electricsheepafrica/africa-ilo-emp-pifl-sex-edu-dsb-nb-employment-outside-the-formal-sector-by-sex-educat

该数据集包含非洲30个国家在2005年至2025年间的非正规经济就业数据，共3,496个观测值，涵盖性别、教育程度和残疾状况等多个维度的分类。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，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许可发布，由Electric Sheep Africa重新打包，便于机器学习使用。--- license: cc-by-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: - 1K<n<10K tags: - 表格数据 - 非洲 - ilostat - 非正规经济 - ilo - 劳动 - 就业 pretty_name: "按性别、受教育程度与残疾状况划分的非正规部门就业人数（单位：千人） | 非洲（ILOSTAT）" --- # 按性别、受教育程度与残疾状况划分的非正规部门就业人数（单位：千人） | 非洲（ILOSTAT） 🌍 **3,496条观测数据** · **30个非洲国家** · **2005–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## TL;DR 本数据集包含**3,496条观测数据**，覆盖**30个非洲国家**、时间跨度为**2005–2025年**的`非正规经济`相关数据，共涵盖**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（International Labour Organization, ILO）的核心统计数据库，也是全球领先的劳动统计权威来源。其收录的指标涵盖就业、失业、薪酬、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，数据源自全国劳动力调查、家庭收入调查、机构调查与行政记录，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整合。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_EDU_DSB_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接口`https://rplumber.ilo.org/data/indicator?id=EMP_PIFL_SEX_EDU_DSB_NB`拉取原始数据，并筛选出非洲国家的ISO 3166-1 alpha-3国别代码子集。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整合；数据溯源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 30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 | |---------|-----:|-----------:|----------:| | `RWA` | 362 | 2017 | 2025 | | `ZMB` | 333 | 2018 | 2024 | | `ZWE` | 287 | 2014 | 2024 | | `SEN` | 277 | 2015 | 2024 | | `BWA` | 237 | 2019 | 2024 | | `GMB` | 185 | 2012 | 2025 | | `UGA` | 183 | 2010 | 2021 | | `TZA` | 147 | 2014 | 2024 | | `CIV` | 145 | 2016 | 2022 | | `SYC` | 131 | 2019 | 2024 | | `SWZ` | 109 | 2016 | 2023 | | `ETH` | 99 | 2005 | 2021 | | `LSO` | 99 | 2019 | 2024 | | `LBR` | 89 | 2010 | 2017 | | `GHA` | 88 | 2013 | 2015 | | ... | _另有15个国家_ | | | ## 指标（示例） - `EMP_PIFL_SEX_EDU_DSB_NB` — 按性别、受教育程度与残疾状况划分的非正规部门就业人数（单位：千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国别代码 | `BEN` | | `ref_area.label` | `string` | 英文国名 | `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_PIFL_SEX_EDU_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Employment outside the formal sector …` | | `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、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Education (Aggregate levels): 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） | `5209.906` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `Nonstandard education level: Includin…` | | `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…` | ## 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，但本数据集未收录此类数据。 - 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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会被填充非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-pifl-sex-edu-dsb-nb-employment-outside-the-formal-sector-by-sex-educat") 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_PIFL_SEX_EDU_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_EDU_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_EDU_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_pifl_sex_edu_dsb_nb_employment_outside_the_formal_sector_by_sex_educat_2025, title = {按性别、受教育程度与残疾状况划分的非正规部门就业人数（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_PIFL_SEX_EDU_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-pifl-sex-edu-dsb-nb-employment-outside-the-formal-sector-by-sex-educat}} } ## 许可证 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：致力于在HuggingFace平台上构建统一的、适配机器学习的非洲数据层。我们从权威开放数据源获取数据，对数据结构进行标准化处理，以Parquet格式打包，并发布格式统一的数据集卡片，使研究人员与开发者仅需通过`load_dataset()`即可在数秒内启动数据开发工作。 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数据管道摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_EDU_DSB_NB_