electricsheepafrica/africa-ilo-emp-dwap-sex-edu-dsb-rt-employment-to-population-ratio-by-sex-education-an

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的就业数据，专门针对非洲地区。它提供了5,681个观测值，覆盖40个非洲国家，时间跨度为1998年至2025年，重点关注一个核心指标：按性别、教育水平和残疾状况划分的就业人口比（%）。数据集通过标准化模式进行了重新包装，便于机器学习使用，包括国家代码、年份、指标值以及性别、教育、残疾状况等分类维度。数据来源于ILO的官方统计，经过协调处理以确保一致性，并附有数据质量说明和使用示例。license: CC BY 4.0 language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 非洲 - ILOSTAT - 就业 - 国际劳工组织（ILO） - 劳工 pretty_name: "按性别、教育程度与残疾状况划分的就业人口占比（%）| 非洲（ILOSTAT）" # 按性别、教育程度与残疾状况划分的就业人口占比（%）| 非洲（ILOSTAT） 🌍 **5681条观测数据** · **40个非洲国家** · **1998–2025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**40个非洲国家、1998至2025年期间**的**就业相关数据**，共计**5681条观测记录**，涉及**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）的官方统计数据库，也是全球领先的劳工统计权威来源。该库整合了就业、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）体面工作目标等多类指标，数据来源于全国劳动力调查、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部门负责数据标准化工作。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_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**：就业 ## 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_DWAP_SEX_EDU_DSB_RT`拉取数据，并筛选出非洲国家的ISO 3166-1 alpha-3国家代码对应的记录。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians）的定义对原始调查微观数据进行标准化处理；数据来源可通过`source.label`字段进行溯源标记。 ## 地理覆盖范围 覆盖40个非洲国家，以下按数据行数排序展示部分国家示例： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 427 | 2014 | 2025 | | `GHA` | 398 | 2010 | 2024 | | `ZMB` | 390 | 2015 | 2024 | | `SEN` | 310 | 2015 | 2024 | | `BWA` | 304 | 2009 | 2024 | | `ZWE` | 293 | 2014 | 2024 | | `CIV` | 255 | 1998 | 2022 | | `TGO` | 249 | 2006 | 2022 | | `TZA` | 245 | 2008 | 2024 | | `GMB` | 197 | 2012 | 2025 | | `UGA` | 185 | 2010 | 2021 | | `BFA` | 179 | 2006 | 2024 | | `SYC` | 174 | 2019 | 2024 | | `ETH` | 160 | 2005 | 2021 | | `MLI` | 137 | 2009 | 2022 | | ... | 其余25个国家 | | | ## 指标示例 - `EMP_DWAP_SEX_EDU_DSB_RT` — 按性别、教育程度与残疾状况划分的就业人口占比（%） ## 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`（安哥拉） | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英文数据源名称 | `PC - 人口普查` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_DWAP_SEX_EDU_DSB_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、教育程度与残疾状况划分的就业人口占比…` | | `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、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `教育程度（汇总级别）：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 | `2014` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `39.384` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `非标准教育水平：包含…` | | `note_indicator` | `string` | — | `I20:4147` | | `note_indicator.label` | `string` | — | `就业定义：其他非标准定义…` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库 - 微观数据…` | ## 细分维度 本数据集提供以下细分维度： - **`sex`**（共3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，部分指标另有月度或季度序列，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。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-dwap-sex-edu-dsb-rt-employment-to-population-ratio-by-sex-education-an") df = ds["train"].to_pandas() print(df.head()) ### 单国家数据筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_DWAP_SEX_EDU_DSB_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_DWAP_SEX_EDU_DSB_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_DWAP_SEX_EDU_DSB_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_dwap_sex_edu_dsb_rt_employment_to_population_ratio_by_sex_education_an_2025, title = {Employment-to-population ratio by sex, education and disability status (%) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_DSB_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-dwap-sex-edu-dsb-rt-employment-to-population-ratio-by-sex-education-an}} } ## 许可证 本数据集基于[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与Electric Sheep Africa的重新整理工作。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep计划的一部分，该计划旨在HuggingFace平台上构建一套统一的、适配机器学习的非洲数据层。我们从权威开源数据源拉取数据，进行格式标准化，以Parquet格式封装，并发布格式统一的数据集卡片，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据分析工作。 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数据流水线导入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_DWAP_SEX_EDU_DSB_RT