electricsheepafrica/africa-ilo-emp-dwap-sex-edu-cbr-rt-employment-to-population-ratio-by-sex-education-an

这是一个关于非洲34个国家（1991年至2025年）按性别、教育程度和出生地划分的就业人口比率（百分比）的表格数据集。数据集包含5,766个观测值，涵盖一个核心指标（EMP_DWAP_SEX_EDU_CBR_RT），数据源自国际劳工组织（ILO）的ILOSTAT统计数据库。数据以年度频率提供，包括国家代码、年份、指标值、性别分类（总计、男性、女性）、教育程度和出生地分类等列，并附有数据来源和质量注释。许可证：CC BY 4.0 语言： - 英语 任务类别： - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 多语言属性：单语言（monolingual） 数据规模： - 1000 < 样本数 < 10000 标签： - 表格数据（tabular） - 非洲（africa） - 国际劳工组织统计数据库（ILOSTAT） - 国际移民存量（international-migrant-stock） - 国际劳工组织（ILO） - 劳工（labour） - 就业（employment） 美观名称："按性别、教育程度和出生地划分的就业人口比率（%）| 非洲（ILOSTAT）" # 按性别、教育程度和出生地划分的就业人口比率（%）| 非洲（ILOSTAT） 🌍 **5,766 条观测值** · **34 个非洲国家** · **1991–2025 年** · *由 [Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新整理发布*      ## 内容摘要 本数据集包含**5766条观测值**，涵盖**34个非洲国家**的`国际移民存量`数据，时间跨度为**1991–2025年**，仅包含**1项核心指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的中央统计数据库，是全球领先的劳工统计权威来源。其收录涵盖就业、失业、工资、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）体面工作目标等多项指标，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录，覆盖全球200余个经济体，由国际劳工组织（ILO）统计司负责数据的标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_CBR_RT) - **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**：国际移民存量 ## 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_DWAP_SEX_EDU_CBR_RT` 拉取原始数据，并筛选出非洲国家的ISO 3166-1 alpha-3国别代码子集。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）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`字段中标注，以保证可追溯性。 ## 地理覆盖范围 34个非洲国家，以下按数据行数排序展示部分国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `GHA` | 583 | 1991 | 2024 | | `AGO` | 399 | 2009 | 2025 | | `ZMB` | 376 | 2017 | 2024 | | `RWA` | 361 | 2014 | 2025 | | `ZWE` | 307 | 2014 | 2024 | | `MWI` | 289 | 2005 | 2024 | | `TZA` | 277 | 2008 | 2024 | | `UGA` | 264 | 2010 | 2021 | | `LBR` | 247 | 2010 | 2017 | | `GMB` | 221 | 2012 | 2025 | | `EGY` | 181 | 2008 | 2011 | | `MLI` | 174 | 2020 | 2024 | | `KEN` | 152 | 2019 | 2022 | | `BEN` | 146 | 2011 | 2022 | | `BFA` | 135 | 2018 | 2024 | | ... | _其余19个国家_ | | | ## 指标示例 - `EMP_DWAP_SEX_EDU_CBR_RT` — 按性别、教育程度和出生地划分的就业人口比率（%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国别代码 | `AGO` | | `ref_area.label` | `string` | 英文国名 | `Angola` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `LFS - 就业调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_DWAP_SEX_EDU_CBR_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、教育程度和出生地划分的就业人口比率…` | | `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` | 细分维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 第一分类变量说明 | `教育程度（聚合层级）：总计` | | `classif2` | `string` | 可选第二分类变量 | `CBR_BIR_TOTAL` | | `classif2.label` | `string` | 第二分类变量说明 | `出生地：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） | `66.617` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 观测状态说明 | `不可靠` | | `note_classif` | `string` | 分类说明标记 | `C3:2620` | | `note_classif.label` | `string` | 分类说明详情 | `非标准教育程度：包含……` | | `note_indicator` | `string` | 指标说明标记 | `I11:264` | | `note_indicator.label` | `string` | 指标说明详情 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源说明标记 | `R1:3513` | | `note_source.label` | `string` | 数据源说明详情 | `存储库：ILO-STATISTICS - 微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，部分指标的月度或季度序列未包含在内。 - 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（ILO）选定的「最优数据源」。 - 细分维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-dwap-sex-edu-cbr-rt-employment-to-population-ratio-by-sex-education-an") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单一指标的时间序列可视化 python sample = (df[df["indicator"] == "EMP_DWAP_SEX_EDU_CBR_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_DWAP_SEX_EDU_CBR_RT") ### 转换为国别×年份矩阵 python matrix = (df[df["indicator"] == "EMP_DWAP_SEX_EDU_CBR_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_dwap_sex_edu_cbr_rt_employment_to_population_ratio_by_sex_education_an_2025, title = {Employment-to-population ratio by sex, education and place of birth (%) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_CBR_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-dwap-sex-edu-cbr-rt-employment-to-population-ratio-by-sex-education-an}} } ## 许可证 本数据集采用 [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 许可证发布。 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及Electric Sheep Africa的重新整理版本。 ## 关于 Electric Sheep Electric Sheep Africa 是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适配机器学习的非洲数据层。我们从权威开源数据源获取数据，对数据schema进行标准化处理，打包为Parquet格式，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使用。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) _数据溯源：2026-05-25 通过Electric Sheep流水线 ingest。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_CBR_RT_