electricsheepafrica/africa-ilo-emp-nifl-sex-eco-dsb-nb-informal-employment-by-sex-economic-activity-and-d

该数据集包含非洲31个国家2007年至2025年期间的非正规就业统计数据，单位为千。数据涵盖性别、经济活动和残疾状况三个维度的分类，具体指标为按性别、经济活动和残疾状况分类的非正规就业（千）。数据集共包含8,421个观测值，来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并经过标准化处理。数据以年度频率提供，包含国家代码、指标代码、分类变量、观测年份、观测值及数据状态等字段。--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 1K<n<10K tags: - tabular - africa - ilostat - informal-economy - ilo - labour - employment pretty_name: "按性别、经济活动与残疾状况划分的非正规就业人数（单位：千人）| 非洲（ILOSTAT）" --- # 按性别、经济活动与残疾状况划分的非正规就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **8,421条观测样本** · **31个非洲国家** · **2007–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 核心摘要 本数据集包含**8,421条观测样本**的`非正规经济`数据，覆盖**31个非洲国家**，时间跨度为**2007–2025年**，包含**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）的核心统计数据库，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、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）的体面工作目标等，数据源自全国劳动力调查、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整合。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_ECO_DSB_NB) - **发布方**：国际劳工组织（ILO） - **许可协议**：[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_ECO_DSB_NB`拉取原始数据，并筛选出非洲地区的ISO3国家代码对应的条目。ILOSTAT依据国际劳工统计学家会议（International Conference of Labour Statisticians）的定义对原始调查微观数据进行标准化整合；数据来源会在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 31个非洲国家，以下按观测行数排序展示部分样本： | 国家代码 | 观测行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 928 | 2017 | 2025 | | `SEN` | 690 | 2015 | 2024 | | `ZWE` | 681 | 2014 | 2024 | | `ZMB` | 663 | 2018 | 2024 | | `BWA` | 628 | 2019 | 2024 | | `UGA` | 429 | 2010 | 2021 | | `GMB` | 428 | 2012 | 2025 | | `TZA` | 333 | 2014 | 2024 | | `CIV` | 329 | 2016 | 2022 | | `SYC` | 328 | 2019 | 2024 | | `SWZ` | 318 | 2016 | 2023 | | `EGY` | 237 | 2023 | 2024 | | `LBR` | 227 | 2010 | 2017 | | `GHA` | 223 | 2013 | 2015 | | `LSO` | 213 | 2019 | 2024 | | ... | _另有16个国家_ | | | ## 指标（样本） - `EMP_NIFL_SEX_ECO_DSB_NB` — 按性别、经济活动与残疾状况划分的非正规就业人数（单位：千人） ## 数据架构 | 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 | `BEN` | | `ref_area.label` | `string` | 英文国家名称 | `Benin` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BB:426` | | `source.label` | `string` | 英文数据源名称 | `HIES - Monitoring Survey of the Modul…` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_ECO_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Informal employment by sex, economic …` | | `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` | — | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `ECO_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `Economic activity (Broad sector): Total` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | — | `Disability status: Total` | | `time` | `int64` | 观测年份 | `2022` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `5246.107` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `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，但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-emp-nifl-sex-eco-dsb-nb-informal-employment-by-sex-economic-activity-and-d") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_ECO_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_ECO_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_ECO_DSB_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_eco_dsb_nb_informal_employment_by_sex_economic_activity_and_d_2025, title = "按性别、经济活动与残疾状况划分的非正规就业人数（单位：千人）| 非洲（ILOSTAT）", author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_ECO_DSB_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Africa重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-eco-dsb-nb-informal-employment-by-sex-economic-activity-and-d}} } ## 许可协议 本数据集采用[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/)许可协议发布。 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与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep 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、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Schema进行标准化处理，打包为Parquet格式，并以统一的数据集卡片形式发布，使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：2026-05-25通过Electric Sheep流水线获取。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_ECO_DSB_NB_