electricsheepafrica/africa-ilo-emp-temp-sex-sks-cbr-nb-employment-by-sex-educational-mismatch-statistical

该数据集包含关于就业、性别、教育不匹配和出生地的统计数据，覆盖非洲25个国家，时间跨度为2006年至2025年，共有3,183个观测值，涉及1个具体指标。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取并经过过滤处理，以非洲国家代码为基准。数据集包括多个列，如国家代码、国家名称、来源、指标代码、性别分类、分类变量、观测年份、观测值、观测状态和相关注释，旨在提供劳动市场中的技能不匹配分析。数据以年度频率发布，并经过ILO的标准化处理，确保一致性和可追溯性。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 - africa - ilostat - skills-mismatch - ilo - labour - employment pretty_name: "Employment by sex, educational mismatch - statistical approach and place of birth (thousan | Africa (ILOSTAT)" --- # 分性别就业、教育错配——基于统计方法与出生地维度（千人 | 非洲（ILOSTAT）） 🌍 **共3183条观测样本** · **覆盖25个非洲国家** · **时间跨度为2006年至2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 简短摘要 本数据集包含覆盖25个非洲国家、时间跨度2006至2025年的**技能错配**相关观测样本共3183条，涉及1项独立指标。 ## 数据来源 **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力统计权威数据源。其收录涵盖就业、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。该数据库覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化整合。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_SKS_CBR_NB) - **发布方**：国际劳工组织（ILO） - **许可协议**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：技能错配 ## 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_TEMP_SEX_SKS_CBR_NB` 拉取原始数据，并筛选出非洲地区的ISO3国家代码对应的样本。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整合；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25个非洲国家，以下为按样本量排序的前14个国家及剩余10个国家的汇总： | 国家代码 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZMB` | 338 | 2017 | 2024 | | `AGO` | 333 | 2009 | 2025 | | `RWA` | 273 | 2017 | 2025 | | `UGA` | 250 | 2010 | 2021 | | `ZWE` | 222 | 2019 | 2024 | | `TZA` | 204 | 2010 | 2024 | | `GHA` | 168 | 2006 | 2017 | | `GMB` | 142 | 2012 | 2025 | | `KEN` | 132 | 2019 | 2022 | | `EGY` | 131 | 2009 | 2011 | | `BFA` | 126 | 2018 | 2024 | | `SWZ` | 124 | 2016 | 2023 | | `LBR` | 99 | 2010 | 2017 | | `SYC` | 90 | 2023 | 2024 | | `LSO` | 88 | 2019 | 2024 | | ... | 其余10个国家 | | | ## 指标（示例） - `EMP_TEMP_SEX_SKS_CBR_NB` — 分性别就业、教育错配——基于统计方法与出生地维度（千人） ## 数据字段结构 | 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 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `Angola`（安哥拉） | | `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 - 就业调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_TEMP_SEX_SKS_CBR_NB` | | `indicator.label` | `string` | 英文指标名称 | `Employment by sex, educational mismat…` | | `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` | 维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育、就业状态等） | `SKS_STAT_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `错配：总计` | | `classif2` | `string` | 第二分类变量（如适用） | `CBR_BIR_TOTAL` | | `classif2.label` | `string` | 分类变量说明 | `出生地：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 指标观测值（单位见指标定义） | `13984.984` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `不可靠` | | `note_indicator` | `string` | 指标备注代码 | `I11:264` | | `note_indicator.label` | `string` | 备注说明 | `序列中断：方法修订` | | `note_source` | `string` | 来源备注代码 | `R1:3513` | | `note_source.label` | `string` | 备注说明 | `存储库：ILO统计数据库 - 微观数据…` | ## 数据细分维度 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` ## 数据质量与使用注意事项 - 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，但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“最优来源”数据。 - 仅当指标支持对应细分维度时，`sex`、`classif1`、`classif2`等细分字段才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-temp-sex-sks-cbr-nb-employment-by-sex-educational-mismatch-statistical") 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"] == "EMP_TEMP_SEX_SKS_CBR_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_SKS_CBR_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_SKS_CBR_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_temp_sex_sks_cbr_nb_employment_by_sex_educational_mismatch_statistical_2025, title = {Employment by sex, educational mismatch - statistical approach and place of birth (thousan | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_SKS_CBR_NB}, publisher = {HuggingFace Datasets, 由Electric Sheep Africa重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-temp-sex-sks-cbr-nb-employment-by-sex-educational-mismatch-statistical}} } ## 许可协议 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 © 国际劳工组织（ILO）。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使命的一部分：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拉取数据，对数据schema进行标准化处理，以Parquet格式打包发布，并采用统一的数据集卡片格式，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数据管道摄入。源数据URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_SKS_CBR_NB_