electricsheepafrica/africa-ilo-how-xees-sex-ocu-dsb-nb-mean-weekly-hours-actually-worked-per-employee-by

该数据集包含非洲28个国家从2005年至2025年的员工平均每周实际工作小时数数据，共有3,153个观测值。核心指标为HOW_XEES_SEX_OCU_DSB_NB，即按性别、职业和残疾状况划分的员工平均每周实际工作小时数。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，涵盖国家包括卢旺达、津巴布韦、赞比亚、塞内加尔、博茨瓦纳、加纳等。数据集结构包含国家代码、年份、性别分类（总计、男性、女性）、职业分类、残疾状况分类、观测值及数据状态等字段。数据为年度频率，经过ILO统一处理，并标注了数据来源和质量标志。该数据集由Electric Sheep Africa重新打包，旨在为非洲提供机器学习就绪的数据层。license: cc-by-4.0 language: - en task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语言 size_categories: - 1K<n<10K tags: - 表格数据 - 非洲 - ILOSTAT - 工作时长 - 国际劳工组织（ILO） - 劳工 - 就业 pretty_name: "按性别、职业与残疾状况划分的非洲雇员实际周平均工作时长 | 非洲（ILOSTAT）" --- # 按性别、职业与残疾状况划分的非洲雇员实际周平均工作时长 | 非洲（ILOSTAT） 🌍 **3,153条观测数据** · **28个非洲国家** · **2005–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 快速摘要 本数据集包含覆盖28个非洲国家、时间跨度为2005–2025年的**3,153条工作时长**相关观测数据，仅包含**1项核心指标**。 ## 数据源 **国际劳工组织统计数据库（ILOSTAT）**是国际劳工组织（ILO）的官方中央统计数据库，也是全球领先的劳工统计权威来源。其收录的指标涵盖就业、失业、薪酬、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（Sustainable Development Goals, SDG）体面工作目标等领域，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，覆盖全球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=HOW_XEES_SEX_OCU_DSB_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**：工作时长 ## 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=HOW_XEES_SEX_OCU_DSB_NB`拉取数据，并筛选出非洲地区的ISO3国家代码。ILOSTAT依据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协调，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 28个非洲国家，以下为按行数排序的前14个国家示例： | 国家 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 347 | 2014 | 2025 | | `ZWE` | 247 | 2014 | 2024 | | `ZMB` | 243 | 2018 | 2024 | | `SEN` | 234 | 2015 | 2024 | | `BWA` | 221 | 2019 | 2024 | | `GHA` | 220 | 2013 | 2024 | | `TZA` | 159 | 2010 | 2024 | | `SYC` | 149 | 2019 | 2024 | | `GMB` | 147 | 2012 | 2025 | | `UGA` | 139 | 2010 | 2021 | | `ETH` | 125 | 2005 | 2021 | | `SWZ` | 102 | 2016 | 2023 | | `LSO` | 80 | 2019 | 2024 | | `CIV` | 80 | 2016 | 2017 | | `LBR` | 74 | 2010 | 2017 | | ... | _其余13个国家_ | | | ## 指标（示例） - `HOW_XEES_SEX_OCU_DSB_NB` — 按性别、职业与残疾状况划分的雇员实际周平均工作时长 ## 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国家代码 | `BFA` | | `ref_area.label` | `string` | 英文国家名称 | `Burkina Faso` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:904` | | `source.label` | `string` | 英文数据源名称 | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT指标代码 | `HOW_XEES_SEX_OCU_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Mean weekly hours actually worked per…` | | `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` | 维度说明 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `Occupation (Skill level): Total` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | 分类变量说明 | `Disability status: Total` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `51.2` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `Unreliable` | | `note_indicator` | `string` | 指标相关备注代码 | `I11:264` | | `note_indicator.label` | `string` | 备注说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 数据源相关备注代码 | `R1:3513` | | `note_source.label` | `string` | 备注说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 数据细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，部分指标同时发布月度或季度序列，此类数据未纳入本数据集。 - 当同一国家×年份存在多个数据源时，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-how-xees-sex-ocu-dsb-nb-mean-weekly-hours-actually-worked-per-employee-by") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "HOW_XEES_SEX_OCU_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_XEES_SEX_OCU_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_XEES_SEX_OCU_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_how_xees_sex_ocu_dsb_nb_mean_weekly_hours_actually_worked_per_employee_by_2025, title = {Mean weekly hours actually worked per employee by sex, occupation and disability status | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_OCU_DSB_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-how-xees-sex-ocu-dsb-nb-mean-weekly-hours-actually-worked-per-employee-by}} } ## 许可证 本数据集基于[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。 原始数据 © 国际劳工组织（ILO）。使用本数据集时，请同时引用上述原始数据源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep项目的组成部分：该项目旨在HuggingFace平台上构建统一的、可供机器学习使用的非洲地区数据层。我们从权威开放数据源获取数据，对其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，方便研究人员与开发者通过`load_dataset()`函数在数秒内启动研究工作。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据来源追溯：2026-05-27通过Electric Sheep管道摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_OCU_DSB_NB_

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（ILO）的ILOSTAT统计数据库，聚焦于非洲地区雇员周平均实际工作时间的多维分层信息。构建过程通过ILOSTAT提供的REST API接口直接抽取原始指标数据，并依据非洲ISO3国家代码进行地域筛选，最终整合为包含3153条观测记录的表格型数据集。数据覆盖28个非洲国家，时间跨度从2005年至2025年，ILO统计部门依照国际劳动统计学家会议（ICLS）定义对各国劳动力调查、住户收入调查等微观数据进行统一协调与清洗，确保指标口径的一致性。数据集中每条记录均标注了来源标识（source.label），便于用户追溯原始调查资料，实现了从异构源头到标准化结构的可复现转换。

特点

该数据集的核心特色在于其精细的多维分层结构，围绕'性别（sex）'、'职业（occupation）'与'残疾状况（disability status）'三个维度展开，提供了比常规汇总指标更为深入的劳动力市场洞察。数据包含唯一的核心指标HOW_XEES_SEX_OCU_DSB_NB，并以16个规范列记录信息，其中ref_area、sex、classif1、classif2等分类变量允许用户按国家、性别、技能等级和残疾状态进行灵活的子集筛选。此外，数据集中内置了观测状态标志（obs_status）与断点注释（note_indicator），如'不可靠'或'方法修订'等标识，为研究者评估数据质量和识别统计口径变化提供了直接依据，增强了时间序列分析的科学严谨性。

使用方法

使用者可通过HuggingFace Datasets库的load_dataset()函数一键加载数据，并利用to_pandas()方法将数据集转换为pandas DataFrame进行后续分析。典型应用场景包括按国家过滤（如df[df['ref_area'] == 'KEN']）获取特定区域的子集，或针对单一指标按照时间排序绘制时序折线图以观察周工作时间的变化趋势。更高级的用法包括利用pivot_table函数构建以年份为行、国家为列的透视矩阵，便于进行跨国横向对比。由于数据已按性别、职业和残疾状况分层，研究者可进一步结合分组聚合操作，解析不同社会群体在工作时长上的差异，适用于劳动经济学、社会政策评估及可持续发展目标（SDG）相关的研究任务。

背景与挑战

背景概述

国际劳工组织（ILO）作为全球劳动统计的权威来源，其ILOSTAT数据库系统性地收集了涵盖200多个经济体的劳动力市场指标。该数据集由Electric Sheep Africa于2025年重新整理并发布于HuggingFace平台，聚焦于非洲大陆28个国家2005至2025年间按性别、职业和残疾状况分层的雇员平均每周实际工作小时数。核心研究问题在于揭示非洲劳动力市场中不同人口群体的工作时间差异，为评估体面劳动目标及政策干预提供量化依据。这一精细化分层的数据资源对于理解非洲大陆就业质量、性别平等以及残疾人口融入劳动力市场的进程具有重要推动作用，尤其填补了该区域在此细分维度上的数据空白。

当前挑战

该数据集所解决的领域问题核心在于劳动经济学中工作时间测量的精细化与可比性挑战。传统宏观指标往往掩盖了性别、职业层级与残疾状况导致的工时差异，而该数据集通过提供多维交叉分类，使研究者能够深入剖析非洲劳动力市场的不平等结构。在构建过程中，面临的挑战包括：不同国家劳动力调查在定义“实际工作时间”上的方法论差异，ILO虽基于国际劳工统计学家会议标准进行协调，但部分年份存在方法修订导致的序列断裂；数据来源多元（如家庭调查与机构调查），其可靠性与代表性参差不齐，需通过状态标记进行甄别；此外，非洲国家数据稀疏性显著，部分国家观测区间短且存在缺失年份，给时间序列分析与跨区域比较带来了局限性。

常用场景

经典使用场景

该数据集汇集了来自ILOSTAT的非洲28个国家2005至2025年间雇员平均每周实际工作小时数，并按性别、职业技能水平和残疾状态进行细致分层。其经典使用场景涵盖时间序列分析、面板数据回归和分类任务，研究者可借此捕捉劳动工时在人口亚群间的异质性演变轨迹，例如追踪某一国家男性与女性劳动者在特定职业中的工时差异随年份的波动态势。

实际应用

在实际应用层面，该数据集可作为国际组织、政府统计部门和智库开展劳动市场监测与评估的核心数据源。例如，ILO可以依据其中的时序变化评估非洲各国在可持续发展目标第八项（体面工作和经济增长）上的进展；国家统计局可借助性别与残疾状态的分组数据，检测本国就业政策对弱势群体的覆盖效果；商业研究机构亦能利用该数据预测特定行业的人力供给趋势，辅助人力资源规划。

衍生相关工作

基于该数据集，学界已催生出一系列衍生研究，包括构建非洲劳动工时的贝叶斯分层模型以处理稀疏观测和缺失值，开发融合国家固定效应与时间趋势的面板预测框架，以及设计针对分类分层数据的多标签分类器用于识别异常工时模式。此外，该数据常与ILOSTAT中的工资、就业率等指标联用，共同支撑关于劳动力市场弹性与结构性转型的综合建模工作。