Commencer par définir la question
« Précipitations mensuelles par station dans une région, de 2015 à 2025 » est une meilleure description de jeu de données que « CSV météo ». Elle indique ce que chaque ligne doit représenter, quelles dates comptent et quels lieux doivent figurer dans le résultat. Rédigez cette description avant d’ouvrir une feuille de calcul.
Un fichier CSV peut contenir des lignes et des colonnes sans préciser si un champ est un identifiant, une mesure ou une date. Le guide du W3C sur le CSV sur le Web décrit cette lacune et le rôle des métadonnées associées. Trouver un fichier téléchargeable n’est donc que la première étape pour obtenir des données exploitables. Guide du W3C sur le CSV sur le Web.
Rechercher les données et leur source
Essayez une requête ciblée telle que monthly rainfall filetype:csv, puis ajoutez le lieu ou la mesure requis par votre projet. Le guide FindFiles.net de recherche par type de fichier explique la découverte fondée sur le format. Ces exemples illustrent la syntaxe des requêtes ; la présence et l’exhaustivité des résultats dépendent de l’index.
Lorsque vous reconnaissez un éditeur, consultez également son catalogue de données. Data.gov explique qu’il s’agit d’un catalogue de métadonnées : les agences gèrent les données elles-mêmes et le catalogue renvoie vers leurs distributions. Un fichier peut donc être hébergé ailleurs que sur le domaine du catalogue. Guide d’utilisation de Data.gov.
N’utilisez site: que si vous connaissez l’hôte de fichiers pertinent. Si une recherche de CSV ne donne rien, élargissez-la au titre du jeu de données, sans restriction de format, sur le propre site de l’éditeur. Vous pourriez trouver un bouton d’exportation, une API ou une archive ZIP contenant plusieurs fichiers. Ne considérez pas l’absence de résultat comme la preuve que les données sous-jacentes n’existent pas.
Retrouver le contexte manquant
Pour chaque candidat, créez une courte note de source. Consignez l’éditeur, la couverture géographique, la période d’observation, la politique de mise à jour et le lien vers le dictionnaire de données. Recherchez les conditions de réutilisation dans la fiche du jeu de données au lieu de les déduire de son accès public. La section Access & Use de Data.gov affiche les informations de licence lorsque l’éditeur les fournit.
Distinguez trois dates : celle à laquelle les événements ont été observés, celle à laquelle les données ont changé et celle à laquelle le catalogue a vérifié ses métadonnées pour la dernière fois. La spécification DCAT-US distingue explicitement la date de modification d’un jeu de données d’une modification portant uniquement sur les métadonnées. Cette distinction évite de présenter d’anciennes observations comme des données nouvelles. Métadonnées des jeux de données DCAT-US.
Si la documentation laisse une question essentielle sans réponse, notez-la. Pour les précipitations, il peut s’agir de l’unité de mesure ou du traitement d’une journée manquante. Un téléchargement plus volumineux ne répondra pas à une question que l’éditeur n’a pas documentée.
Examiner un petit échantillon
Prévisualisez l’en-tête et quelques enregistrements avant d’importer le fichier entier. Vérifiez le séparateur, l’encodage des caractères et si des guillemets entourent des valeurs qui contiennent elles-mêmes des séparateurs. Comparez les colonnes obtenues avec le dictionnaire de données.
Testez ensuite un enregistrement que vous pouvez interpréter manuellement. L’identifiant d’une station conserve-t-il ses zéros initiaux ? La date est-elle sans ambiguïté ? Une cellule vide signifie-t-elle qu’il n’y a pas eu de mesure, ou l’éditeur lui donne-t-il un autre sens ? L’approche du W3C en matière de métadonnées couvre les types de données, les formats et la validation précisément parce que le CSV brut ne peut pas porter seul toutes ces contraintes.
Dans l’aperçu d’importation de l’application, définissez si nécessaire les colonnes d’identifiants comme du texte. Après l’importation, comparez les premiers enregistrements au fichier original. Cette petite vérification vous donne une occasion concrète de repérer une conversion indésirable avant que des graphiques ou des jointures ne la masquent.
Conserver une version reproductible
Enregistrez le téléchargement intact séparément de votre copie de travail nettoyée. Notez son URL source, sa date de téléchargement et son identifiant de version. Lorsque le dépôt fournit un identifiant pérenne pour une version précise, conservez cet identifiant avec le fichier.
Zenodo fournit un exemple utile : les fichiers d’une fiche publiée sont immuables, tandis qu’une nouvelle version du jeu de données constitue une fiche distincte dotée de son propre identifiant. Référencer la version précise permet à une autre personne de récupérer les mêmes fichiers. Ne supposez pas que tous les éditeurs appliquent cette politique ; vérifiez la documentation du dépôt. Cycle de vie des fiches et des versions Zenodo.
Déterminer si le fichier est exploitable
Votre note d’acceptation doit répondre à quatre questions : qui a publié ce fichier, que signifie chaque ligne, couvre-t-il ma question et puis-je récupérer exactement la même version ? Ajoutez les conditions de réutilisation applicables et les limites qui restent à résoudre. Si vous ne pouvez pas expliquer une colonne essentielle, continuez à chercher sa documentation avant de l’utiliser dans une analyse.