Update README.md

README.md

@@ -94,4 +94,170 @@ configs:
   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.