electricsheepafrica/africa-ilo-emp-nifl-sex-edu-mts-nb-informal-employment-by-sex-education-and-marital-s

该数据集名为“按性别、教育和婚姻状况划分的非正规就业（千人）|非洲（ILOSTAT）”，包含63,389个观测值，覆盖45个非洲国家，时间跨度为1999年至2025年。数据集聚焦于非正规经济领域，具体指标为EMP_NIFL_SEX_EDU_MTS_NB，即按性别、教育和婚姻状况划分的非正规就业人数（以千人为单位）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取，并经过处理以仅包含非洲国家。数据集结构包括多个列，如国家代码（ref_area）、指标代码（indicator）、性别（sex）、教育分类（classif1）、婚姻状况分类（classif2）、年份（time）、观测值（obs_value）等，支持按性别、教育水平和婚姻状况进行细分分析。数据为年度频率，并包含数据质量标志（如不可靠状态）。该数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的机器学习就绪数据层，适用于表格分类、回归和时间序列预测等任务。license: CC BY 4.0（知识共享署名4.0） language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 10000<n<100000 tags: - 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 pretty_name: "按性别、教育程度与婚姻状况划分的非正规就业人数（单位：千人）| 非洲（ILOSTAT）" # 按性别、教育程度与婚姻状况划分的非正规就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **63,389 条观测样本** · **45 个非洲国家** · **1999–2025 年** · *由 [Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新整理发布*      ## 快速概览（TL;DR） 本数据集包含覆盖**45个非洲国家、1999–2025年**的**非正规经济**相关数据，共计**63,389条观测样本**，仅包含**1个核心指标**。 ## 关于数据源 **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、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）的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、机构调查以及行政记录，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**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EDU_MTS_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（`https://rplumber.ilo.org/data/indicator?id=EMP_NIFL_SEX_EDU_MTS_NB`）拉取数据，并筛选出非洲地区的ISO 3166-1 阿尔法-3国家编码对应的样本。ILOSTAT采用国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行标准化协调；数据来源信息会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 覆盖45个非洲国家，以下按数据行数排序展示部分国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 10,007 | 2000 | 2024 | | `EGY` | 4,269 | 2008 | 2024 | | `MUS` | 3,954 | 2012 | 2024 | | `MLI` | 3,325 | 2013 | 2024 | | `RWA` | 2,943 | 2017 | 2025 | | `AGO` | 2,751 | 2004 | 2025 | | `ZMB` | 2,647 | 2017 | 2024 | | `SEN` | 2,502 | 2011 | 2024 | | `ZWE` | 2,470 | 2011 | 2024 | | `BWA` | 2,280 | 2006 | 2024 | | `UGA` | 2,159 | 2010 | 2021 | | `CIV` | 1,900 | 2012 | 2022 | | `NAM` | 1,713 | 2012 | 2018 | | `GMB` | 1,313 | 2012 | 2025 | | `BFA` | 1,276 | 2018 | 2024 | | ... | 另有30个国家 | | | ## 指标（示例） - `EMP_NIFL_SEX_EDU_MTS_NB` — 按性别、教育程度与婚姻状况划分的非正规就业人数（单位：千人） ## 数据结构（Schema） | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 阿尔法-3国家代码 | `AGO` | | `ref_area.label` | `string` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英语数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_NIFL_SEX_EDU_MTS_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、教育程度……划分的非正规就业人数` | | `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` | 维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `教育程度（聚合级别）：总计` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 分类变量说明 | `婚姻状况（聚合级别）：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） | `13214.118` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `不可靠` | | `note_classif` | `string` | 分类备注代码 | `C3:2620` | | `note_classif.label` | `string` | 分类备注说明 | `非标准教育水平：包含……` | | `note_indicator` | `string` | 指标备注代码 | `I11:264` | | `note_indicator.label` | `string` | 指标备注说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源备注代码 | `R1:3513` | | `note_source.label` | `string` | 数据源备注说明 | `存储库：ILO统计司-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，本数据集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填充非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-edu-mts-nb-informal-employment-by-sex-education-and-marital-s") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列可视化 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_EDU_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_EDU_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_EDU_MTS_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_edu_mts_nb_informal_employment_by_sex_education_and_marital_s_2025, title = {按性别、教育程度与婚姻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_EDU_MTS_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-edu-mts-nb-informal-employment-by-sex-education-and-marital-s}} } ## 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，以Parquet格式打包发布，并采用统一的数据集卡片格式，使研究人员与开发者可以通过`load_dataset()`函数在数秒内开始使用数据。 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_EDU_MTS_NB_