electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-ins-nb-informal-employment-by-sex-occupation-and-public-p

该数据集包含24,051个观测值，涉及非正规经济数据，覆盖43个非洲国家，时间跨度为1999年至2025年，涵盖1个具体指标：按性别、职业和公共/私营部门划分的非正规就业（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，通过API获取并经过过滤处理，包含国家代码、性别分类、职业分类、观测年份和数值等字段，适用于表格分类、回归和时间序列预测等任务。数据集以CC-BY-4.0许可证发布，由Electric Sheep Africa重新打包，旨在为非洲提供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 多语言属性：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 - 国际劳工组织（ILO） - 劳工 - 就业 美观名称："按性别、职业及公/私部门划分的非正规就业（单位：千人）| 非洲（ILOSTAT）" # 按性别、职业及公/私部门划分的非正规就业（单位：千人）| 非洲（ILOSTAT） 🌍 **24,051条观测数据** · **43个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## 核心摘要（TL;DR） 本数据集包含**24,051条非正规经济相关观测数据**，覆盖**43个非洲国家**，时间跨度为**1999–2025年**，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）体面工作目标等，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。 - 数据源：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_INS_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（`https://rplumber.ilo.org/data/indicator?id=EMP_NIFL_SEX_OCU_INS_NB`）拉取原始数据，并筛选出非洲国家的ISO 3166-1 alpha-3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, ICLS）**的定义对原始调查微观数据进行标准化协调；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 43个非洲国家，以下按行数排序展示前10个国家： | 国家 | 行数 | 首年 | 末年 | |---------|-----:|-----------:|----------:| | `ZAF` | 3,560 | 2000 | 2024 | | `MUS` | 1,607 | 2012 | 2024 | | `EGY` | 1,464 | 2009 | 2024 | | `AGO` | 1,287 | 2004 | 2025 | | `MLI` | 1,273 | 2013 | 2024 | | `ZWE` | 1,101 | 2011 | 2024 | | `RWA` | 1,048 | 2017 | 2025 | | `UGA` | 1,000 | 2010 | 2021 | | `ZMB` | 969 | 2017 | 2024 | | `BWA` | 902 | 2006 | 2024 | | `SEN` | 869 | 2015 | 2024 | | `NAM` | 706 | 2012 | 2018 | | `SYC` | 541 | 2019 | 2024 | | `BFA` | 527 | 2018 | 2024 | | `CIV` | 494 | 2016 | 2022 | | ... | _另有28个国家_ | | | ## 指标示例 - `EMP_NIFL_SEX_OCU_INS_NB` — 按性别、职业及公/私部门划分的非正规就业（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 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_NIFL_SEX_OCU_INS_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、职业……` | | `sex` | `string` | 性别分组（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 无额外说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | 无额外说明 | `职业（技能水平）：总计` | | `classif2` | `string` | 可选第二分类变量 | `INS_SECTOR_TOTAL` | | `classif2.label` | `string` | 无额外说明 | `机构部门：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（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 无额外说明 | `不可靠` | | `note_classif` | `float64` | 无额外说明 | `—` | | `note_classif.label` | `float64` | 无额外说明 | `—` | | `note_indicator` | `string` | 无额外说明 | `I11:264` | | `note_indicator.label` | `string` | 无额外说明 | `序列中断：方法学修订` | | `note_source` | `string` | 无额外说明 | `R1:3513` | | `note_source.label` | `string` | 无额外说明 | `存储库：国际劳工组织统计数据库-微观数据……` | ## 分解维度 以下字段提供数据分解维度： - **`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，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”。 - 分解字段（`sex`、`classif1`、`classif2`）仅在指标支持对应分解时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-ins-nb-informal-employment-by-sex-occupation-and-public-p") df = ds["train"].to_pandas() print(df.head()) ### 单国家数据筛选 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_OCU_INS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_OCU_INS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_INS_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_ins_nb_informal_employment_by_sex_occupation_and_public_p_2025, title = {Informal employment by sex, occupation and public/private sector (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_INS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-ins-nb-informal-employment-by-sex-occupation-and-public-p}} } ## 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的重新整理工作。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在为HuggingFace平台上的非洲数据构建统一、适配机器学习的数据层。我们从权威开源数据源拉取数据，对数据架构进行标准化，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年5月25日通过Electric Sheep流水线摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_INS_NB_