electricsheepeurope/europe-ilo-emp-nifl-sex-edu-geo-nb-informal-employment-by-sex-education-and-rural-urb

该数据集名为“按性别、教育程度和城乡地区划分的非正规就业（千人）| 欧洲（ILOSTAT）”，是一个表格型数据集，专注于非正规经济领域。它包含23,794条观测值，覆盖31个欧洲国家，时间跨度为2003年至2025年。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，通过API获取并由Electric Sheep Europe重新打包，以支持机器学习任务，如表格分类、回归和时间序列预测。数据集包含多个列，包括国家代码（ref_area）、指标代码（indicator）、性别分类（sex）、年份（time）和观测值（obs_value）等，允许用户按性别、教育程度和城乡地区进行细分分析。此外，数据还提供了数据来源、质量标志和注释信息，确保可追溯性。使用示例包括加载数据、筛选特定国家或时间序列分析。数据集采用cc-by-4.0许可证发布，适用于研究和开发用途。--- 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: - 10K<n<100K 标签: - 表格数据 - 欧洲 - ilostat - 非正规经济 - ilo - 劳工 - 就业 友好名称: "按性别、教育程度及城乡地区划分的非正规就业人数（单位：千人）| 欧洲（ILOSTAT）" --- # 按性别、教育程度及城乡地区划分的非正规就业人数（单位：千人）| 欧洲（ILOSTAT） 🇪🇺 **23,794 条观测数据** · **31 个欧洲国家** · **2003–2025 年** · *由 [Electric Sheep Europe](https://huggingface.co/electricsheepeurope) 重新整理*      ## 核心摘要 本数据集包含覆盖**31个欧洲国家**、时间跨度为**2003–2025年**的**23,794条非正规经济相关观测数据**，涵盖**1项独立指标**。 ## 数据来源说明 **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，也是全球领先的劳工统计权威来源。其收录涵盖就业、失业、工资、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目标等多项指标，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，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协调工作。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EDU_GEO_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**：非正规经济 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EMP_NIFL_SEX_EDU_GEO_NB`拉取，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码对应的数据集。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协调；数据来源信息将在`source.label`列中标记，以确保可追溯性。 ## 地理覆盖范围 31个欧洲国家，以下按观测行数排序展示部分国家数据： | 国家代码 | 观测行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `SRB` | 2,448 | 2007 | 2025 | | `MDA` | 2,309 | 2003 | 2025 | | `BIH` | 1,978 | 2006 | 2024 | | `RUS` | 1,581 | 2010 | 2025 | | `PRT` | 753 | 2007 | 2024 | | `FIN` | 752 | 2007 | 2024 | | `SWE` | 747 | 2007 | 2024 | | `ESP` | 729 | 2007 | 2024 | | `ITA` | 717 | 2007 | 2024 | | `BGR` | 715 | 2007 | 2024 | | `NOR` | 709 | 2007 | 2024 | | `GRC` | 708 | 2007 | 2024 | | `FRA` | 700 | 2007 | 2024 | | `POL` | 658 | 2007 | 2024 | | `CZE` | 632 | 2007 | 2024 | | ... | _另有16个国家_ | | | ## 指标示例 - `EMP_NIFL_SEX_EDU_GEO_NB` — 按性别、教育程度及城乡地区划分的非正规就业人数（单位：千人） ## 数据结构 | 列名 | 数据类型 | 描述 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AUT` | | `ref_area.label` | `string` | 英文国家名称 | `奥地利` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BB:275` | | `source.label` | `string` | 英文来源名称 | `HIES - 欧盟收入与负债统计……` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_EDU_GEO_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、教育程度划分的非正规就业……` | | `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、就业状态等） | `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 | `GEO_COV_NAT` | | `classif2.label` | `string` | — | `地区类型：全国范围` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `136.147` | | `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` | — | `—` | | `note_classif.label` | `string` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513_T2:85` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库-微观数据……` | ## 数据细分维度 以下列提供数据细分维度： - **`sex`**（共3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 数据为年度频率。部分指标同时发布月度或季度序列，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“最佳来源”数据。 - 细分维度列（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-emp-nifl-sex-edu-geo-nb-informal-employment-by-sex-education-and-rural-urb") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列可视化 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_EDU_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_EDU_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_EDU_GEO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_emp_nifl_sex_edu_geo_nb_informal_employment_by_sex_education_and_rural_urb_2025, title = {Informal employment by sex, education and rural / urban areas (thousands) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EDU_GEO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-nifl-sex-edu-geo-nb-informal-employment-by-sex-education-and-rural-urb}} } ## 许可证声明 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来源及Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的组成部分，该项目旨在打造HuggingFace平台上面向欧洲的统一、可直接用于机器学习的数据层。我们从权威开源数据源获取数据，对数据 schema 进行标准化处理，打包为Parquet格式，并发布为格式统一的数据集卡片，以便研究人员和开发者只需通过`load_dataset()`即可在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月26日通过Electric Sheep流水线摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EDU_GEO_NB_