electricsheepasia/asia-ilo-emp-pifl-sex-mts-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含亚洲26个国家从2000年至2025年关于非正规经济就业的4,410个观测值，核心指标为按性别和婚姻状况划分的非正规部门就业占比（%）。数据来源于国际劳工组织(ILO)的ILOSTAT数据库，通过API获取并筛选为亚洲国家。数据集包含国家代码、指标代码、性别分类（总计、男性、女性、其他）、婚姻状况分类、年份、观测值、数据状态及注释等列，适用于表格分类、回归和时间序列预测等任务。数据已由Electric Sheep Asia重新打包为机器学习就绪格式。license: cc-by-4.0 language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000<n<10000 tags: - 表格数据 - 亚洲 - ILOSTAT - 非正规经济 - ILO - 劳动力 - 就业 pretty_name: "按性别和婚姻状况划分的非正规部门就业占比(%) | 亚洲(ILOSTAT)" # 按性别和婚姻状况划分的非正规部门就业占比(%) | 亚洲(ILOSTAT) 🌏 **4,410条观测数据** · **26个亚洲国家** · **2000–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## TL;DR 本数据集包含**4,410条非正规经济相关观测数据**，覆盖**26个亚洲国家**，时间跨度为**2000–2025年**，包含**1项核心指标**。 ## 数据源说明 **国际劳工组织统计数据库(ILOSTAT)** 是国际劳工组织(International Labour Organization, ILO)的核心统计数据库，也是全球领先的劳动力统计权威来源。其收录的指标涵盖就业、失业、薪资、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标体面工作相关指标等，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。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处理。 - **原始数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_MTS_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_PIFL_SEX_MTS_RT`拉取原始数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码对应数据。ILOSTAT依据国际劳工统计大会(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；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 26个亚洲国家，以下按数据行数排序展示部分国家： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `TUR` | 612 | 2000 | 2024 | | `CYP` | 417 | 2007 | 2024 | | `LKA` | 336 | 2010 | 2024 | | `MNG` | 324 | 2013 | 2024 | | `VNM` | 318 | 2013 | 2024 | | `PAK` | 312 | 2006 | 2025 | | `IND` | 309 | 2005 | 2025 | | `THA` | 240 | 2014 | 2024 | | `BRN` | 205 | 2014 | 2024 | | `JOR` | 192 | 2017 | 2024 | | `PSE` | 163 | 2010 | 2025 | | `BGD` | 155 | 2010 | 2024 | | `IDN` | 144 | 2016 | 2023 | | `ARM` | 120 | 2008 | 2017 | | `MMR` | 120 | 2015 | 2020 | | ... | 另有11个国家 | | | ## 指标（示例） - `EMP_PIFL_SEX_MTS_RT` — 按性别和婚姻状况划分的非正规部门就业占比(%) ## 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 | `AFG` | | `ref_area.label` | `string` | 国家英文名称 | `Afghanistan` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 数据源英文名称 | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_PIFL_SEX_MTS_RT` | | `indicator.label` | `string` | 指标英文名称 | `Share of employment outside the forma…` | | `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` | 细分维度说明 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `MTS_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `Marital status (Aggregate): Total` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `77.474` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标记说明 | `Unreliable` | | `note_indicator` | `string` | 指标相关注释代码 | `I11:264` | | `note_indicator.label` | `string` | 注释说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 数据源相关注释代码 | `R1:3513_S3:8` | | `note_source.label` | `string` | 注释说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 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，但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非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-pifl-sex-mts-rt-share-of-employment-outside-the-formal-sector-by-s") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_MTS_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_MTS_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_MTS_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_pifl_sex_mts_rt_share_of_employment_outside_the_formal_sector_by_s_2025, title = {Share of employment outside the formal sector by sex and marital status (%) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_MTS_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-pifl-sex-mts-rt-share-of-employment-outside-the-formal-sector-by-s}} } ## 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及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep项目的亚洲分支，旨在构建统一的、可直接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拉取数据，统一标准化数据结构，打包为Parquet格式，并发布为格式统一的数据集卡片，方便研究人员与开发者通过`load_dataset()`函数在数秒内启动工作。 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URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_MTS_RT_