electricsheepafrica/africa-ilo-emp-nifl-sex-est-mts-rt-informal-employment-rate-by-sex-establishment-size

该数据集包含非洲40个国家从2000年至2025年的非正规就业率数据，共有40,844个观测值，涵盖1个核心指标：按性别、机构规模和婚姻状况分类的非正规就业率（%）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲地区。数据集字段包括国家代码、国家名称、数据来源、指标代码、性别分类（总计、男性、女性）、机构规模分类、婚姻状况分类、年份、观测值及其状态等，支持表格分类、回归和时间序列预测任务。数据已由Electric Sheep Africa重新打包为机器学习就绪格式。--- 许可证：CC BY 4.0 语言： - 英语 任务类别： - 表格分类任务 - 表格回归任务 - 时间序列预测任务 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（国际劳工组织统计数据库） - 非正规经济 - ILO（国际劳工组织） - 劳工 - 就业 数据集展示名称："按性别、企业规模和婚姻状况划分的非正规就业率（%）| 非洲（ILOSTAT）" --- # 按性别、企业规模和婚姻状况划分的非正规就业率（%）| 非洲（ILOSTAT） 🌍 **共40844条观测记录** · **覆盖40个非洲国家** · **时间跨度2000–2025年** · *由 [Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新封装发布*      ## TL;DR 本数据集包含覆盖40个非洲国家、时间跨度为2000-2025年的非正规经济相关数据，共计40844条观测记录，涉及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（ILO）的中央统计数据库，为全球领先的劳工统计数据来源。其收录的统计指标涵盖就业、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）体面工作目标等范畴，数据来源于全国劳动力调查、家庭收入调查、企业调查及行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **数据源地址**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_MTS_RT) - **出版方**：国际劳工组织（ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **研究主题**：非正规经济 ## 数据处理方法 数据直接从ILOSTAT的REST API接口 `https://rplumber.ilo.org/data/indicator?id=EMP_NIFL_SEX_EST_MTS_RT` 拉取，并筛选出非洲地区的ISO3国家代码。ILOSTAT依据国际劳工统计会议（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 共覆盖40个非洲国家，以下为按记录数排序的前15个国家： | 国家（ISO3代码） | 记录数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 8,608 | 2000 | 2024 | | `MLI` | 3,051 | 2013 | 2024 | | `EGY` | 2,941 | 2008 | 2023 | | `AGO` | 2,519 | 2004 | 2025 | | `SEN` | 2,078 | 2015 | 2024 | | `BWA` | 1,904 | 2019 | 2024 | | `ZMB` | 1,417 | 2017 | 2024 | | `RWA` | 1,386 | 2017 | 2020 | | `NAM` | 1,209 | 2012 | 2018 | | `SYC` | 1,057 | 2019 | 2024 | | `CIV` | 1,050 | 2012 | 2019 | | `MDG` | 995 | 2012 | 2022 | | `ZWE` | 921 | 2011 | 2019 | | `GMB` | 887 | 2012 | 2025 | | `BFA` | 849 | 2018 | 2024 | | ... | _其余25个国家_ | | | ## 指标说明（示例） - `EMP_NIFL_SEX_EST_MTS_RT` — 按性别、企业规模和婚姻状况划分的非正规就业率（%） ## 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 国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `安哥拉` | | `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 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_EST_MTS_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、企业规模和婚姻状况划分的非正规就业率` | | `sex` | `string` | 性别细分标签（`SEX_T`=总计，`SEX_M`=男性，`SEX_F`=女性） | `SEX_T` | | `sex.label` | `string` | 性别细分中文说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `EST_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 第一分类变量中文说明 | `企业规模（总计）` | | `classif2` | `string` | 第二分类变量（如适用） | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 第二分类变量中文说明 | `婚姻状况（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） | `94.488` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 观测状态中文说明 | `不可靠` | | `note_indicator` | `string` | 指标注释代码 | `I11:264` | | `note_indicator.label` | `string` | 指标注释说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源注释代码 | `R1:3513` | | `note_source.label` | `string` | 数据源注释说明 | `存储库：ILO统计数据库 - 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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才非空。 ## 使用示例 python from datasets import load_dataset # 加载数据集并转换为Pandas数据框 ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-est-mts-rt-informal-employment-rate-by-sex-establishment-size") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python # 筛选国家代码为KEN（肯尼亚）的记录 kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列可视化 python # 筛选指定指标并按年份排序 sample = (df[df["indicator"] == "EMP_NIFL_SEX_EST_MTS_RT"] .sort_values("time")) # 绘制时间序列折线图 sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_EST_MTS_RT") ### 转换为国家×年份透视矩阵 python # 将数据透视为以年份为行、国家代码为列的矩阵 matrix = (df[df["indicator"] == "EMP_NIFL_SEX_EST_MTS_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_nifl_sex_est_mts_rt_informal_employment_rate_by_sex_establishment_size_2025, title = {按性别、企业规模和婚姻状况划分的非正规就业率（%）| 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_MTS_RT}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-est-mts-rt-informal-employment-rate-by-sex-establishment-size}} } ## 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的重新封装版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep项目的组成部分，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，对数据结构进行标准化处理，封装为Parquet格式，并发布为格式统一的数据集卡片，以便研究人员和开发者仅需调用`load_dataset()`即可在数秒内开始工作。 可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流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_MTS_RT_