electricsheepafrica/africa-ilo-emp-temp-sex-eco-mts-nb-employment-by-sex-economic-activity-and-marital-st

该数据集包含了非洲49个国家从1982年至2025年的就业数据，具体指标为“按性别、经济活动和婚姻状况划分的就业人数（以千计）”。数据集共有94,669个观测值，源自国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并经过处理，仅包含非洲地区的数据。数据字段包括国家代码、年份、指标值、性别分类（总计、男性、女性）、经济活动和婚姻状况分类等，适用于表格分类、回归和时间序列预测等任务。数据集以CC-BY-4.0许可证发布，由Electric Sheep Africa重新打包，旨在为非洲提供机器学习就绪的数据层。许可证：CC BY 4.0 语言： - 英语 任务类别： - 表格分类 - 表格回归 - 时间序列预测 多语言属性：单语言 样本量范围： - 10000 < 样本数 < 100000 标签： - 表格数据 - 非洲 - ILOSTAT - 就业 - 国际劳工组织（International Labour Organization） - 劳工 展示名称："按性别、经济活动与婚姻状况划分的就业人数（单位：千人）| 非洲（ILOSTAT）" --- # 按性别、经济活动与婚姻状况划分的就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **94,669 条观测值** · **49个非洲国家** · **1982–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 核心摘要 本数据集包含覆盖49个非洲国家、时间跨度为1982至2025年的就业相关数据，共计**94,669条观测值**，涵盖**1项独立指标**。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库）** 是国际劳工组织（International Labour Organization，ILO）的核心统计数据库，也是全球领先的劳工统计权威来源。其收录涵盖就业、失业、薪资、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标（SDG）体面工作目标等多类指标，数据源自全国劳动力调查、家庭收入调查、机构调查与行政记录。该数据库覆盖200余个经济体，由国际劳工组织统计部门负责数据的标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_ECO_MTS_NB) - **发布方**：国际劳工组织（ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：就业 ## 数据处理方法 本数据集直接从ILOSTAT的REST API接口 `https://rplumber.ilo.org/data/indicator?id=EMP_TEMP_SEX_ECO_MTS_NB` 拉取原始数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家编码对应的数据。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians，ICLS）制定的定义对原始调查微观数据进行标准化协调；数据来源信息将在`source.label`列中标记，以确保可追溯性。 ## 地理覆盖范围 49个非洲国家 · 以下为按样本量排序的前15个国家： | 国家（ISO3编码） | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 8,709 | 2000 | 2024 | | `MUS` | 7,317 | 2001 | 2024 | | `EGY` | 6,064 | 2008 | 2024 | | `TUN` | 5,437 | 2005 | 2023 | | `GHA` | 4,030 | 1991 | 2024 | | `MLI` | 3,803 | 2009 | 2024 | | `AGO` | 3,581 | 2004 | 2025 | | `BWA` | 3,344 | 1996 | 2024 | | `RWA` | 3,198 | 2014 | 2025 | | `SYC` | 3,061 | 2014 | 2024 | | `TZA` | 2,728 | 2001 | 2024 | | `ZMB` | 2,698 | 2015 | 2024 | | `TGO` | 2,391 | 2006 | 2022 | | `ZWE` | 2,370 | 2011 | 2024 | | `SEN` | 2,330 | 2011 | 2024 | | ... | 其余34个国家 | | | ## 指标（示例） - `EMP_TEMP_SEX_ECO_MTS_NB` — 按性别、经济活动与婚姻状况划分的就业人数（单位：千人） ## 数据结构 | 列名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家编码 | `AGO` | | `ref_area.label` | `string` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT数据源编码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英语数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT指标编码 | `EMP_TEMP_SEX_ECO_MTS_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、经济活动划分的就业人数……` | | `sex` | `string` | 性别细分维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `ECO_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `经济活动（大类）：总计` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `婚姻状况（汇总）：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `13984.984` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列断点：方法学修订` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：国际劳工组织统计微观数据……` | ## 细分维度 以下列提供数据细分维度： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 数据为年度频率。部分指标同时发布月度或季度序列，本数据集未包含此类数据。 - 当同一国家×年份的同一指标存在多个数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分列（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-temp-sex-eco-mts-nb-employment-by-sex-economic-activity-and-marital-st") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_TEMP_SEX_ECO_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_ECO_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_ECO_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_temp_sex_eco_mts_nb_employment_by_sex_economic_activity_and_marital_st_2025, title = {按性别、经济活动与婚姻状况划分的就业人数（单位：千人）| 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_ECO_MTS_NB}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-temp-sex-eco-mts-nb-employment-by-sex-economic-activity-and-marital-st}} } ## 许可证 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。 原始数据版权归国际劳工组织（ILO）所有。使用本数据集时，请同时引用上述原始数据源与Electric Sheep Africa的重新封装版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：在HuggingFace平台上构建统一的、可直接用于机器学习的非洲地区数据层。我们从权威开源数据源拉取数据，标准化数据结构，以Parquet格式封装，并发布为格式统一的数据集卡片，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据分析工作。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月25日通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_ECO_MTS_NB_