electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-dsb-rt-informal-employment-rate-by-sex-occupation-and-dis

该数据集包含非洲31个国家在2007年至2025年间的3080个观测值，核心指标为按性别、职业和残疾状况划分的非正规就业率（%）（指标代码：EMP_NIFL_SEX_OCU_DSB_RT）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家。数据集包含国家代码、国家名称、数据来源、指标、性别分类（总计、男性、女性）、职业分类、残疾状况分类、观测年份、观测值等列，并提供了数据质量说明（如年度频率、最佳来源选择等）。数据集适用于表格分类、回归和时间序列预测任务，主要用于分析非洲非正规就业情况。--- 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： - 1000 < 样本数 < 10000 标签： - 表格数据 - 非洲 - ILOSTAT - 非正规经济 - ILO - 劳动 - 就业 美观名称："按性别、职业与残疾状况划分的非正规就业率（%）| 非洲（ILOSTAT）" --- # 按性别、职业与残疾状况划分的非正规就业率（%）| 非洲（ILOSTAT） 🌍 **3,080 条观测值** · **31 个非洲国家** · **2007–2025** · *由 [Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新整理*      ## 核心摘要 本数据集包含**3,080 条观测值**，涵盖**31 个非洲国家**的**非正规经济**相关数据，时间跨度为**2007–2025 年**，仅包含**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，也是全球领先的劳动统计权威来源。其收录的指标覆盖就业、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。目前该数据库已覆盖全球 200 余个经济体，由国际劳工组织统计部门负责数据的标准化处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_DSB_RT) - **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_NIFL_SEX_OCU_DSB_RT` 拉取原始数据，并筛选出非洲地区的 ISO 3166-1 α-3 国家编码对应的数据集。ILOSTAT 采用国际劳工统计学家会议（ICLS）制定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，以确保可追溯性。 ## 地理覆盖范围 31 个非洲国家 · 以下为按数据行数排序的前 10 个国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|---------:|---------:|---------:| | `RWA` | 299 | 2017 | 2025 | | `ZMB` | 260 | 2018 | 2024 | | `SEN` | 246 | 2015 | 2024 | | `ZWE` | 237 | 2014 | 2024 | | `BWA` | 228 | 2019 | 2024 | | `UGA` | 158 | 2010 | 2021 | | `GMB` | 152 | 2012 | 2025 | | `SYC` | 124 | 2019 | 2024 | | `CIV` | 121 | 2016 | 2022 | | `SWZ` | 118 | 2016 | 2023 | | `TZA` | 118 | 2014 | 2024 | | `LBR` | 88 | 2010 | 2017 | | `EGY` | 86 | 2023 | 2024 | | `BFA` | 79 | 2022 | 2024 | | `LSO` | 74 | 2019 | 2024 | | ... | 另有 16 个国家 | | | ## 指标（示例） - `EMP_NIFL_SEX_OCU_DSB_RT` — 按性别、职业与残疾状况划分的非正规就业率（%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|---------|---------|-------| | `ref_area` | `string` | ISO 3166-1 α-3 国家代码 | `BEN` | | `ref_area.label` | `string` | 英文国家名称 | `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_NIFL_SEX_OCU_DSB_RT` | | `indicator.label` | `string` | 英文指标名称 | `Informal employment rate by sex, occu…` | | `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` | 维度标签 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | 分类变量标签 | `Occupation (Skill level): Total` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | 分类变量标签 | `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） | `96.347` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态标签 | `Unreliable` | | `note_classif` | `float64` | 分类说明 | `—` | | `note_classif.label` | `string` | 分类说明标签 | `—` | | `note_indicator` | `string` | 指标注释 | `I11:264` | | `note_indicator.label` | `string` | 注释标签 | `Break in series: Methodology revised` | | `note_source` | `string` | 数据源注释 | `R1:3513` | | `note_source.label` | `string` | 注释标签 | `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 - 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数据，本数据集未包含此类内容。 - 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”。 - 细分维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-dsb-rt-informal-employment-rate-by-sex-occupation-and-dis") 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数据 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_DSB_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_OCU_DSB_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_OCU_DSB_RT"] .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_dsb_rt_informal_employment_rate_by_sex_occupation_and_dis_2025, title = {按性别、职业与残疾状况划分的非正规就业率（%）| 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_DSB_RT}, publisher = {HuggingFace 数据集平台，由 Electric Sheep Africa 重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-nifl-sex-ocu-dsb-rt-informal-employment-rate-by-sex-occupation-and-dis}} } ## 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及 Electric Sheep Africa 的重新整理版本。 ## 关于 Electric Sheep Africa Electric Sheep Africa 是 Electric Sheep 项目的组成部分：该项目旨在构建面向非洲的统一、适配机器学习的数据层，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，并采用统一的数据集卡片进行发布，以便研究人员与开发者可通过 `load_dataset()` 函数在数秒内启动数据使用。 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 ingested。源 URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_OCU_DSB_RT_