Hugging Face 上的「government」数据集：389 个全量调查

datumoj 要做自己的数据集，先看清这片地里已经有什么：谁在做政府数据、做成了什么样、热度在哪、以及——有没有人已经做过 datumoj 想做的事。

调查日期：2026-10-22 ｜数据来源：Hugging Face 官方 API 以 search=government 全量拉取（与网站搜索页显示的 389 个一致），含每个数据集的作者、下载、点赞、许可证、语言、规模与说明全文｜原始数据与分析脚本同目录存档（datasets.json、analyze.py），口径可复现。

结论先行

389 个里，245 个（63%）是同一个「工厂」的产品。Electric Sheep 的三个地区账号（africa/asia/europe）把世界银行、UN SDG、Our World in Data、FAOSTAT 的指标逐条切开——只要指标名里带 government 就生成一个小数据集。它们合计只有 2,591 次下载、0 个赞，是这片地里的“背景噪音”，不是竞争者。
热度极度集中在“给机器吃”的数据上。全部下载共 29,126 次，前 10 个数据集占 78.7%。排第一的（12,358 次）是智源 BAAI 的 LLM 预训练语料 IndustryCorpus2 里“时政与行政”一个切分——government 在这里只是语料的一个行业分类。
赞数之王是认真做溯源的单国文档库。ankitjh4/bharat-government-documents（印度政府公开文档 64,964 篇，每篇带源 URL、抓取时间、抽取质量、规则版本）拿到 65 个赞——是全场赞数的 59%。下载拼规模，点赞拼手艺。
真·同题材的大玩家只有一个：AgentPublic/open_government。约 380B tokens、16 个集合、23 种欧洲语言，汇编美国、法国、欧盟与国际组织的开放数据做 LLM 语料，自称“最大的政府文本与数据汇编”。但它做的是训练语料，不是可查询、带出处的结构化数据。
datumoj 想做的两件事，Hugging Face 上都还没有人做：① 跨国政府开放数据的注册表/目录做成数据集（全场只有 5 个“目录·清单型”，最大的一个还是美国政府出版物 URL 目录，下载 8 次）；② 以官方来源为准、逐条带出处的垂直领域登记库（如 tel.datumoj.com 的电话号码库）——方法论上唯一的近亲是 Bharat Guide，而它做的是文档、不是登记数据。
纪律就是差异化空间：24% 的数据集没写许可证（法律上等于不可用），77 个连 40 字说明都写不满，358 个（92%）零赞。把许可证、出处、更新时间写清楚，本身就是这片地里的稀缺品。

全景数字

389数据集总数（91 个发布者）

29,126总下载量（中位数仅 10）

111总点赞（92% 的数据集是 0 赞）

2982026 年新建（占 77%，批量工厂是主因）

216规模不足 1,000 行（占 55%）

0日语数据集（language:ja）

维度	分布	说明
下载量	中位数 10；182 个不足 10 次；仅 14 个 ≥100 次（剔除工厂后）	长尾极长，绝大多数数据集事实上无人使用
格式	parquet 292（75%）· csv 20 · json 12	parquet 占比主要是工厂的统一模板
语言	英语 262 · 泰米尔语 8 · 法语 7 · 印地语 7 · 其余零星	关键词是英文 government，非英语政府数据被系统性漏检（见口径）
许可证	CC-BY-4.0 153 · 未声明 95 · other 81 · CC-BY-SA 25 · Apache 12 · MIT 10 · CC0 3	四分之一无许可证；政府数据常用的 ODbL 只有 2 个
任务标签	表格回归 224 · 表格分类 202 · 时序预测 81 · 文本类合计不到 60	同样是工厂模板的指纹：指标切片天然是表格任务
活跃度	近 90 天内有更新的 212 个	工厂在持续灌入，独立发布者多为一次性上传
门控	18 个 gated（需申请）	多为含敏感行政数据的集合

发布者图景：一个工厂 + 一群个人

发布者	数据集数	总下载	画像
electricsheepafrica / asia / europe	168 / 43 / 34	2,591（合计）	同一运营方的三个地区号：把国际组织指标库按“一个指标 × 一个地区”切成 ML 就绪的 parquet，指标名含 government 即命中。单个下载 5–40 次，0 赞。是产量王，不是影响力王。
thailevann	13	低	印度泰米尔纳德邦的地方政府数据（医疗设施、政府服务文本块），泰米尔语——地方语言政府数据的孤例。
joey234	12	低	全是 MMLU“高中政府与政治”考试题的变体，关键词搭车，与政府数据无关。
paperswithbacktest	6	低	金融回测向的数据商，把政府合同/支出做成事件研究素材。
vidore / mteb 系	约 7	2,597	文档检索基准（BEIR/MTEB）：用（合成的）政府报告做文档问答评测集，是“政府文档”被当作评测素材的一支。
其余约 85 人	各 1–3	—	个人与小机构的一次性发布：本国/本邦的某个具体数据集，多数无后续维护。

观察：真正的政府机构官方账号在这一片里几乎缺席——发布者要么是数据工厂、要么是研究者与数据商，政府是“被搬运的对象”而不是发布者。这与 datumoj 在 orbis 层观察到的各国门户格局一致：官方只在自己的门户发数据，HF 上是第三方生态。

内容分类：这 389 个到底装的都是什么

先把 245 个工厂切片单列（它们本质是“国际组织指标库的逐条转售”），其余 144 个按内容主题归类如下（规则分类：以数据集名与说明的关键词计分取最高类，属推导口径，个别会误分）：

主题	数量	代表例子	备注
批量指标切片（工厂）	245	electricsheep* 的 World Bank / SDG / OWID / FAOSTAT 切片	指标名带 government 才命中；单集下载 5–40
考试/基准题集	31	joey234 的 MMLU 政府与政治题变体、vidore/mteb 的政府报告检索基准	一半是考试搭车，一半是正经评测集
LLM 训练语料	28	BAAI IndustryCorpus2 切分、AgentPublic/open_government、加泰罗尼亚政府站点抓取（projecte-aina / bigscience ROOTS）	下载量的主引擎在这一类
财政·合同·采购	19	ZipLime 美国联邦合同、科索沃/阿尔巴尼亚政府合同标题集	量化研究（事件研究）是明确买家
公共服务与民生计划	15	印度政府计划（schemes）汇编、泰米尔纳德邦政府服务文本	印度集群的主力
法律·法规·政策文件	9	韩国法制处 2023 立法集、瑞典政府办公室术语表	意外地少——法律语料多在专门的法律数据集里，不带 government 关键词
目录·清单型（注册表）	5	alea-institute 美国政府出版物 URL 目录（262,901 条 SuDoc 记录）、AndreasThinks 政府 GitHub 仓库清单	与 datumoj 注册层最接近的一类，也是最空的一类
统计·指标·指数	3	阿曼政府统计（两份重复上传）	官方统计本体在各国门户，不在这里
卫生·选举·环境等	约 6	泰米尔纳德邦医疗设施、英国政府博客全集（feregrino）	零星
其他/弱相关	约 30	法语政府对话集、领域自适应训练数据等	关键词擦边命中

国家分布（非工厂部分）：美国/联邦题材最密（合同、GAO 标准、出版物目录），印度是第二极（19 个、1,731 次下载，含全场赞王），英国、法国、荷兰、瑞典、韩国各有零星单国集。跨国汇编只有 AgentPublic 一家；日本为零——日语数据集为 0，日本政府数据在本片完全缺席。

头部数据集深描

数据集	下载	赞	它到底是什么
BAAI/IndustryCorpus2（时政与行政切分）	12,358	4	智源研究院行业语料 IndustryCorpus2 的一个行业包。government 是语料分类，不是数据产品。它的下载量证明：HF 上最大的“政府数据”需求方是 LLM 预训练。
ZipLime/us-government-contracts	3,893	0	美国联邦合同全量（USAspending/FPDS）：1,337 万笔交易、FY2005 至今、4.45 万亿美元，带“公众可见日”的时点语义，专为金融事件研究设计。单题材做到极致的专业数据产品，Apache-2.0。
AgentPublic/open_government	2,564	5	全场与 datumoj 野心最近的一个：约 380B tokens、16 个集合、23 种语言，汇编美/法/欧盟/国际组织的开放数据计划文本（法律与金融两条线）。形态是训练语料而非结构化登记数据；覆盖以欧美为主。
ankitjh4/bharat-government-documents	1,046	65	印度政府公开文档 64,964 篇（源记录 77,526 条），逐篇带源 URL、抓取时间、抽取质量、规则版本与主题标签，SQLite+parquet 双形态。方法论上与 datumoj 证据标准最合拍的一个，也是全场唯一靠手艺拿到大量赞的。
vidore / mteb 合成政府报告基准族	约 2,600（族合计）	1–2	文档检索/问答评测集，内容是合成的政府报告。说明“政府文档”在评测生态里是一个标准测试题材。

纪律与质量：这片地的软肋

许可证缺失 95 个（24%），另有 81 个只写含糊的 “other”。没有许可证的数据集，任何人都不能合法再分发——做数据集的人最常省的恰是最关键的一步。
说明贫瘠：77 个数据集的说明不足 40 字；来源、更新时间、字段含义普遍缺失。工厂切片虽有模板化说明，但每集只是同一段话换指标名。
重复与一次性：阿曼统计、泰米尔医疗设施都出现同题重复上传；独立发布者大多传完即走，无版本维护。
“官方”含量低：几乎没有政府机构本人在 HF 发布；数据的权威性靠搬运者自律，普遍没有逐条出处。

与 datumoj 的关系：谁做过类似的事？

问：有人做过“连接各国政府公开数据”的数据集吗？

注册表/目录方向：没有。最接近的是 alea-institute 的美国政府出版物 URL 目录（26 万条、下载 8 次）和政府 GitHub 仓库清单——都是单国、单用途的清单。datumoj 在 orbis 层做的“471 个官方资源按场景注册”这种跨国注册表，在 HF 上不存在对应物。
全球汇编方向：只有语料形态。AgentPublic/open_government 是唯一以“全球政府数据”为旗号的，但产品是 LLM 训练文本：无结构化字段、无逐条出处核查、不能当登记库查询。datumoj 的“注册层 + 逐条证据链”是另一种物种。
垂直登记库方向：没有同类。以 tel.datumoj.com（日本电话号码：总务省官方指定数据为基础、逐条可溯）为代表的垂直打法，在这 389 个里找不到对应物；方法论近亲只有 Bharat Guide 的文档溯源纪律。
日本方向：完全空白。日语数据集 0 个，日本政府数据 0 个。datumoj 的日本垂直（tel）在这里是无竞争区。

对 datumoj 做数据集的 5 条建议

把注册层本身发成数据集。把 orbis 的官方资源注册表（机构、URL、场景、许可、核查时间）以 parquet+SQLite 发布——这是全场确认的空白，且与 Bharat 的成功公式同构：注册表即产品。
逐条溯源写进 schema。源 URL、抓取时间、数据发布时间（与抓取时间分开）、规则版本、许可——Bharat 拿到 65 赞的字段，正是 datumoj 证据标准（AGENTS.md §3.3）已经在做的事，把它变成数据集的卖点。
许可证先行。每份发布明确 CC-BY-4.0 或 CC0（视上游许可），并在卡片里写清上游条款。24% 的同行在这里裸奔。
垂直深度优先于横向广度。工厂模式（245 个浅切片、0 赞）是反面教材；ZipLime（单题材做到全量+时点语义）和 Bharat（单国文档做到逐篇溯源）证明深度才有下载与赞。
同时服务两类已验证的读者：LLM 构建者（要语料规模、去重与规范化说明）与量化研究者（要时点语义、全量覆盖、稳定版本）。数据集卡片按这两类读者写。

方法与口径

本页数字来自 2026-10-22 通过 Hugging Face API（GET /api/datasets?search=government&limit=1000&full=true）的一次全量拉取，共 389 条，与网站搜索页计数一致；原始响应（datasets.json，692KB）与统计脚本（analyze.py）与本页同目录存档，可复跑复核。注意三点口径：① 关键词是英文 government，靠标题/说明/标签命中，非英语国家的政府数据集会被系统性漏掉（例如各国以本国语言命名的数据集）——本调查反映的是“HF 上以 government 为旗的生态”，不是全球政府数据的全集；② 主题分类为规则计分（推导），个别数据集可能误分，头部数据集的定性描述均已逐个打开核对（已证明）；③ 下载/点赞为拉取时点的累计值，会继续变化。Electric Sheep 三个账号是否同一运营方，依据其命名、模板与指标来源的一致性推断（推导，未经该方确认）。