electricsheepasia/asia-ilo-emp-pifl-sex-ins-dsb-nb-employment-outside-the-formal-sector-by-sex-public

这是一个关于亚洲16个国家在2006年至2024年间非正规经济就业的数据集，具体关注按性别、公共/私营部门和残疾状况划分的非正规部门就业情况。数据集包含1,058个观测值，涵盖1个主要指标（EMP_PIFL_SEX_INS_DSB_NB），数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Asia重新打包和标准化处理，适用于表格分类、回归和时间序列预测等机器学习任务。license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 1K<n<10K tags: - tabular - asia - ilostat - informal-economy - ilo - labour - employment pretty_name: "按性别、公共/私营部门及残疾状况划分的非正规部门就业情况（| 亚洲（ILOSTAT）" --- # 按性别、公共/私营部门及残疾状况划分的非正规部门就业情况（| 亚洲（ILOSTAT） 🌏 **1058条观测数据** · **16个亚洲国家** · **2006–2024年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## 核心摘要 本数据集包含**1058条**非正规经济相关观测数据，覆盖**16个亚洲国家**，时间跨度为**2006–2024年**，涉及**1项专属指标**。 ## 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，为全球领先的劳动统计权威来源。该数据库整合就业、失业、薪资、工作时长、童工、非正规经济、社会保障、职业伤害及可持续发展目标体面工作目标等多类指标，数据源自全国劳动力调查、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标准化处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_INS_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_INS_DSB_NB`拉取原始数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码对应的数据。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处理；数据来源会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 16个亚洲国家，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 | |---------|-----:|-----------:|----------:| | `MNG` | 333 | 2006 | 2024 | | `LKA` | 130 | 2018 | 2024 | | `BGD` | 105 | 2022 | 2024 | | `ARM` | 90 | 2008 | 2017 | | `PSE` | 90 | 2018 | 2022 | | `IDN` | 72 | 2016 | 2023 | | `LAO` | 36 | 2017 | 2022 | | `KHM` | 36 | 2012 | 2019 | | `MDV` | 27 | 2019 | 2019 | | `TJK` | 25 | 2016 | 2016 | | `TLS` | 24 | 2021 | 2021 | | `AFG` | 18 | 2021 | 2021 | | `LBN` | 18 | 2019 | 2019 | | `IRQ` | 18 | 2021 | 2021 | | `MMR` | 18 | 2015 | 2015 | | ... | _1 more countries_ | | | ## 指标（示例） - `EMP_PIFL_SEX_INS_DSB_NB` — 按性别、公共/私营部门及残疾状况划分的非正规部门就业情况（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 国家代码 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `阿富汗` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_PIFL_SEX_INS_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、公共/私营部门及残疾状况划分的非正规部门就业情况……` | | `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` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `INS_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `机构部门：总计` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | — | `残疾状况：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位请参照指标定义） | `5949.625` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库-微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 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，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非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-pifl-sex-ins-dsb-nb-employment-outside-the-formal-sector-by-sex-public") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_INS_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_INS_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_INS_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_pifl_sex_ins_dsb_nb_employment_outside_the_formal_sector_by_sex_public_2024, title = {按性别、公共/私营部门及残疾状况划分的非正规部门就业情况（| 亚洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_INS_DSB_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Asia重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-pifl-sex-ins-dsb-nb-employment-outside-the-formal-sector-by-sex-public}} } ## 许可证 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数据源及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep是Electric Sheep使命的一部分：旨在打造统一、适用于机器学习的亚洲地区数据层，托管于HuggingFace平台。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，打包为Parquet格式，并发布为格式统一的数据集卡片，以便研究人员和开发者仅需使用`load_dataset()`即可在数秒内启动数据分析工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月26日通过Electric Sheep流水线摄取。源地址：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_INS_DSB_NB_