Conjuntos de datos abiertos

Lee primero la columna de evidencia

Cada fila de cada uno de estos archivos lleva un valor de evidencia, y decide para qué sirve esa fila. Los cuatro conjuntos no están al mismo nivel.

Medido

Una salida, una duración o un precio tal como la empresa lo publicó el día en que se leyó. No se calculó nada.

Presentado

Lo que una empresa dice que el servicio hará. Una salida presentada es un plan, no una observación.

Observado

Una conexión que alguna fuente vio circular, registrada en un flujo de datos o en un registro público. Más débil que medido, porque el registro es de segunda mano, y más fuerte que derivado, porque algo circuló.

Derivado

Calculado por nosotros a partir de otros valores: una distancia entre dos pares de coordenadas, un transportista que se supone que sirve un corredor porque su área de servicio publicada cubre ambos extremos, unos gramos obtenidos de un factor publicado.

Un valor derivado sigue siendo derivado en el archivo, en la página que lo muestra y en los datos estructurados.

Válido para los cuatro

Lo que no cambia de un conjunto de datos al siguiente.

Atribución, y esa es toda la licencia

Todos los archivos están bajo CC BY 4.0. Úsalos comercialmente, redibújalos, construye encima, vende lo que construyas. Nombra a Orlero y enlaza de vuelta.

Un Frictionless Data Package, no un CSV suelto

Cada paquete lleva un datapackage.json con un Table Schema por archivo, de modo que quien lo lee conoce el tipo y la unidad de cada columna antes de abrirlo. Las fechas son ISO 8601 con desfase horario, los países ISO 3166-1 alpha-2, el dinero va en unidades menores enteras con su código ISO 4217 y las coordenadas son WGS84.

Cuatro columnas de procedencia en cada fila

source, source_url, fetched_at y evidence, en todas las tablas de los cuatro paquetes. Una fila sacada de contexto sigue diciendo de dónde viene, cuándo se leyó y qué fuerza tiene su afirmación.

Sumas de comprobación y un registro de cambios

Cada paquete incluye un checksums.txt con un SHA-256 por archivo, un README, un CHANGELOG y una versión semántica. Una regeneración que cambia el significado de una columna sube la versión mayor.

Un dato que falta es una celda vacía

Una celda en blanco significa que no tenemos el valor, y un cero significa cero. Nunca un cero en lugar de un blanco, y nunca las letras N barra A.

https://creativecommons.org/licenses/by/4.0/

Lo que no está aquí

Los huecos que conviene conocer antes de construir sobre esto.

• Cada paquete es una instantánea fechada y no un flujo en vivo, y la fecha aparece en la página del conjunto, en el archivo y en los datos estructurados.
• La cobertura es desigual por diseño: la instantánea de ferris es densa alrededor del Mediterráneo, los horarios son europeos y el grafo de operadores es el que más lejos llega y el que menos se comprueba.
• Las tarifas son lo que una empresa publicó un día concreto en un punto concreto de la ventana de reserva. No son una curva de precios ni un promedio.
• Los cuatro paquetes los construyen cuatro scripts distintos a partir de fuentes que se solapan, así que un mismo lugar puede aparecer en dos de ellos con dos identificadores.