README.md

---
dataset_info:
  features:
  - name: id
    dtype: string
  - name: title
    dtype: string
  - name: slug
    dtype: string
  - name: acronym
    dtype: string
  - name: url
    dtype: string
  - name: organization
    dtype: string
  - name: organization_id
    dtype: string
  - name: owner
    dtype: string
  - name: owner_id
    dtype: string
  - name: description
    dtype: string
  - name: description_short
    dtype: string
  - name: frequency
    dtype: string
  - name: license
    dtype: string
  - name: temporal_coverage.start
    dtype: string
  - name: temporal_coverage.end
    dtype: string
  - name: spatial.granularity
    dtype: string
  - name: spatial.zones
    dtype: string
  - name: featured
    dtype: bool
  - name: created_at
    dtype: string
  - name: last_modified
    dtype: string
  - name: tags
    dtype: string
  - name: archived
    dtype: string
  - name: resources_count
    dtype: int64
  - name: main_resources_count
    dtype: int64
  - name: resources_formats
    dtype: string
  - name: harvest.backend
    dtype: string
  - name: harvest.domain
    dtype: string
  - name: harvest.created_at
    dtype: string
  - name: harvest.modified_at
    dtype: string
  - name: harvest.remote_url
    dtype: string
  - name: quality_score
    dtype: float64
  - name: metric.discussions
    dtype: int64
  - name: metric.discussions_open
    dtype: int64
  - name: metric.reuses
    dtype: int64
  - name: metric.reuses_by_months
    dtype: string
  - name: metric.dataservices
    dtype: int64
  - name: metric.followers
    dtype: int64
  - name: metric.followers_by_months
    dtype: string
  - name: metric.views
    dtype: int64
  - name: metric.resources_downloads
    dtype: float64
  - name: source_file
    dtype: string
  splits:
  - name: train
    num_bytes: 242297568
    num_examples: 124637
  download_size: 56261157
  dataset_size: 242297568
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
language:
- fr
tags:
- france
- open-data
- data-gouv
- catalogue
- metadonnees
- government
- etalab
pretty_name: Catalogue des jeux de données de data.gouv.fr – version structurée
license: etalab-2.0
---

# 🇫🇷 Catalogue des jeux de données de data.gouv.fr – Version structurée

Ce dataset constitue une **version structurée et exhaustive du catalogue des jeux de données publiés sur [data.gouv.fr](https://www.data.gouv.fr)**, la plateforme nationale française de l’open data.

Il recense l’ensemble des jeux de données référencés sur la plateforme et fournit leurs **métadonnées complètes** :
- titre et description,
- organisation productrice,
- licence,
- couverture spatiale et temporelle,
- fréquence de mise à jour,
- formats disponibles,
- métriques d’usage (vues, téléchargements, réutilisations),
- informations de moissonnage (harvest).

Les données proviennent du jeu de données officiel publié par data.gouv.fr sur data.gouv.fr.

Ce dataset est conceptuellement lié à une version **chunkée et vectorisée** du catalogue, conçue pour la recherche sémantique et les usages RAG.  
La présente version privilégie la **fidélité aux métadonnées sources**, sans embeddings, afin de faciliter les analyses globales, statistiques et institutionnelles.

---

## 🗂️ Contenu du dataset

Le dataset est fourni au format **Parquet** et contient un unique split `train`.

Chaque ligne correspond à **un jeu de données référencé sur data.gouv.fr**, décrit à travers l’ensemble de ses métadonnées publiques.

---

## 📊 Schéma des données

| Champ | Type | Description |
|------|------|-------------|
| `id` | `string` | Identifiant unique du jeu de données |
| `slug` | `string` | Identifiant textuel (slug) |
| `title` | `string` | Titre du jeu de données |
| `acronym` | `string` | Acronyme (le cas échéant) |
| `url` | `string` | URL du jeu de données sur data.gouv.fr |
| `organization` | `string` | Organisation productrice |
| `organization_id` | `string` | Identifiant de l’organisation |
| `owner` | `string` | Propriétaire du jeu de données |
| `owner_id` | `string` | Identifiant du propriétaire |
| `description` | `string` | Description complète |
| `description_short` | `string` | Description courte |
| `frequency` | `string` | Fréquence de mise à jour |
| `license` | `string` | Licence (ex. Etalab-2.0) |
| `temporal_coverage.start` | `string` | Début de la couverture temporelle |
| `temporal_coverage.end` | `string` | Fin de la couverture temporelle |
| `spatial.granularity` | `string` | Granularité spatiale |
| `spatial.zones` | `string` | Zones géographiques couvertes |
| `featured` | `bool` | Jeu de données mis en avant |
| `created_at` | `string` | Date de création |
| `last_modified` | `string` | Dernière modification |
| `tags` | `string` | Mots-clés |
| `archived` | `string` | Indique si le dataset est archivé |
| `resources_count` | `int` | Nombre total de ressources |
| `main_resources_count` | `int` | Nombre de ressources principales |
| `resources_formats` | `string` | Formats disponibles |
| `harvest.backend` | `string` | Backend de moissonnage |
| `harvest.domain` | `string` | Domaine source |
| `harvest.created_at` | `string` | Date de création du harvest |
| `harvest.modified_at` | `string` | Date de mise à jour du harvest |
| `harvest.remote_url` | `string` | URL distante moissonnée |
| `quality_score` | `float` | Score de qualité data.gouv.fr |
| `metric.discussions` | `int` | Nombre de discussions |
| `metric.discussions_open` | `int` | Discussions ouvertes |
| `metric.reuses` | `int` | Nombre de réutilisations |
| `metric.reuses_by_months` | `string` | Historique mensuel des réutilisations |
| `metric.dataservices` | `int` | Nombre de data services |
| `metric.followers` | `int` | Nombre d’abonnés |
| `metric.followers_by_months` | `string` | Historique mensuel des abonnés |
| `metric.views` | `int` | Nombre de vues |
| `metric.resources_downloads` | `float` | Nombre de téléchargements |
| `source_file` | `string` | Fichier source d’origine |

---

## 🛠️ Méthodologie de constitution

### 1. 📥 Source des données

Les données sont issues du jeu de données officiel :

- **Catalogue des données de data.gouv.fr**
  https://www.data.gouv.fr/datasets/catalogue-des-donnees-de-data-gouv-fr/

Le dataset inclut l’ensemble des jeux de données disposant d’une description suffisamment renseignée, afin de garantir une qualité descriptive minimale.

---

### 2. 🧾 Conservation des métadonnées complètes

Contrairement à la version vectorisée :
- aucune troncature sémantique n’est appliquée,
- les descriptions complètes sont conservées,
- l’intégralité des métriques et champs techniques est disponible.

Cette approche est particulièrement adaptée à :
- l’analyse de l’écosystème open data français,
- l’étude des producteurs et thématiques de données,
- la mesure de l’usage et de l’impact des jeux de données,
- la gouvernance et la qualité des métadonnées publiques.

---

### 3. 🧠 Absence volontaire d’embeddings

Aucun champ d’embedding n’est généré dans cette version.

Cela permet :
- une exploitation neutre et durable des métadonnées,
- des traitements statistiques et analytiques à grande échelle,
- une vectorisation ultérieure adaptée à des cas d’usage spécifiques.

---

## 🔗 Lien avec la version vectorisée

Ce dataset est conceptuellement lié au dataset suivant :

> **Data.gouv.fr Datasets Catalog – version chunkée et vectorisée**  
> https://huggingface.co/datasets/AgentPublic/data-gouv-datasets-catalog

| Version vectorisée | Présente version |
|--------------------|------------------|
| Texte synthétique | Métadonnées complètes |
| Embeddings BGE-M3 | Aucun embedding |
| Recherche sémantique / RAG | Analyse open data |
| Indexation IA | Gouvernance & statistiques |

Les deux versions peuvent être combinées dans des pipelines avancés (exploration + recherche sémantique).

---

## 📚 Source & Licence

### 🔗 Source
- [Data.gouv.fr – Catalogue des données](https://www.data.gouv.fr/datasets/catalogue-des-donnees-de-data-gouv-fr/)

### 📄 Licence
**Licence Ouverte Etalab 2.0**  
Les données sont librement réutilisables sous réserve de mention de la source et de la licence.

---

## 📌 Cas d’usage

Ce dataset est particulièrement adapté pour :
- la cartographie de l’offre open data française,
- l’analyse des politiques publiques de données,
- l’étude des producteurs et thématiques de données,
- la mesure de la réutilisation et de l’impact,
- les projets de recherche et d’IA appliqués à l’open data.