electricsheepafrica/africa-ilo-une-tune-sex-edu-mts-nb-unemployment-by-sex-education-and-marital-status-t

该数据集包含74,033个观测值，涉及49个非洲国家，时间跨度为1982年至2025年，涵盖1个独特指标。数据来自国际劳工组织（ILO）的ILOSTAT数据库，主题为失业，具体指标为按性别、教育程度和婚姻状况划分的失业人数（千人）。数据集通过ILOSTAT 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。数据包括国家代码、国家名称、来源、指标代码、性别分类、教育程度分类、婚姻状况分类、年份、观测值、观测状态和相关注释等列。数据集为年度频率，并提供了数据质量说明和使用示例。许可证: cc-by-4.0 语言: - en 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 数据规模区间: - 10K<n<100K 标签: - 表格数据 - 非洲 - ILOSTAT - 失业 - ILO（国际劳工组织） - 劳工 - 就业 友好名称: "分性别、受教育程度与婚姻状况的失业人数（千人） | 非洲（ILOSTAT）" --- # 分性别、受教育程度与婚姻状况的失业人数（千人） | 非洲（ILOSTAT） 🌍 **74,033 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**74,033 条失业相关观测数据**，覆盖**49 个非洲国家**，时间跨度为**1982–2025 年**，仅包含**1 项独立指标**。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库）** 是国际劳工组织（ILO）的核心统计数据库，为全球领先的劳工统计权威来源。其收录指标涵盖就业、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，数据源自全国劳动力调查、家庭收入调查、机构调查与行政记录。该数据库覆盖全球 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协调。 - **原始数据源**: [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_MTS_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**: 失业统计 ## 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=UNE_TUNE_SEX_EDU_MTS_NB` 拉取原始数据，并筛选出非洲地区的 ISO 3 位国家代码子集。ILOSTAT 采用国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行标准化协调；数据来源信息将在 `source.label` 字段中标记，以保证可追溯性。 ## 地理覆盖范围 共覆盖 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（ISO代码） | 数据行数 | 起始年份 | 结束年份 | |-----------------|---------:|---------:|---------:| | `ZAF` | 9,553 | 2000 | 2024 | | `EGY` | 5,544 | 2008 | 2024 | | `MUS` | 4,967 | 2001 | 2024 | | `GHA` | 3,487 | 1991 | 2024 | | `AGO` | 3,123 | 2004 | 2025 | | `MLI` | 3,103 | 2009 | 2024 | | `RWA` | 2,923 | 2014 | 2025 | | `TUN` | 2,382 | 2005 | 2023 | | `ZMB` | 2,304 | 2015 | 2024 | | `BWA` | 2,081 | 2006 | 2024 | | `ZWE` | 1,886 | 2011 | 2024 | | `SEN` | 1,862 | 2011 | 2024 | | `BFA` | 1,733 | 2006 | 2024 | | `TZA` | 1,600 | 2001 | 2024 | | `TGO` | 1,600 | 2006 | 2022 | | ... | 其余 34 个国家 | | | ## 指标（示例） - `UNE_TUNE_SEX_EDU_MTS_NB` — 分性别、受教育程度与婚姻状况的失业人数（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 | `AGO` | | `ref_area.label` | `string` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英语数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `UNE_TUNE_SEX_EDU_MTS_NB` | | `indicator.label` | `string` | 英语指标名称 | `分性别、受教育程度与婚姻状况的失业人数（千人）` | | `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` | 维度对应名称 | `总计` | | `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` | 分类维度说明 | `教育程度（聚合层级）：总计` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 分类维度说明 | `婚姻状况（聚合层级）：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `1621.696` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标记对应名称 | `不可靠` | | `note_classif` | `string` | 分类维度备注代码 | `C3:3710` | | `note_classif.label` | `string` | 分类维度备注说明 | `非标准教育水平：包含……` | | `note_indicator` | `string` | 指标相关备注代码 | `I11:264` | | `note_indicator.label` | `string` | 指标相关备注说明 | `序列断点：方法学修订` | | `note_source` | `string` | 数据源备注代码 | `R1:3513` | | `note_source.label` | `string` | 数据源备注说明 | `存储库：ILO统计 - 微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集采用年度频率数据，部分指标同时发布月度或季度序列，此类数据未包含在本数据集中。 - 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非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-une-tune-sex-edu-mts-nb-unemployment-by-sex-education-and-marital-status-t") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_TUNE_SEX_EDU_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_une_tune_sex_edu_mts_nb_unemployment_by_sex_education_and_marital_status_t_2025, title = {分性别、受教育程度与婚姻状况的失业人数（千人） | 非洲（ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-une-tune-sex-edu-mts-nb-unemployment-by-sex-education-and-marital-status-t}} } ## 许可证 本数据集采用 [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) 许可证发布。 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 的重新整理版本。 ## 关于 Electric Sheep Electric Sheep Africa 是 Electric Sheep 项目的组成部分：该项目旨在 HuggingFace 平台上构建统一的、适用于机器学习的非洲地区数据层。我们从权威开源数据源获取数据，对其进行标准化处理，封装为 Parquet 格式，并以统一的数据集卡片形式发布，使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工作。 浏览完整数据集集合: [huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源: 2026-05-26 通过 Electric Sheep 数据管道摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_MTS_NB_

搜集汇总

数据集介绍

构建方式

该数据集系基于国际劳工组织（ILO）中央统计数据库ILOSTAT的原始失业统计资料，由Electric Sheep Africa团队进行标准化再包装而成。其构建流程遵循开放数据工程规范，将涵盖49个非洲国家、1982年至2025年间的74,033条观测记录，从原始来源中提取、清洗并转换为Parquet列式存储格式，同时依据非洲数据发现框架补充标准化的元数据标签、加载指引与来源说明，最终以Hugging Face数据集仓库形式发布，形成具备可复现性的表格型劳动统计数据资源。

特点

该数据集以非洲区域失业问题为焦点，系统刻画了按性别、教育程度及婚姻状况交叉分类的失业人口规模（以千人为单位）。其核心特征在于时间跨度长达四十余年，空间覆盖近五十个非洲国家，并围绕单一失业指标形成多维分组结构，支持对劳动力市场中性别差异、教育回报与婚姻状态关联的细粒度分析。数据以表格与文本模态呈现，体量介于一万至十万条记录之间，采用知识共享署名4.0许可协议，兼具开放获取与规范引用的双重属性。

使用方法

研究者可通过Hugging Face datasets库以单行代码加载该数据集，借助内置的数据集查看器快速浏览分割结构与特征字段。对于表格型分析任务，可将对应分割转换为Pandas数据框，进而开展缺失值探查、按地理与时间维度的变量轮廓刻画，或与其他Electric Sheep Africa数据集基于国家、年份及指标字段进行联结。在使用过程中，应优先确认变量定义与计量单位，保留原始缺失值直至确立可辩护的插补规则，并在下游建模与政策解读中审慎对待标签含义，避免脱离来源语境进行推断。

背景与挑战

背景概述

国际劳工组织（ILO）长期致力于全球劳动力市场统计的标准化与公开化，其ILOSTAT数据库是各国就业与失业比较研究的权威基准。非洲地区劳动力市场结构复杂，性别、教育程度与婚姻状况交织影响就业机会，然而相关细分数据长期分散且难以获取。该数据集由Electric Sheep Africa团队于2026年整理发布，整合了1982至2025年间49个非洲国家的74,033条失业观测记录，以性别、教育程度和婚姻状况为分类维度，填补了非洲失业微观结构数据的空白。作为面向可复现分析的开源资源，它为劳动经济学、社会政策评估及性别研究提供了细粒度证据，推动了非洲数据驱动决策的基础设施建设。

当前挑战

该数据集所应对的核心领域问题在于：如何在高异质性的非洲劳动力市场中，系统刻画失业率随性别、教育和婚姻状态变化的分布规律，以支撑跨国比较与政策模拟。构建过程中面临多重挑战：其一，原始ILOSTAT数据源自各国统计能力不一的调查体系，指标定义、调查年份与抽样方法存在显著差异，协调为统一面板需大量元数据校验；其二，教育程度与婚姻状况的分类标准在各国间缺乏一致性，映射与合并易引入测量误差；其三，部分国家与年份缺失严重，且缺失机制非随机，直接删除或插补均可能扭曲估计；其四，数据集标签精细但含义需结合上下文解读，误用风险高，要求分析者审慎确认变量定义与单位。

常用场景

经典使用场景

在劳动经济学与非洲发展研究的文献中，该数据集常被用于刻画性别、教育程度与婚姻状态交互作用下失业率的分布特征。研究者借助其1982至2025年间覆盖49个非洲国家的74,033条观测，构建多维度失业率面板，以比较不同社会群体在劳动力市场中的边缘化程度。经典用法包括按婚姻状态分层检验教育回报的性别差异，或绘制特定国家失业率的时序演变图谱。

实际应用

在政策实践中，该数据集服务于国际组织与非洲各国劳工部门的就业监测与干预设计。分析者可据此识别高失业风险群体，例如低教育水平的已婚女性，进而优化职业培训与社会保障资源的配置。同时，该数据亦可用于构建失业预警指标，辅助评估宏观经济波动对弱势群体的冲击，为包容性增长政策提供量化依据。

衍生相关工作

围绕该数据集，衍生了若干经典工作，包括基于ILOSTAT口径的非洲失业率跨国比较研究、性别与婚姻状态交互效应的计量分析，以及将本数据与非洲其他社会经济指标链接的跨领域探索。Electric Sheep Africa的元数据标准化工作亦催生了面向非洲开放数据的可复现分析流程与数据发现工具，拓展了该数据集在机器学习与因果推断中的应用边界。