electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-est-nb-informal-employment-by-sex-occupation-and-establis

该数据集包含非洲37个国家从2000年至2025年的非正规就业数据，共有39,473个观测值，核心指标为按性别、职业和企业规模划分的非正规就业人数（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并专门过滤为非洲国家数据。数据集采用表格格式，包含国家代码、指标代码、性别分类（总计、男性、女性）、职业分类、企业规模分类、观测年份、观测值等字段，并包含数据来源、观测状态和相关注释信息。数据经过ILO harmonisation处理，遵循国际劳工统计学家会议（ICLS）定义，适用于表格分类、回归和时间序列预测等任务。--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 10K<n<100K tags: - tabular - africa - ilostat - informal-economy - ilo - labour - employment pretty_name: "按性别、职业和企业规模划分的非正规就业（千人） | 非洲（ILOSTAT）" --- # 按性别、职业和企业规模划分的非正规就业（千人） | 非洲（ILOSTAT） 🌍 **39,473条观测数据** · **37个非洲国家** · **2000–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## TL;DR 速览 本数据集包含覆盖37个非洲国家、时间跨度为2000–2025年的**39,473条非正规经济相关观测数据**，仅包含1项独立指标。 ## 数据源说明 **ILOSTAT**是国际劳工组织（International Labour Organization, ILO）的中央统计数据库，是全球领先的劳动统计权威来源。其整合了就业、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体面工作目标等领域的指标，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200余个经济体，由国际劳工组织统计司负责数据标准化工作。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_EST_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**：非正规经济 ## 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_NIFL_SEX_OCU_EST_NB`获取数据，并筛选出非洲地区的ISO3国家编码对应的样本。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处理；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 覆盖37个非洲国家，以下为按数据行数排序的前14个国家及其余22个国家的汇总： | 国家 | 行数 | 首年 | 末年 | |---------|-----:|-----------:|----------:| | `ZAF` | 8,717 | 2000 | 2024 | | `MLI` | 2,819 | 2013 | 2024 | | `EGY` | 2,796 | 2009 | 2023 | | `AGO` | 2,696 | 2004 | 2025 | | `SEN` | 1,983 | 2015 | 2024 | | `BWA` | 1,982 | 2006 | 2024 | | `ZMB` | 1,582 | 2017 | 2024 | | `NAM` | 1,270 | 2012 | 2018 | | `RWA` | 1,074 | 2017 | 2020 | | `SYC` | 1,015 | 2019 | 2024 | | `MDG` | 921 | 2012 | 2022 | | `ZWE` | 872 | 2011 | 2019 | | `BFA` | 857 | 2018 | 2024 | | `COD` | 854 | 2005 | 2020 | | `GMB` | 845 | 2012 | 2025 | | ... | _其余22个国家_ | | | ## 指标示例 - `EMP_NIFL_SEX_OCU_EST_NB` — 按性别、职业和企业规模划分的非正规就业（千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | 字符串 | ISO 3166-1 alpha-3国家代码 | `AGO` | | `ref_area.label` | 字符串 | 英语国家名称 | `安哥拉` | | `source` | 字符串 | ILOSTAT来源代码（如劳动力调查） | `BA:13951` | | `source.label` | 字符串 | 英语来源名称 | `劳动力调查（LFS）` | | `indicator` | 字符串 | ILOSTAT指标代码 | `EMP_NIFL_SEX_OCU_EST_NB` | | `indicator.label` | 字符串 | 英语指标名称 | `按性别、职业和企业规模划分的非正规就业……` | | `sex` | 字符串 | 性别细分维度（`SEX_T`=总计，`SEX_M`=男性，`SEX_F`=女性） | `SEX_T` | | `sex.label` | 字符串 | — | `总计` | | `classif1` | 字符串 | 第一分类变量（年龄、教育程度、就业状态等） | `OCU_SKILL_TOTAL` | | `classif1.label` | 字符串 | — | `职业（技能水平）：总计` | | `classif2` | 字符串 | 可选第二分类变量 | `EST_AGGREGATE_TOTAL` | | `classif2.label` | 字符串 | — | `企业规模（汇总）：总计` | | `time` | int64 | 观测年份 | `2025` | | `obs_value` | float64 | 观测指标值（单位见指标定义） | `13214.118` | | `obs_status` | 字符串 | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | 字符串 | — | `不可靠` | | `note_classif` | float64 | — | `—` | | `note_classif.label` | float64 | — | `—` | | `note_indicator` | 字符串 | — | `I11:264` | | `note_indicator.label` | 字符串 | — | `序列中断：方法学修订` | | `note_source` | 字符串 | — | `R1:3513` | | `note_source.label` | 字符串 | — | `存储库：国际劳工组织统计微观数据……` | ## 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，此类数据未包含在本数据集中。 - 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。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-est-nb-informal-employment-by-sex-occupation-and-establis") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_EST_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_OCU_EST_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_EST_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_nifl_sex_ocu_est_nb_informal_employment_by_sex_occupation_and_establis_2025, title = {Informal employment by sex, occupation and establishment size (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_EST_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-est-nb-informal-employment-by-sex-occupation-and-establis}} } ## 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来源及Electric Sheep Africa的重新整理工作。 ## 关于Electric Sheep Africa 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，以便研究人员和开发者可通过`load_dataset()`函数在数秒内启动数据使用工作。 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数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_EST_NB_