electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-edu-rt-informal-employment-rate-by-sex-occupation-and-edu

该数据集包含94,831个观测值，覆盖43个非洲国家，时间跨度为1999年至2025年，核心指标是按性别、职业和教育程度划分的非正规就业率（%）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API直接获取，并过滤为非洲国家代码。数据集涵盖了非正规经济领域的就业统计，包括按性别（总计、男性、女性）、职业（技能水平）和教育程度（聚合水平）等维度进行细分。数据结构包括国家代码、年份、观测值、数据来源、指标代码、分类变量等列，并包含数据质量说明和用法示例。数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的、机器学习就绪的数据层。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 样本规模： - 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） - 劳动力 - 就业 数据集友好名称："按性别、职业和教育程度划分的非正规就业率（%）| 非洲（ILOSTAT）" # 按性别、职业和教育程度划分的非正规就业率（%）| 非洲（ILOSTAT） 🌍 **94,831 条观测值** · **43 个非洲国家** · **1999–2025** · *由 [Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新整理*      ## 核心摘要 本数据集包含**94,831条观测值**，涵盖**43个非洲国家**的**非正规经济**相关数据，时间跨度为**1999–2025年**，仅包含**1个独立指标**。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库）** 是ILO（国际劳工组织，International Labour Organization）的核心统计数据库，也是全球领先的劳动力统计权威来源。其收录指标覆盖就业、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）体面工作目标等领域，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。该数据库覆盖超过200个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_EDU_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 ## 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_EDU_RT` 拉取原始数据，并筛选出属于非洲的ISO 3166-1 alpha-3（ISO 3166-1 阿尔法-3）国家代码对应的样本。ILOSTAT采用ICLS（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协调；数据来源信息将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 43个非洲国家，下表按观测行数排序展示前15个国家，剩余28个国家未完全列出： | 国家代码 | 观测行数 | 起始年份 | 结束年份 | |---|---:|---:|---:| | `ZAF` | 16,365 | 2000 | 2024 | | `MUS` | 6,224 | 2012 | 2024 | | `EGY` | 5,932 | 2009 | 2024 | | `AGO` | 5,161 | 2004 | 2025 | | `MLI` | 5,008 | 2013 | 2024 | | `RWA` | 4,131 | 2017 | 2025 | | `ZMB` | 4,108 | 2017 | 2024 | | `ZWE` | 3,630 | 2011 | 2024 | | `SEN` | 3,525 | 2015 | 2024 | | `UGA` | 3,435 | 2010 | 2021 | | `BWA` | 3,275 | 2006 | 2024 | | `NAM` | 2,393 | 2012 | 2018 | | `GMB` | 2,210 | 2012 | 2025 | | `BFA` | 2,084 | 2018 | 2024 | | `CIV` | 1,955 | 2016 | 2022 | | ... | _其余28个国家_ | | | ## 指标示例 - `EMP_NIFL_SEX_OCU_EDU_RT` — 按性别、职业和教育程度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 | |---|---|---|---| | `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（Angola）` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文来源名称 | `LFS - 就业调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_OCU_EDU_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、职业和教育程度划分的非正规就业率（%）` | | `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` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | — | `职业（技能水平）：总计` | | `classif2` | `string` | 可选第二分类变量 | `EDU_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `教育程度（综合水平）：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（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `非标准教育水平：包含…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学已修订` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：ILO-STATISTICS - 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，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来源时，将采用国际劳工组织选定的“最优来源”数据。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-edu-rt-informal-employment-rate-by-sex-occupation-and-edu") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_EDU_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_OCU_EDU_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_EDU_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_ocu_edu_rt_informal_employment_rate_by_sex_occupation_and_edu_2025, title = {按性别、职业和教育程度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_OCU_EDU_RT}, publisher = {HuggingFace Datasets, 由Electric Sheep Africa重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-edu-rt-informal-employment-rate-by-sex-occupation-and-edu}} } ## 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的重新整理版本。 ## 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、可供机器学习使用的非洲数据层。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，并发布为统一格式的数据集卡片，以便研究人员和开发者仅需使用`load_dataset()`即可在数秒内启动工作。 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数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_EDU_RT_