Si le format de la cinquantaine de fichiers annuels est relativement uniforme entre les années 1970 et la période actuelle, le charset (page de code) utilisé pour le codage des symboles non-ascii semble avoir varié au cours du temps, jusqu'à l'adoption de l'UTF-8 à partir de 2017 ; pour les années avant 2017, le charset n'est malheureusement pas précisé.

Les modifications suivantes ont été opérées sur les fichiers originaux:

• suppression des doublons qui ont été détectés : les lignes redondantes (apparaissant plusieurs fois dans les fichiers avec tous les champs identiques) ont été supprimées. Au total, plus de cent-mille avis sont dupliqués ; la liste complète des doublons est accessible, avec un fichier pour chaque année; toutefois il semble qu'il reste bien d'autres doublons : par exemple certains actes de décès à Marseille en 1999 sont inscrits à la fois sous la ville de Marseille et sous son arrondissement, et impliquent donc 6377 duplications supplémentaires...
• remplacement des lettres accentuées qui apparaissent dans les fichiers d'avant 2017 ; ce remplacement ne concerne que le lieux de naissance, les noms et prénoms étant toujours en lettres majuscules non accentuées (lettres ascii majuscules), avec une seule exception en 2010, à la ligne n°309309. Les caractères non compréhensibles dans les codages usuels utilisés en France (ISO-8859-1, IBM-850, Windows-1252, Latin-1) ont été remplacés par un point d'interrogation (?).

Quelques statistiques faites sur ces fichiers apportent des éléments chiffrés sur la fraction de la population française décédée à partir de 1970 et jusqu'à la fin octobre 2023.

• Nombre total de décès, après suppression des doublons: 27357746 (27,4 millions) ; pour les statistiques, nous avons supprimé les cas où la date de décès est incorrecte (776), l'année de naissance est inconnue ou erronée (10533), ainsi que les décès à 7 jours ou moins (114330).

  Le graphique ci-dessous donne une bonne illustration de la variation du nombre de décès depuis 2001, où les variations saisonnières (pics de décès en hiver), les pics en août 2003 (canicule) et en mars-avril 2020 (Covid-19) sont très visibles ; de nombreux autres commentaires sur des statistiques similaires sont accessibles sur le site de l'INSEE.

  

  De nombreuses variations de ces tracés peuvent être générés à partir du lien contenu dans cette illustration — par exemple des détails sur les pics COVID successifs en choisissant les années 2018 à 2023. Un autre exemple, illustré ci-dessous, démontre la diminution régulière de la différence d'âge au moment du décès entre hommes et femmes, qui est passée de 9 ans en 2000 à 7 ans aujourd'hui, un rythme d'environ une année par décennie — et si la tendance se confirme, les âges au décès devraient s'égaler entre hommes et femmes avant la fin du siècle… À noter toutefois le pic à 10 ans lors de la canicule de 2003. Cette différence est également sujette à des variations saisonnières : elle est plus marquée en hiver.

  

• la fréquence des patronymes: environ un million de patronymes différents, sont trouvés, dont 147 sont présents au moins 10000 fois. et représentent à eux seuls plus de 10% (10.33%) du nombre total. En d'autres termes, plus de 10% de la population concernée portent 0.013% des patronymes différents, ou bien encore, en moyenne, 36 personnes dans une petite ville de 10000 habitants s'appellent Martin...