Dónde encontrar buenos ejemplos de datos en formato CSV¶

Se incluye a continuación la descripción de dos iniciativas que publican conjuntos de Datos Abiertos destacables por la alta calidad de los datasets disponibles en formato CSV:
- Datahub.io
- Kaggle.com
En estas plataformas cobra especial trascendencia la calidad en la forma que se publican los datos, dado el sólido entendimiento sobre la naturaleza multipropósito del uso de los datos y el tratamiento profesional de los mismos, que se encuentra en los fundamentos de ambas iniciativas.
Datahub, destaca por implementar un soporte integral para transformar, validar y publicar datos de calidad y Kaggle constituye uno de los repositorios de conjuntos de datos y conocimiento en torno al análisis de datos de referencia profesional más importantes.
Ambas iniciativas constituyen ejemplos reales de buenas prácticas en el tratamiento de archivos CSV que pueden ser tenidas en cuenta para abordar procesos de preparación y publicación de Datos Abiertos

datahub.io¶

Datahub es una plataforma web que da soporte integral a flujos de trabajo para la preparación y publicación de Datos Abiertos. Está diseñada para preparar, catalogar y publicar datos de alta calidad haciendo uso del conjunto de herramientas Frictionless Data.
El conjunto de herramientas Frictionless Data, es una colección de especificaciones y aplicaciones para la preparación de archivos de datos, entre las que se encuentra “Goodtables”, descrita en el apartado “Toolbox para archivos CSV” de esta guía.
Datahub, contiene colecciones de datos compatibles con Datos Abiertos de alto valor como: cambio climático, datos económicos e indicadores, estadística, logística, registros empresariales con origen en fuentes oficiales.
Cada entrada de datos disponible contiene un conjunto de elementos para mostrar las propiedades del dataset (esquema y recursos de datos), opciones de descarga de datos en diversos formatos, entre ellos CSV, vistas de las tablas de datos y visualizaciones simples.
Proporciona, además, acceso directo para importar los datos utilizando una variedad de herramientas habituales en el contexto profesional: R, Python, JavaScript y SQL.

Un ejemplo de dataset en formato CSV disponible en la plataforma es el que muestra la tendencia de Dióxido de Carbono en la atmósfera, con origen en el “US Government's Earth System Research Laboratory”.

El archivo CSV descargable del dataset "CO2 PPM - Trends in Atmospheric Carbon Dioxide" posee las siguientes características:

Diccionario de datos procesable en formato JSON según la especificación Data Package.
Fila única de cabecera.
Registro único por fila.
Comprensible nombrado de columnas.
Estructura de datos vertical.
Tratamiento de valores desconocidos, indicados por valores del tipo -99.99 (para el atributo ‘average’) y -1 (para el atributo ‘días’).
No contiene totales niagrupaciones.
Correcto tipado de campos.
Campo de fechas codificado siguiendo el estándar ISO- 8601.
No contiene datos con coordenadas geográficas o campos codificados.

Date,Decimal Date,Average,Interpolated
,Trend,Number of Days
1958-03-01,1958.208,315.71,315.71,314.62,-1
1958-04-01,1958.292,317.45,317.45,315.29,-1
1958-05-01,1958.375,317.50,317.50,314.71,-1
1958-06-01,1958.458,-99.99,317.10,314.85,-1
1958-07-01,1958.542,315.86,315.86,314.98,-1
1958-08-01,1958.625,314.93,314.93,315.94,-1
1958-09-01,1958.708,313.20,313.20,315.91,-1
1958-10-01,1958.792,-99.99,312.66,315.61,-1
1958-11-01,1958.875,313.33,313.33,315.31,-1
1958-12-01,1958.958,314.67,314.67,315.61,-1
1959-01-01,1959.042,315.62,315.62,315.70,-1
1959-02-01,1959.125,316.38,316.38,315.88,-1
1959-03-01,1959.208,316.71,316.71,315.62,-1
1959-04-01,1959.292,317.72,317.72,315.56,-1
1959-05-01,1959.375,318.29,318.29,315.50,-1
1959-06-01,1959.458,318.15,318.15,315.92,-1
1959-07-01,1959.542,316.54,316.54,315.66,-1
1959-08-01,1959.625,314.80,314.80,315.81,-1
1959-09-01,1959.708,313.84,313.84,316.55,-1
1959-10-01,1959.792,313.26,313.26,316.19,-1
1959-11-01,1959.875,314.80,314.80,316.78,-1
1959-12-01,1959.958,315.58,315.58,316.52,-1
…
2014-12-01,2014.958,398.91,398.91,399.64,29
2015-01-01,2015.042,399.98,399.98,399.69,30
2015-02-01,2015.125,400.28,400.28,399.51,27
2015-03-01,2015.208,401.54,401.54,400.05,24
2015-04-01,2015.292,403.28,403.28,400.49,27
2015-05-01,2015.375,403.96,403.96,400.63,30
2015-06-01,2015.458,402.80,402.80,400.50,28
2015-07-01,2015.542,401.31,401.31,400.92,23
2015-08-01,2015.625,398.93,398.93,400.84,28
2015-09-01,2015.708,397.63,397.63,401.15,25
2015-10-01,2015.792,398.29,398.29,401.59,28

kaggle.com¶

Kaggle es una plataforma web donde empresas e instituciones proponen problemas estratégicos o de negocio para que grupos con interés o experiencia en análisis de datos compitan, de forma remunerada, para crear y proponer las mejores soluciones.
En la plataforma se presenta cualquier tipo de problema a resolver que pueda encontrarse en distintos ámbitos del mundo real, tales como servicios financieros, energía, sociedad, tecnología de la información, etc.
Además de las competiciones propuestas y la disponibilidad de recursos de código para analizar cualquier conjunto de datos, Kaggle alberga cientos de conjuntos de datos de todo tipo y tamaño que se pueden descargar y usar de forma gratuita, mayoritariamente en formato CSV.
Cada conjunto de datos contiene una descripción detallada de su contenido y dispone de una vista previa del contenido del archivo mediante un explorador de datos.
Los archivos incluyen la especificación del esquema de datos asociado incluyendo descripciones de columna con sus correspondientes metadatos: tipos de datos, rango de valores, unidades, histograma, etc. Las descripciones se asignan a nivel de tabla y a nivel de columna individual facilitando su comprensión.
Cada dataset, además, posee un valoración otorgada por la comunidad de usuarios sobre su grado de usabilidad en base a aspectos como la facilidad para entender el contenido mediante la calidad de descriptores esenciales: de archivo, de columnas, etiquetas, licencia, procedencia, frecuencia de actualización etc.

Un ejemplo es el dataset que contiene los datos de entrada del cruce de fronteras del US Bureau of Transportation Statistics (BTS).

El archivo CSV descargable del dataset "Border crossing entry data" posee las siguientes características:
- Diccionario de datos especificado en forma de tabla pero no procesable por máquina. Un aspecto de mejora es su disponibilidad en formato JSON enlazado desde el sitio web de descarga.
- Fila única de cabecera.
- Registro único por fila.
- Comprensible nombrado de columnas.
- Estructura de datos vertical.
- No contiene totales ni agrupaciones.
- Correcto tipado de campos.
- Campo de fechas codificado siguiendo el estándar ISO-8601.
- Codificación de códigos postales.
- Coordenadas geográficas en grados decimales indicadas como punto geográfico de latitud-longitud.

Port Name,State,Port Code,Border,Date,Measure,Value,Location
Calexico East,California,2507,US-Mexico Border,03/01/2019 12:00:00 AM,Trucks,34447,POINT (- 115.48433000000001 32.67524)
Van Buren,Maine,108,US-Canada Border,03/01/2019 12:00:00 AM,Rail Containers Full,428,POINT (- 67.94271 47.16207)
Otay Mesa,California,2506,US-Mexico Border,03/01/2019 12:00:00 AM,Trucks,81217,POINT (- 117.05333 32.57333)
Nogales,Arizona,2604,US-Mexico Border,03/01/2019 12:00:00 AM,Trains,62,POINT (-110.93361
31.340279999999996)
Trout River,New York,715,US-Canada Border,03/01/2019 12:00:00 AM,Personal Vehicle Passengers,16377,POINT (-73.44253 44.990010000000005)
Madawaska,Maine,109,US-Canada Border,03/01/2019 12:00:00 AM,Trucks,179,POINT (-68.3271
47.35446)
Pembina,North Dakota,3401,US-Canada Border,03/01/2019 12:00:00 AM,Bus Passengers,1054,POINT (-97.24333 48.96639)
Progreso,Texas,2309,US-Mexico Border,03/01/2019 12:00:00 AM,Truck Containers Empty,1808,POINT (-97.94889 26.061670000000003)
Portal,North Dakota,3403,US-Canada Border,03/01/2019 12:00:00 AM,Rail Containers Empty,6685,POINT (-102.54917 48.99583)
Champlain-Rouses Point,New York,712,US-Canada Border,03/01/2019 12:00:00
AM,Trucks,24759,POINT (-73.44694 44.98639)
Opheim,Montana,3317,US-Canada Border,03/01/2019 12:00:00 AM,Personal Vehicles,235,POINT (- 106.40265 48.85574)