electricsheepafrica/africa-ilo-une-tune-sex-ocu-nb-unemployment-of-previously-employed-persons-by-sex

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的非洲地区失业统计数据，专门针对先前就业人员按性别和先前职业划分的失业人数（单位：千人）这一指标。数据集涵盖26个非洲国家从1970年至2025年的年度观测数据，共计5,706条记录。核心指标代码为UNE_TUNE_SEX_OCU_NB，数据按性别（总计、男性、女性）和职业分类进行细分。数据集以表格形式呈现，包含国家代码、年份、指标值、数据来源、观测状态和质量注释等字段。数据经过ILO统一方法 harmonisation 处理，采用国际劳工统计学家会议（ICLS）定义，确保国际可比性。数据集由Electric Sheep Africa重新打包，旨在为非洲研究提供机器学习就绪的数据层。This dataset contains unemployment statistics for Africa from the ILOSTAT database of the International Labour Organization (ILO), specifically for the indicator Unemployment of previously employed persons by sex and former occupation (thousands). It includes 5,706 annual observations across 26 African countries spanning 1970–2025. The core indicator code is UNE_TUNE_SEX_OCU_NB, with disaggregation by sex (total, male, female) and occupational classification. The data is presented in tabular format with columns for country code, year, indicator value, data source, observation status, and quality notes. Data is harmonized by the ILO using International Conference of Labour Statisticians (ICLS) definitions for international comparability. Repackaged by Electric Sheep Africa to provide an ML-ready data layer for Africa research.

搜集汇总

数据集介绍

构建方式

该数据集源自国际劳工组织统计数据库（ILOSTAT），由Electric Sheep Africa进行标准化整理与重新封装。原始数据经采集、清洗与结构化转换后，以Parquet列式格式存储，涵盖非洲26个国家自1970年至2025年间共计5,706条观测记录，聚焦于曾就业人员按性别与既往职业分类的失业规模（以千人为单位）。数据构建过程中保留了缺失值以维护原始统计完整性，并附有标准化的元数据说明与来源溯源信息，确保分析者能够在可复现的工作流中追溯变量定义、单位与统计口径。

特点

该数据集以非洲区域劳动力市场为焦点，兼具时间跨度长、覆盖国别广、分类维度细致等特征。其核心变量围绕失业人数按性别与前职业类别展开，适用于刻画结构性失业的性别差异与职业流动轨迹。数据以表格与文本模态呈现，规模属于千级至万级区间，采用CC BY 4.0开放许可，便于学术研究与政策分析引用。标准化元数据标签涵盖经济学、金融、就业与失业等主题，为跨数据集的联合分析与发现提供了索引基础。

使用方法

使用者可通过Hugging Face的datasets库以load_dataset函数直接加载该数据集，获取数据集的划分与特征结构。对于表格型数据，可进一步转换为Pandas数据框以便进行统计分析、缺失值探查与可视化建模。建议在建模前检查各变量的定义、单位及地理标识，明确国家与年份字段的覆盖范围，并在合并其他Electric Sheep Africa数据集时依据显式国家、年份与指标字段进行连接。分析过程中应保留原始缺失值，避免在缺乏可靠依据时进行插补，同时在成果中引用原始来源与仓库地址。

背景与挑战

背景概述

非洲大陆的劳动力市场长期面临结构性失业与就业不稳定并存的困境，厘清曾就业人口的失业规模及其与前职业之间的关联，对于理解劳动力市场动态与制定就业政策具有关键意义。国际劳工组织（ILO）依托其ILOSTAT数据库，长期以来为全球劳动统计提供权威数据支撑。Electric Sheep Africa于2026年基于ILOSTAT数据编制了该数据集，涵盖26个非洲国家、1970至2025年间共5,706条观测记录，按性别与前职业分类呈现曾就业人员的失业人数（以千计）。该数据集为非洲劳动经济学研究提供了跨国、长时段的可复现数据基础，有助于分析失业结构与性别差异。

当前挑战

该数据集所回应的领域问题在于非洲曾就业人口失业状况的精细化测度，传统劳动统计往往仅关注总体失业率，而难以揭示性别与前职业维度的异质性。构建过程中的主要挑战包括：元数据中country与upstream_publisher字段存在缺失，地理覆盖依赖标题或来源元数据推断，需在分析中明确假设；各变量定义、单位与统计方法需回溯ILOSTAT原始资料加以确认，避免仅凭标签推断政策含义；1970至2025年的长时段数据可能面临口径调整与缺失值问题，需在建模前审慎评估缺失模式并保留原始缺失以保证分析的可辩护性。

常用场景

经典使用场景

在劳动经济学与非洲区域发展研究的交汇处，该数据集为刻画失业者既往职业身份与性别结构提供了标准化面板资源。研究者依托其覆盖二十六国、横跨一九七〇至二零二五年的五千余条观测，可系统比较不同前职业类别下男女失业规模的历时变迁，进而揭示产业结构调整与劳动力市场排斥之间的关联。其表格化格式便于直接用于分类与回归建模，成为探查非洲失业异质性的基准素材。

解决学术问题

该数据集有效回应了非洲劳动力市场研究中长期存在的性别与职业维度数据稀缺问题。既往跨国失业分析常受制于指标口径不一与时间断点，而此数据集以国际劳工组织统计标准为锚，将失业者按前职业与性别分列，使学者得以检验性别歧视、职业隔离及结构转型对失业持续性的影响。其意义在于为比较政治经济学与就业政策评估提供可复现的证据基础，推动了非洲劳动统计的透明化。

衍生相关工作

围绕该数据集已衍生出若干典型研究脉络。其一，学者将其与非洲各国GDP、制造业就业份额等宏观指标联结，探讨结构转型与失业持续性的关系。其二，机器学习研究者利用其表格结构开展失业率预测与异常检测，构建区域劳动力市场预警模型。其三，Electric Sheep Africa以此为组件发布了一系列非洲公开数据集的元数据清单，推动了非洲数据发现与互操作研究，形成可复用的数据工程范式。