electricsheepafrica/africa-ilo-emp-nifl-sex-age-ins-rt-informal-employment-rate-by-sex-age-and-public-pri

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的非洲非正规就业率数据，涵盖45个非洲国家从1999年至2025年的25,845个观测值。核心指标为按性别、年龄和公共/私营部门划分的非正规就业率（%）（指标代码：EMP_NIFL_SEX_AGE_INS_RT）。数据按性别（总计、男性、女性）、年龄组和机构部门等维度进行细分，并包含国家代码、数据来源、观测年份、数值及数据质量标志等信息。数据集适用于表格分类、回归分析和时间序列预测等机器学习任务，旨在为非洲劳动力市场研究提供标准化的数据支持。--- 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 多语言类型：单语言 样本量范围： - 10000 < 样本量 < 100000 标签： - 表格数据 - 非洲 - ILOSTAT - 非正规经济 - ILO - 劳工 - 就业 友好名称："分性别、年龄及公共/私营部门的非正规就业率（%）| 非洲（ILOSTAT）" --- # 分性别、年龄及公共/私营部门的非正规就业率（%）| 非洲（ILOSTAT） 🌍 **25845条观测值** · **45个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## TL;DR 本数据集包含覆盖45个非洲国家、1999至2025年的25845条非正规经济相关观测值，仅包含1项独立指标。 ## 数据源说明 **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）体面工作目标等多项指标，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录，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。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_AGE_INS_RT) - **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_AGE_INS_RT`拉取数据，并筛选出非洲国家的ISO 3166-1 alpha-3国别代码。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协调，数据溯源信息将记录在`source.label`字段中以保证可追溯性。 ## 地理覆盖范围 45个非洲国家，以下按观测行数排序展示前15个国家： | 国家代码 | 观测行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 3,371 | 2000 | 2024 | | `EGY` | 1,623 | 2008 | 2024 | | `MUS` | 1,596 | 2012 | 2024 | | `MLI` | 1,288 | 2013 | 2024 | | `AGO` | 1,203 | 2004 | 2025 | | `RWA` | 1,203 | 2017 | 2025 | | `ZWE` | 1,107 | 2011 | 2024 | | `UGA` | 1,106 | 2010 | 2021 | | `SEN` | 1,064 | 2011 | 2024 | | `ZMB` | 990 | 2017 | 2024 | | `BWA` | 929 | 2006 | 2024 | | `CIV` | 743 | 2012 | 2022 | | `NAM` | 652 | 2012 | 2018 | | `SYC` | 604 | 2019 | 2024 | | `BFA` | 551 | 2018 | 2024 | | ... | 其余30个国家 | | | ## 指标（示例） - `EMP_NIFL_SEX_AGE_INS_RT` — 分性别、年龄及公共/私营部门的非正规就业率（%） ## 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 国别代码 | `AGO` | | `ref_area.label` | `string` | 英文国名 | `安哥拉` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文来源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_AGE_INS_RT` | | `indicator.label` | `string` | 英文指标名称 | `分性别、年龄及公共/私营部门的非正规就业率` | | `sex` | `string` | 按性别细分（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 维度标签 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 分类变量标签 | `年龄（青年、成年）：15岁及以上` | | `classif2` | `string` | 可选第二分类变量 | `INS_SECTOR_TOTAL` | | `classif2.label` | `string` | 分类变量标签 | `机构部门：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位参见指标定义） | `94.488` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标签 | `不可靠` | | `note_classif` | `float64` | 分类变量备注 | `—` | | `note_classif.label` | `float64` | 备注标签 | `—` | | `note_indicator` | `string` | 指标相关备注 | `I11:264` | | `note_indicator.label` | `string` | 备注标签 | `序列中断：方法学修订` | | `note_source` | `string` | 来源相关备注 | `R1:3513` | | `note_source.label` | `string` | 备注标签 | `存储库：ILO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 - 数据为年度频率，部分指标另有月度或季度序列，本数据集未收录。 - 当同一国家×年份存在多个来源的同一指标数据时，将采用国际劳工组织选定的“最优来源”数据。 - 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-age-ins-rt-informal-employment-rate-by-sex-age-and-public-pri") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单一指标的时间序列分析 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_AGE_INS_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_AGE_INS_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_AGE_INS_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_age_ins_rt_informal_employment_rate_by_sex_age_and_public_pri_2025, title = {分性别、年龄及公共/私营部门的非正规就业率（%）| 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_AGE_INS_RT}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-age-ins-rt-informal-employment-rate-by-sex-age-and-public-pri}} } ## 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的重新整理版本。 ## 关于Electric Sheep 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，标准化数据结构，以Parquet格式封装，并发布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25日通过Electric Sheep流水线摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_AGE_INS_RT_