electricsheepafrica/africa-ilo-une-deap-sex-edu-rt-unemployment-rate-by-sex-and-education

该数据集包含非洲49个国家从1982年至2025年的失业率数据，重点关注按性别和教育程度划分的失业率百分比。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取并过滤为非洲国家代码，使用国际劳工统计学家会议（ICLS）定义进行标准化处理。数据集共有10,841个观测值，涵盖一个核心指标“UNE_DEAP_SEX_EDU_RT”，即失业率按性别和教育程度（%）的统计。数据结构包括国家代码、年份、性别分类（总计、男性、女性）、教育程度分类、观测值及其状态标志等列，数据为年度频率。该数据集由Electric Sheep Africa重新打包，旨在为非洲提供机器学习就绪的数据层，便于研究人员和开发者快速加载和分析。--- license: CC BY 4.0（知识共享署名4.0协议） language: - 英语（en） task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语（monolingual） size_categories: - 10000 < 样本量 < 100000 tags: - 表格数据（tabular） - 非洲（africa） - ILOSTAT - 失业率（unemployment） - 国际劳工组织（International Labour Organization, ILO） - 劳动力（labour） - 就业（employment） pretty_name: "按性别和教育程度划分的失业率（%）| 非洲（ILOSTAT）" --- # 按性别和教育程度划分的失业率（%）| 非洲（ILOSTAT） 🌍 **10841条观测数据** · **49个非洲国家** · **1982–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 核心摘要 本数据集包含覆盖49个非洲国家、时间跨度为1982至2025年的**10841条失业相关观测数据**，仅包含**1项核心指标**。 ## 关于数据源 **ILOSTAT**（国际劳工组织统计数据库）是国际劳工组织（International Labour Organization, ILO）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）体面工作目标等多个领域，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，覆盖200余个经济体，由国际劳工组织统计部门负责数据的统一规范处理。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_DEAP_SEX_EDU_RT) - **发布方**：国际劳工组织（International Labour Organization, ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：失业问题 ## 方法论 本数据集直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=UNE_DEAP_SEX_EDU_RT`拉取原始数据，并筛选出非洲国家的ISO 3166-1 alpha-3国家代码子集。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）定义对原始调查微观数据进行统一规范处理；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 覆盖49个非洲国家，以下为按数据行数排序的前15个国家示例： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|---------:|-----------:|----------:| | `ZAF` | 1,165 | 2000 | 2024 | | `MUS` | 779 | 2001 | 2001 | 2024 | | `EGY` | 685 | 2008 | 2024 | | `MLI` | 471 | 2009 | 2024 | | `AGO` | 464 | 2004 | 2025 | | `GHA` | 459 | 1991 | 2024 | | `RWA` | 378 | 2014 | 2025 | | `TUN` | 376 | 2005 | 2023 | | `ZMB` | 350 | 2015 | 2024 | | `SEN` | 312 | 2011 | 2024 | | `BWA` | 294 | 2006 | 2024 | | `BFA` | 262 | 2006 | 2024 | | `TGO` | 261 | 2006 | 2022 | | `TZA` | 258 | 2001 | 2024 | | `UGA` | 244 | 2010 | 2021 | | ... | 其余34个国家 | | | ## 指标（示例） - `UNE_DEAP_SEX_EDU_RT` — 按性别和教育程度划分的失业率（%） ## 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 国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `Angola` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查编号） | `BA:13951` | | `source.label` | `string` | 英文来源名称 | `LFS - Employment Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `UNE_DEAP_SEX_EDU_RT` | | `indicator.label` | `string` | 英文指标名称 | `Unemployment rate by sex and educatio…` | | `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、就业状态等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | —— | `Education (Aggregate levels): Total` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `10.391` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | —— | `Unreliable` | | `note_classif` | `string` | —— | `C3:3710` | | `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…` | ## 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` ## 数据质量与使用限制 - 本数据集为年度频率数据，部分指标同时发布月度或季度序列，但未纳入本次整理范围。 - 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时才会非空。 ## 数据使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-une-deap-sex-edu-rt-unemployment-rate-by-sex-and-education") 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"] == "UNE_DEAP_SEX_EDU_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_DEAP_SEX_EDU_RT") ### 转换为国家×年份数据矩阵 python matrix = (df[df["indicator"] == "UNE_DEAP_SEX_EDU_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用方式 bibtex @misc{africa_ilo_une_deap_sex_edu_rt_unemployment_rate_by_sex_and_education_2025, title = {按性别和教育程度划分的失业率（%）| 非洲（ILOSTAT)}, author = {国际劳工组织（International Labour Organization, ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_DEAP_SEX_EDU_RT}, 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-une-deap-sex-edu-rt-unemployment-rate-by-sex-and-education}} } ## 授权协议 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。 原始数据版权归国际劳工组织（International Labour Organization, 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、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schema进行标准化处理，打包为Parquet格式，并发布为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年5月26日通过Electric Sheep数据管道摄入。原始数据源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_DEAP_SEX_EDU_RT_

搜集汇总

数据集介绍

构建方式

该数据集源自国际劳工组织统计数据库（ILOSTAT）这一全球劳动力统计的权威来源，由Electric Sheep Africa团队对其进行标准化再封装。原始数据覆盖49个非洲国家自1982年至2025年的失业率观测记录，总计10,841条，按性别与教育程度两个维度进行交叉分类。构建过程遵循元数据驱动的工程规范，对来源数据统一字段命名、补充溯源注释并生成Parquet格式文件，同时保留缺失值以待下游分析者依据具体研究设计进行处理。

使用方法

研究者可通过Hugging Face datasets库以load_dataset函数直接加载该数据集，获取包含特征信息与样本预览的数据对象，并在需要时转换为Pandas数据框以进行表格化操作。建议在使用前审视仓库文件与数据查看器，核实变量定义、单位及地理编码方式，尤其应注意国家字段在元数据中的声明情况。对于缺失值，宜在建立可辩护的插补规则之前予以保留。该数据集可与其他Electric Sheep Africa数据集按国家、年份及指标字段进行连接，以支撑可复现的计量分析与比较研究。

背景与挑战

背景概述

在劳动经济学与发展经济学交叉领域，非洲劳动力市场的性别与教育维度长期缺乏系统性的跨国可比数据。国际劳工组织（ILO）通过ILOSTAT数据库持续采集全球劳动力统计指标，Electric Sheep Africa在此基础上于2026年整理并发布该数据集，覆盖49个非洲国家、1982年至2025年的失业率观测值，共计10,841条记录，按性别与教育程度分层。该数据集回应了非洲失业结构异质性与人力资本回报差异等核心研究问题，为跨国面板分析、政策评估与机器学习建模提供了标准化的数据基础，对非洲劳动市场研究与数据驱动决策具有重要支撑意义。

当前挑战

该数据集所面对的领域问题，在于揭示非洲失业率在性别与教育维度上的结构性差异及其时空演变规律，而非洲各国劳动力调查方法、教育分类标准与统计口径存在显著异质性，跨国可比性因此受到制约。构建过程中的挑战集中体现在数据标准化与元数据完整性上：原始ILOSTAT指标需按性别与教育分层重新组织，缺失值处理与单位一致性校验尤为关键；同时，仓库元数据中country与upstream_publisher字段存在缺口，地理信息仅能依托标题或来源元数据间接推断，要求下游分析明确记录此类假设，以避免因标签推断而产生误读。

常用场景

经典使用场景

在国际劳动经济学与非洲发展研究的交叉领域，该数据集以其跨性别与教育维度的失业率面板特征，成为刻画非洲劳动力市场结构性分化的经典工具。其覆盖1982至2025年、49个非洲国家的10841条观测，使研究者得以在性别×教育程度的双重分层框架下，系统比较不同人力资本群体的失业风险演变，亦可用于面板回归、时序分解及跨国聚类等典型的表格型分析任务，为非洲就业结构的长期追踪提供了标准化的数据基座。

解决学术问题

长期以来，非洲劳动力市场研究受制于跨国可比数据稀缺，性别与教育交互维度的失业异质性难以被精确识别。该数据集依托ILOSTAT的权威统计口径，解决了教育回报结构在性别间的非对称性测度、青年高学历群体失业悖论的量化验证，以及跨国面板中人力资本与就业匹配效率的比较分析等核心问题。其标准化元数据与缺失值保留策略，为可复现研究提供了方法学保障，显著提升了非洲就业议题在国际学术对话中的证据强度。

实际应用

在政策实践层面，该数据集为非洲各国劳工部门、国际发展机构及区域经济共同体提供了量化决策依据。其可用于识别女性高学历群体的就业瓶颈，评估职业教育扩张对失业率的边际效应，以及为非盟就业战略与联合国可持续发展目标中的体面劳动指标提供监测基线。金融机构与咨询机构亦借助该数据开展非洲人力资本风险评估与劳动力市场国别画像，支撑投资布局与技能培训项目的精准设计。

数据集最近研究

最新研究方向

在全球劳动力市场性别平等议程持续升温的背景下，依托国际劳工组织ILOSTAT权威统计体系构建的非洲失业率数据集，正成为发展经济学与劳动经济学交叉领域的前沿研究基础设施。该数据集覆盖49个非洲国家、逾万条观测记录，时间跨度自1982年延伸至2025年，以性别与受教育程度为双重分层维度，为刻画非洲大陆结构性失业的异质性提供了稀缺的纵向证据。当前研究前沿聚焦于教育禀赋与性别差异如何交互塑造失业风险，以及非洲各国在人力资本积累与就业吸纳能力之间的错配机制。该数据集亦回应了可持续发展目标中体面工作与性别平等议题的量化监测需求，为跨国比较、政策仿真与机器学习建模提供了可复现的开放数据支撑，对推动非洲劳动市场实证研究的透明化与标准化具有深远意义。