electricsheepafrica/africa-ilo-how-temp-sex-oc2-nb-mean-weekly-hours-actually-worked-per-employed-per

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的统计数据，主题为工作时间。具体来说，它提供了非洲35个国家从1999年至2025年的18,074个观测值，涵盖一个核心指标：HOW_TEMP_SEX_OC2_NB，即按性别和职业（ISCO 2级）分类的就业人员实际平均每周工作小时数。数据通过ILOSTAT REST API获取，并经过过滤以仅包括非洲国家。数据集包含多个列，如国家代码、国家名称、数据来源、指标代码、性别分类、职业分类、观测年份、观测值、观测状态等，支持按性别（总计、男性、女性）和职业进行细分。数据质量方面，为年度频率，ILO会选择最佳来源，且细分列仅在指标发布该细分时非空。数据集适用于表格分类、表格回归和时间序列预测等任务，旨在为非洲提供统一的机器学习就绪数据层。license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 10K<n<100K tags: - tabular - africa - ilostat - hours-of-work - ilo - labour - employment pretty_name: "Mean weekly hours actually worked per employed person by sex and occupation - ISCO level 2 | Africa (ILOSTAT)" # 按性别与职业划分的就业者周实际平均工作时长 - ISCO二级分类 | 非洲（ILOSTAT） 🌍 **18,074条观测数据** · **35个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## TL;DR 本数据集包含覆盖**35个非洲国家**的**18074条工作时长**相关观测数据，时间跨度为**1999–2025年**，涵盖**1项独立指标**。 ## 数据来源 **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，为全球领先的劳动统计权威来源。其收录指标涵盖就业、失业、工资、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，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统一标准化与协调。 - **来源地址**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_OC2_NB) - **发布方**：国际劳工组织（ILO） - **授权协议**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：工作时长 ## 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=HOW_TEMP_SEX_OC2_NB`拉取原始数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码对应的样本。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处理；数据来源信息将在`source.label`字段中标记，以保障数据可追溯性。 ## 地理覆盖范围 35个非洲国家，以下按数据行数降序排列展示前10个国家： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 2,241 | 2000 | 2024 | | `MUS` | 2,188 | 2001 | 2024 | | `EGY` | 1,411 | 2009 | 2024 | | `RWA` | 943 | 2017 | 2025 | | `ZMB` | 936 | 2017 | 2024 | | `AGO` | 863 | 2019 | 2025 | | `SYC` | 825 | 2014 | 2024 | | `SEN` | 696 | 2015 | 2024 | | `BWA` | 694 | 2019 | 2024 | | `UGA` | 639 | 2010 | 2021 | | `ZWE` | 618 | 2019 | 2024 | | `TZA` | 595 | 2001 | 2024 | | `NAM` | 532 | 2010 | 2018 | | `GHA` | 423 | 2006 | 2017 | | `KEN` | 370 | 1999 | 2022 | | ... | _20个其余国家_ | | | ## 指标示例 - `HOW_TEMP_SEX_OC2_NB` — 按性别与职业划分的就业者周实际平均工作时长（ISCO二级分类） ## 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 | `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 - Employment Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_TEMP_SEX_OC2_NB` | | `indicator.label` | `string` | 英文指标名称 | `Mean weekly hours actually worked per…` | | `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、就业身份等） | `OC2_ISCO08_TOTAL` | | `classif1.label` | `string` | — | `Occupation (ISCO-08), 2 digit level: …` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位参见指标定义） | `43.45` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_indicator` | `string` | — | `T11:142` | | `note_indicator.label` | `string` | — | `Job coverage: Main job currently held` | | `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“最佳来源”数据。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-how-temp-sex-oc2-nb-mean-weekly-hours-actually-worked-per-employed-per") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "HOW_TEMP_SEX_OC2_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_TEMP_SEX_OC2_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_TEMP_SEX_OC2_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_how_temp_sex_oc2_nb_mean_weekly_hours_actually_worked_per_employed_per_2025, title = {Mean weekly hours actually worked per employed person by sex and occupation - ISCO level 2 | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_OC2_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-how-temp-sex-oc2-nb-mean-weekly-hours-actually-worked-per-employed-per}} } ## 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（ILO）所有。使用本数据集时，请同时引用上述原始来源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的重要组成部分：旨在HuggingFace平台上构建一套统一的、适配机器学习的非洲地区数据层。我们从权威开放数据源拉取数据，对数据结构进行标准化处理，打包为Parquet格式，并发布格式统一的数据集卡片，以便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27日通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_OC2_NB_

搜集汇总

数据集介绍

构建方式

非洲区域的劳动工时数据历来零散且缺乏统一标准，为此，国际劳工组织（ILO）依托其ILOSTAT中央统计数据库，系统性地整合了来自各国劳动力调查、住户收入调查及行政记录等多元数据源。本研究的数据集正是从ILOSTAT的REST API接口直接提取而来，并依据国际劳工统计学家会议（ICLS）的定义对原始微观调查数据进行协调统一。为确保地域聚焦，数据仅筛选出非洲35个国家的ISO国家代码，最终形成了涵盖18,074条观测记录、时间跨度从1999年至2025年的结构化表格。数据集中通过'source.label'字段明确标注了每个观测值的原始出处，为后续的数据溯源与质量控制提供了清晰的路径。

使用方法

本数据集的设计遵循了Hugging Face Datasets库的标准规范，旨在为机器学习和统计分析提供最便捷的接入方式。用户可通过一行代码'datasets.load_dataset()'将数据直接加载为Pandas DataFrame格式，从而无缝融入现有的数据科学工作流。针对国家维度的筛选，使用'ref_area'字段即可精确提取如肯尼亚等单一国家的子集。对于时间序列分析，可按'indicator'字段进行过滤并对'time'字段排序，快速绘制核心指标的演进曲线。若需进行跨国比较，通过pivot_table操作即可轻松构建以年份为行、国家为列的矩阵视图，为面板数据模型或聚类分析夯实了数据基础。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司整理，经 Electric Sheep Africa 二次封装后发布于 HuggingFace，创建于2025年，聚焦非洲大陆劳动市场中按性别和职业分类的每周实际工作时长。核心研究问题在于量化非洲35个国家在1999至2025年间劳动强度的时空演变，为评估体面劳动目标及区域劳动力市场差异提供基准数据。数据集涵盖18,074条观测值，集成ILOSTAT官方统计并按非洲ISO3编码筛选，具有高权威性和可追溯性。其对劳动经济学、时间利用研究和国际发展议题具有深远影响，为政策制定者与研究人员提供了罕见的高分辨率非洲劳动力面板数据，填补了该区域劳动指标系统性整合的空白。

当前挑战

该数据集所应对的核心领域挑战在于非洲各国劳动统计数据长期存在的碎片化、不可比与稀疏性问题。ILOSTAT虽汇聚多源数据，但各国调查方法、问卷设计与统计频率差异显著，导致跨时空比较困难，且数据质量标注（如观测状态为不可靠）揭示出部分观测值受限于采样偏差与缺失值。构建过程中，面临协调35个国家多元统计来源的艰巨任务，需依赖ILO统一引入ICLS标准进行清洗与归并，同时需平衡极端稀疏的国家-年份-性别-职业组合，避免样本断裂影响时间序列分析。此外，数据降频至年度发布，丧失了季度与月度波动信息，对细致建模形成制约。

常用场景

经典使用场景

该数据集收录了1999年至2025年间35个非洲国家按性别和职业（ISCO二级分类）划分的就业者周均实际工作小时数，共计18,074条观测记录。在劳动经济学与人口统计学研究中，它常被用于分析非洲劳动力市场的工时分布特征，揭示不同性别、不同职业群体在劳动供给上的结构性差异。研究者可借助该数据构建时间序列模型，追踪各国工时随经济周期、政策变革或社会变迁的演变轨迹，亦可结合其他社会经济指标，深入探讨工时与生产力、就业质量之间的内在关联。

解决学术问题

该数据集有效填补了非洲大陆在精细化劳动统计领域的空白，使学者能够系统考察性别职业隔离对工时分配的影响，破解传统研究因数据碎片化而无法进行跨国比较的困境。它解决了如何量化非正规就业、家庭劳动与正式部门工作在工时上的异质性这一关键学术难题，为检验劳动供给理论中关于性别角色分工、职业选择与工作时间权衡的假设提供了坚实的数据基础。该数据集的发布推动了非洲劳动市场研究从描述性分析向因果推断的范式跃迁。

实际应用

在国际组织与政府决策层面，该数据集成为监测可持续发展目标中体面劳动指标的宝贵工具，尤其是用于评估各国在缩小性别工时差距和优化职业结构方面的进展。劳动部门可据此识别工时过长或过短的行业与群体，制定针对性劳动保护政策。对于跨国企业和投资者而言，工时数据是评估非洲各国劳动力成本、生产效率与投资环境的重要参考，有助于优化区域性的人力资源配置和供应链管理策略。

数据集最近研究

最新研究方向

该数据集聚焦于非洲35国1999至2025年间按性别与职业类别（ISCO-08二级编码）划分的就业者实际周均工作时间，为劳动经济学与时间利用研究提供了珍贵的纵向面板数据。前沿研究方向主要围绕非洲劳动力市场的性别差异与职业分层结构，尤其关注非正规就业与多份兼职对工作时长的影响。结合ILOSTAT的标准化调查框架，该数据可支撑人工智能驱动的劳动力供需时空预测模型，揭示新冠疫情后工作时长的弹性恢复模式，以及数字化平台经济对传统职业时间分配的重塑。其覆盖27年跨度与多维度分类特征，为联合国可持续发展目标（SDG）中体面劳动指标的量化评估提供了坚实的数据基础。