保育・子育てオープンデータ
正規化ガイド + 統一データセット

生成AIとの相性

この「フォーマット・粒度のバラつき」こそ、生成AIによる抽出・正規化が最も効きやすい領域です。PDFの表やHTMLの箇条書きであっても、目標スキーマを与えて読み取らせれば、人手でのデータ入力なしに構造化できます。以下は、その実践結果です。

① childcare_facility — 施設単位レコード

{
  "ward": "港区", "ward_romaji": "Minato",
  "facility_id": "区独自IDまたは生成スラッグ",
  "facility_name": "string",
  "facility_type": "認可保育所 | 認証保育所A型/B型 | 認可外保育施設 |
                    認定こども園 | 地域型保育事業 | 事業所内保育所 |
                    学童クラブ | 一時保育 | 病児保育 | other",
  "address": "string | null",  "lat": "number | null",  "lon": "number | null",
  "capacity_total": "number | null",   "capacity_by_age": "{ \"0\":n, \"1\":n, ... } | null",
  "enrolled_total": "number | null",   "vacancy_count": "number | null",
  "as_of_date": "YYYY-MM-DD | null",   "granularity": "per_facility",
  "source_format": "csv | xlsx | pdf | json | xml | html",
  "source_url": "string",   "source_dataset_title": "string",
  "notes": "string | null — 欠損・推定・不確実性は必ずここに明記"
}

② childcare_ward_stat — 区集計・時系列レコード

{
  "ward": "港区", "ward_romaji": "Minato",
  "period": "YYYY-MM または YYYY年度",
  "metric": "capacity_total | enrolled_total | waitlist_count | applicants | facility_count",
  "value": "number",  "unit": "string | null",  "granularity": "ward_aggregate",
  "source_format": "csv | xlsx | pdf | json | xml | html",
  "source_url": "string",   "source_dataset_title": "string",   "notes": "string | null"
}

全体サマリー

フォーマット内訳（全5,793レコード中）

構造化データ（CSV/JSON）よりPDF/HTML/Excelの方が多く、「オープンデータ」を謳っていても実際は目視転記が前提のデータが主流であることが分かります。

気になった特記事項

区ごとの内訳（23区全件）

出典URL・欠損理由はデータセット内の source_url / notes フィールドに区・レコード単位で記録されています。

区ごとの施設件数 × フォーマット構成（施設件数の多い順）

棒の長さ＝施設件数（中野区441件を100%とした相対値）。色の内訳＝その区のソースフォーマット構成。セグメントにカーソルを合わせると件数が表示されます。

区ごとの定員判明率（データの充実度、高い順）

「空き数だけ公開・定員は非公開」という区が多いことが分かります。単一系列のため色は1色（判明率）で統一しています。