electricsheepafrica/africa-ilo-pop-xwap-sex-geo-dsb-nb-working-age-population-by-sex-rural-urban-areas-an

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的非洲地区劳动年龄人口统计数据，具体指标为按性别、城乡地区和残疾状况划分的劳动年龄人口（千人）。数据集涵盖37个非洲国家，时间跨度为2006年至2025年，共包含2769个观测值。数据通过ILOSTAT REST API获取，并经过统一处理，包含国家代码、年份、性别分类（总计、男性、女性）、城乡地区分类、残疾状况分类以及观测值等字段。数据集适用于表格分类、回归和时间序列预测等任务，重点关注非洲人口与劳动统计。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： - 1000 < 样本数 < 10000 标签： - 表格数据 - 非洲 - ILOSTAT（国际劳工组织统计数据库） - 人口 - 国际劳工组织（ILO） - 劳工 - 就业 美观名称："按性别、城乡区域与残疾状况划分的劳动年龄人口（单位：千人）| 非洲（ILOSTAT）" # 按性别、城乡区域与残疾状况划分的劳动年龄人口（单位：千人）| 非洲（ILOSTAT） 🌍 **共2769条观测值** · **覆盖37个非洲国家** · **时间跨度为2006–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 简短摘要 本数据集包含**覆盖37个非洲国家的人口数据**共**2769条观测值**，时间跨度为**2006–2025年**，仅涵盖**1项核心指标**。 ## 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，为全球领先的劳工统计权威数据源。其收录指标涵盖就业、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，数据来源于全国劳动力调查、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司负责数据的标准化整合。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_XWAP_SEX_GEO_DSB_NB) - **发布方**：国际劳工组织（International Labour Organization, ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：人口 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=POP_XWAP_SEX_GEO_DSB_NB`拉取，并筛选出非洲地区的ISO3国家代码。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）的定义对原始调查微观数据进行标准化整合；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 37个非洲国家 · 以下按数据行数排序展示前若干条记录： | 国家（ISO3代码） | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 270 | 2014 | 2025 | | `ZMB` | 223 | 2015 | 2024 | | `GHA` | 216 | 2010 | 2024 | | `SEN` | 189 | 2015 | 2024 | | `ZWE` | 162 | 2014 | 2024 | | `TGO` | 108 | 2006 | 2022 | | `TZA` | 108 | 2008 | 2020 | | `GMB` | 108 | 2012 | 2025 | | `UGA` | 108 | 2010 | 2021 | | `CIV` | 108 | 2016 | 2022 | | `BFA` | 81 | 2019 | 2024 | | `NGA` | 81 | 2011 | 2019 | | `SWZ` | 81 | 2016 | 2023 | | `LSO` | 62 | 2019 | 2024 | | `NER` | 54 | 2019 | 2022 | | ... | _另外22个国家_ | | | ## 指标示例 - `POP_XWAP_SEX_GEO_DSB_NB` — 按性别、城乡区域与残疾状况划分的劳动年龄人口（单位：千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `Angola` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英文来源名称 | `PC - Population Census` | | `indicator` | `string` | ILOSTAT 指标代码 | `POP_XWAP_SEX_GEO_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Working-age population by sex, rural …` | | `sex` | `string` | 性别分组维度（`SEX_T`=总计，`SEX_M`=男性，`SEX_F`=女性） | `SEX_T` | | `sex.label` | `string` | 分组维度文字说明 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `GEO_COV_NAT` | | `classif1.label` | `string` | 第一分类变量文字说明 | `Area type: National` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | 第二分类变量文字说明 | `Disability status: Total` | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `13437.666` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `B` | | `obs_status.label` | `string` | 观测状态文字说明 | `Break in series` | | `note_classif` | `float64` | 分类变量注释 | `—` | | `note_classif.label` | `float64` | 分类变量注释说明 | `—` | | `note_indicator` | `string` | 指标注释代码 | `I11:264` | | `note_indicator.label` | `string` | 指标注释说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 来源注释代码 | `R1:3513` | | `note_source.label` | `string` | 来源注释说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 数据分组维度 以下字段提供数据分组维度： - **`sex`**（共3种唯一取值）：`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来源时，将采用国际劳工组织选定的“最佳来源”数据。 - 分组维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-pop-xwap-sex-geo-dsb-nb-working-age-population-by-sex-rural-urban-areas-an") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列 python sample = (df[df["indicator"] == "POP_XWAP_SEX_GEO_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="POP_XWAP_SEX_GEO_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "POP_XWAP_SEX_GEO_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_pop_xwap_sex_geo_dsb_nb_working_age_population_by_sex_rural_urban_areas_an_2025, title = {"按性别、城乡区域与残疾状况划分的劳动年龄人口（单位：千人）| 非洲（ILOSTAT)"}, author = {"国际劳工组织（International Labour Organization, ILO)"}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_XWAP_SEX_GEO_DSB_NB}, publisher = {"HuggingFace Datasets, repackaged by Electric Sheep Africa"}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-pop-xwap-sex-geo-dsb-nb-working-age-population-by-sex-rural-urban-areas-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（International Labour Organization, ILO）所有。使用本数据集时，请同时引用上述原始来源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在为HuggingFace平台上的非洲地区构建统一、适配机器学习的标准化数据层。我们从权威开源数据源获取数据，对schema进行标准化处理，打包为Parquet格式，并发布格式统一的数据集卡片，以便研究人员与开发者可通过`load_dataset()`函数在数秒内启动工作。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) _数据溯源：2026年5月26日通过Electric Sheep数据流水线获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_XWAP_SEX_GEO_DSB_NB

搜集汇总

数据集介绍

构建方式

该数据集脱胎于国际劳工组织统计数据库（ILOSTAT）的原始统计记录，经Electric Sheep Africa团队按照统一的元数据规范重新封装而成。原始数据涵盖2006年至2025年间37个非洲国家的劳动力市场观测值，共2,769条记录，聚焦于按性别、城乡区域及残疾状况分组的劳动年龄人口规模。重打包过程保留源数据的数值精度与缺失模式，并以Parquet列式格式存储，辅以标准化元数据标注，使数据集在Hugging Face平台上具备可复现的加载路径与明确的数据溯源信息。

特点

数据集以非洲区域为地理范畴，覆盖37个国家近二十年的劳动年龄人口统计，具备时间跨度的连续性与地理维度的广泛性。其核心特征在于多维交叉分类：性别、城乡居住地、残疾状态三个维度交织，揭示劳动力供给的结构性差异。数据以千人为计量单位，规模适中（1K至10K区间），适合表格分类与回归任务。标签体系涵盖劳工、就业、人口等主题，为经济学与金融领域的非洲数据探索提供标准化入口。

使用方法

研究者可借助Hugging Face的datasets库以单行代码加载该数据集，通过load_dataset函数获取数据对象后，可检查特征结构、划分训练与测试子集，或转换为Pandas数据框进行统计分析。建议在建模前审视各变量的缺失值与单位定义，利用显式的国家、年份与指标字段与其他Electric Sheep Africa数据集进行联接。下游分析应保留原始缺失值直至确立合理的插补规则，并可参考README中的溯源信息构建可引用的分析笔记。

背景与挑战

背景概述

在全球劳动力市场统计中，按性别、城乡及残疾状况细分的工作年龄人口数据是衡量包容性增长与社会保障覆盖率的关键依据。国际劳工组织（ILO）长期通过ILOSTAT数据库推动此类指标的标准化采集，但非洲地区因统计能力参差、城乡二元结构显著以及残疾定义差异，长期存在数据碎片化与覆盖缺口。Electric Sheep Africa于2026年将ILOSTAT中2006至2025年间37个非洲国家的2769条观测记录进行元数据标准化与Parquet格式重封装，形成该数据集。其核心研究问题在于揭示非洲工作年龄人口在性别、居住地和残疾状态交叉维度上的结构性分布，为劳动参与率测算、无障碍政策评估及城乡就业差距分析提供可复现的基础数据层，对非洲劳动经济学与残障包容政策研究具有显著的基准性影响。

当前挑战

该数据集所涉领域问题的挑战源于非洲劳动力统计中多维交叉分类的固有复杂性：性别、城乡与残疾状态的三重分层使各单元格样本量急剧收缩，导致估计值易受抽样波动干扰，而残疾状况在各国调查中的操作化定义差异进一步削弱了跨国可比性。构建过程中的挑战同样显著，ILOSTAT原始数据存在报告周期不齐、缺失值模式非随机及部分国家指标口径变更等问题，元数据标准化需在不篡改数值的前提下协调异质来源，同时保留缺失标识以供下游建模审慎处理。此外，部分国家城乡分类标准随行政区划调整而变动，无形中增加了时间序列一致性维护的难度。

常用场景

经典使用场景

在劳动经济学与人口统计学的交叉领域中，该数据集凭借其按性别、城乡地域及残疾状况精细划分的非洲劳动年龄人口规模数据，构成了剖析非洲劳动力市场结构性差异的基石。研究者通常将其作为基准面板，用以量化性别鸿沟、城乡二元分化以及残疾群体在劳动参与上的系统性劣势，进而揭示非洲大陆内部劳动力供给的异质性图景。

解决学术问题

该数据集有效缓解了非洲劳动统计中长期存在的数据碎片化与维度缺失难题，使得针对性别、城乡与残疾状态三重边缘化叠加效应的实证检验成为可能。它推动了包容性增长、非正规就业分布及人口红利测算等议题的定量研究，为比较不同非洲国家的劳动力结构转型提供了标准化观测尺度，对制定基于证据的社会保护政策具有显著的方法论意义。

衍生相关工作

依托该数据集，研究者已衍生出多类经典工作，包括非洲残疾劳动力市场排斥指数的构建、城乡女性劳动参与率的时空收敛分析，以及基于性别与地域交互项的就业弹性估计。此外，与其他Electric Sheep Africa目录下的ILOSTAT数据集进行国家—年份键合后，形成了探讨非洲非正规经济与人口结构变迁的系列研究，显著拓展了劳动统计数据的二次分析边界。