles à la malnutrition alors que les données provenant des enquêtes nutritionnelles sont vieillissantes pour certaine Zone de santé.

Each row in this dataset represents tabular records. Data was last updated on HDX on 2025-05-05. Geographic scope: COD.

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

---

Dataset Characteristics

Domain	Humanitarian and development data
Unit of observation	Tabular records
Rows (total)	27
Columns	7 (1 numeric, 6 categorical, 0 datetime)
Train split	21 rows
Test split	5 rows
Geographic scope	COD
Publisher	UNICEF Democratic Republic of Congo
HDX last updated	2025-05-05

---

Variables

Identifier / Metadata — unnamed_2 (NIVEAU 2 : PRESENCE D’EPIDEMIE , , NIVEAU 1 : < 10% ), unnamed_3 (range 0.0–21.0), unnamed_4 ( , SOURCES , Bulletin SNSAP des derniers 12 mois ), unnamed_6 (Interprétation , Priorité élevée , Priorité faible ), esa_source (HDX) and 1 others.

Other — methodologie_de_priorisation_sectorielle_cluster_nutrition_rdc (CRITERES DE PRIORISATION , La priorisation des ZS est mise à jour chaque semestre (janvier et juillet).

Critères de priorisation: • La prévalence de la malnutrition aigüe globale (MAG) • La prévalence de malnutrition aigüe sévère (MAS) • Les bulletins de surveillance nutritionnelle et sécurité alimentaire et alerte précoce (SNSAP), • La classification de phase de sécurité alimentaire selon le dernier IPC • Le mouvement de population issu des conflits armés, des conflits communautaires et les catastrophes naturels • Les épidémies (choléra, rougeole et de la maladie à virus Ébola) • La prévalence du retard de croissance. , ALERTE SNSAP ).

---

Quick Start

from datasets import load_dataset

ds    = load_dataset("electricsheepafrica/africa-priorisation-s1-2021")
train = ds["train"].to_pandas()
test  = ds["test"].to_pandas()

print(train.shape)
train.head()

---

Schema

Column	Type	Null %	Range / Sample Values
methodologie_de_priorisation_sectorielle_cluster_nutrition_rdc	object	44.4%	CRITERES DE PRIORISATION , La priorisation des ZS est mise à jour chaque semestre (janvier et juillet).

Critères de priorisation: • La prévalence de la malnutrition aigüe globale (MAG) • La prévalence de malnutrition aigüe sévère (MAS) • Les bulletins de surveillance nutritionnelle et sécurité alimentaire et alerte précoce (SNSAP), • La classification de phase de sécurité alimentaire selon le dernier IPC • Le mouvement de population issu des conflits armés, des conflits communautaires et les catastrophes naturels • Les épidémies (choléra, rougeole et de la maladie à virus Ébola) • La prévalence du retard de croissance. , ALERTE SNSAP | | unnamed_2 | object | 11.1% | NIVEAU 2 : PRESENCE D’EPIDEMIE , , NIVEAU 1 : < 10% | | unnamed_3 | float64 | 14.8% | 0.0 – 21.0 (mean 2.6957) | | unnamed_4 | object | 63.0% | , SOURCES , Bulletin SNSAP des derniers 12 mois | | unnamed_6 | object | 77.8% | Interprétation , Priorité élevée , Priorité faible | | esa_source | object | 0.0% | HDX | | esa_processed | object | 0.0% | 2026-04-17 |

---

Numeric Summary

Column	Min	Max	Mean	Median
unnamed_3	0.0	21.0	2.6957	2.0

---

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. 3 column(s) with >80% missing values were removed: unnamed_0, unnamed_5, unnamed_7. 2 exact duplicate rows were removed. 1 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 UNICEF Democratic Republic of Congo 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: methodologie_de_priorisation_sectorielle_cluster_nutrition_rdc, unnamed_4, unnamed_6.
• Refer to the original HDX dataset page for the publisher's own methodology notes and caveats.

---

Citation

@dataset{hdx_africa_priorisation_s1_2021,
  title     = {République Démocratique du Congo: Priorisation Juin 2024},
  author    = {UNICEF Democratic Republic of Congo},
  year      = {2025},
  url       = {https://data.humdata.org/dataset/priorisation-s1-2021},
  note      = {Repackaged for machine learning by Electric Sheep Africa (https://huggingface.co/electricsheepafrica)}
}

---

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