Otevřená data
Spojování kandidatur do osob je můj odhad. Aby si ho mohl kdokoli zkontrolovat, zveřejňuji všechna spojení i ta, kterým zatím nevěřím. Soubory neobsahují jména ani věk: kandidatury jsou označené klíčem z dat ČSÚ, ze kterých si údaje doplníte.
Soubory
| soubor | obsah | velikost |
|---|---|---|
| osoby.csv.gz | každá kandidatura 2002–2026 a číslo osoby, ke které ji přiřazuji (749 012 osob) | 9.3 MB |
| spojeni.csv.gz | zveřejněná spojení dvou kandidatur s jistotou a důvody (1 361 065) | 18.1 MB |
| nejista_spojeni.csv.gz | nepotvrzená spojení, která na webu nezobrazuji (41 743). Nejsou to tvrzení o tom, že jde o stejného člověka. | 0.7 MB |
| povolani_zvolitelnost.csv | podíl zvolených podle zápisu povolání 2002–2022 (zápisy s aspoň 1 000 kandidaturami, bez veřejných funkcí) | 0.0 MB |
Kódování UTF-8, oddělovač čárka. Čísla osob se mohou mezi verzemi dat měnit; stálý je klíč kandidatury.
Klíč kandidatury
rok:KODZASTUP:COBVODU:POR_STR_HL:PORCISLO, například 2022:554782:1:4:12. Sloupce odpovídají souboru kandidátů (kvrk) v otevřených datech komunálních voleb na volby.gov.cz: kód zastupitelstva, volební obvod, číslo kandidátky a pořadí na ní. Používám jen řádné volby.
Sloupce spojení
id_a, id_b | klíče dvou kandidatur, starší první |
decision | implied a auto_match: spojeno podle pravidel; auto_jev: spojeno s potvrzením jazykového modelu; manual_review: nejisté, čeká na kontrolu; manual_review_namesake: v obci kandiduje jmenovec; possible_match: slabší kandidát na shodu |
p | odhad pravděpodobnosti, že jde o stejného člověka (výpočet modelu, ne ověřený fakt) |
geo | kde kandidovali: zast stejné zastupitelstvo, city město a jeho část, orp, okres, kraj stejné území, other jinde |
cocand | počet společných spolukandidátů: 0, 1, 2+, na nelze posoudit |
party | stranická příslušnost: same stejná strana, diff jiná, both_bezpp oba bez stranické příslušnosti |
titles | tituly: same, gained titul přibyl, other nesouhlasí, none bez titulů |
occ | povolání: same, similar, same_field stejný obor, to_retired odchod do důchodu, from_student ze studenta, diff jiné, missing chybí |
list_party | kandidátky sdílejí stranu ve složení: shared, none, na nelze posoudit (nezávislí) |
same_list, same_res | stejný název kandidátky; stejná část obce v bydlišti |
second | druhá nezávislá shoda: rules podle pravidel, jev_field podle jazykového modelu |
jev_pair, jev3 | odpověď jazykového modelu Jev na otázku, zda jde o stejného člověka (0–1); jev3 je novější verze dotazu s bohatším kontextem |
Jak se z toho skládá rozhodnutí, popisuji v metodice. Spojení zakázaná kvůli nesouhlasu věku nebo dvěma kandidaturám v jedněch volbách nezveřejňuji.
Kód, který spojení počítá, je volně na GitHubu.
Licence a chyby
Svou práci dávám volně: data můžete kopírovat, upravovat a používat k čemukoli a Místník uvádět nemusíte. Vycházejí ale z otevřených dat Českého statistického úřadu pod licencí CC BY 4.0, takže při jejich šíření uveďte zdroj ČSÚ, odkaz na podmínky licence a že jde o odvozené údaje, ne o oficiální statistiku ČSÚ. Data se týkají skutečných lidí: nepoužívejte je k obtěžování kandidátů a nepotvrzená spojení nevydávejte za fakta. Chybné spojení mi prosím pošlete na jan@klr.cz s oběma klíči kandidatur.