electricsheepafrica/africa-ilo-emp-temp-sex-geo-nb-employment-by-sex-and-rural-urban-areas-thousands

该数据集名为按性别和城乡地区划分的就业人数（千）| 非洲（ILOSTAT），是一个关于非洲就业的表格数据集，包含2,199个观测值，覆盖45个非洲国家，时间跨度为1994年至2025年。数据集专注于一个指标：EMP_TEMP_SEX_GEO_NB，即按性别和城乡地区划分的就业人数（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Africa重新打包，以方便机器学习使用。数据集提供了详细的分类维度，如性别（总计、男性、女性），并包含国家代码、年份、观测值、数据来源和质量标志等列。它适用于表格分类、回归和时间序列预测等任务，并遵循CC-BY-4.0许可证。--- license: CC BY 4.0 language: - 英语 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 - 非洲 - ILOSTAT - 就业 - ILO - 劳工 pretty_name: "分性别与城乡地区就业人数（单位：千人）| 非洲（ILOSTAT）" --- # 分性别与城乡地区就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **2199条观测样本** · **45个非洲国家** · **1994–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 核心摘要 本数据集包含覆盖45个非洲国家的就业数据，共**2199条观测样本**，时间跨度为**1994–2025年**，涉及**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（International Labour Organization，ILO）的官方统计数据库，为全球领先的劳工统计数据源。该数据库整合了就业、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体面工作目标等各类指标，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司负责数据标准化工作。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_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**：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_TEMP_SEX_GEO_NB`拉取数据，并筛选出非洲国家的ISO 3166-1 alpha-3国家代码对应的条目。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处理；数据来源会在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 覆盖45个非洲国家，以下按观测条数排序展示部分国家示例： | 国家代码 | 观测条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 156 | 2008 | 2024 | | `EGY` | 153 | 2008 | 2024 | | `TUN` | 144 | 2006 | 2023 | | `AGO` | 102 | 2004 | 2025 | | `MLI` | 99 | 2013 | 2024 | | `GHA` | 90 | 2000 | 2024 | | `RWA` | 90 | 2014 | 2025 | | `ZMB` | 84 | 2015 | 2024 | | `SEN` | 72 | 2011 | 2024 | | `NAM` | 63 | 1994 | 2018 | | `TZA` | 63 | 2001 | 2020 | | `NGA` | 63 | 2011 | 2024 | | `UGA` | 63 | 2010 | 2021 | | `ZWE` | 63 | 2011 | 2024 | | `NER` | 54 | 2011 | 2022 | | ... | _另有30个国家_ | | | ## 指标示例 - `EMP_TEMP_SEX_GEO_NB` — 分性别与城乡地区就业人数（单位：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 | `LFS - 就业调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_TEMP_SEX_GEO_NB` | | `indicator.label` | `string` | 英语指标名称 | `分性别与城乡地区就业人数（单位：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` | 维度标签 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `GEO_COV_NAT` | | `classif1.label` | `string` | 分类标签 | `区域类型：全国` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `13984.984` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `B` | | `obs_status.label` | `string` | 状态标签 | `序列中断` | | `note_classif` | `float64` | 分类备注 | `—` | | `note_classif.label` | `float64` | 分类备注标签 | `—` | | `note_indicator` | `string` | 指标备注 | `I11:264` | | `note_indicator.label` | `string` | 指标备注标签 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源备注 | `R1:3513` | | `note_source.label` | `string` | 数据源备注标签 | `存储库：ILO-STATISTICS - 微观数据` | ## 数据细分维度 以下字段提供数据细分维度： - **`sex`（性别）**（共3种唯一取值）：`SEX_T`（总计）、`SEX_M`（男性）、`SEX_F`（女性） ## 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，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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 仅当指标支持对应细分维度时，细分字段（`sex`、`classif1`、`classif2`）才不会为空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-temp-sex-geo-nb-employment-by-sex-and-rural-urban-areas-thousands") 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_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_GEO_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_geo_nb_employment_by_sex_and_rural_urban_areas_thousands_2025, title = "分性别与城乡地区就业人数（单位：千人）| 非洲（ILOSTAT）", author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_GEO_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Africa重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-temp-sex-geo-nb-employment-by-sex-and-rural-urban-areas-thousands}} } ## 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的重新封装版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep计划的组成部分，该计划旨在在HuggingFace平台上构建统一的、适用于机器学习的非洲数据层。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，封装为Parquet格式，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数据管道导入。源数据URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_GEO_NB_

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织中央统计数据库ILOSTAT，以非洲为地理范围，系统汇集了按性别与城乡地域双重维度划分的就业人数统计资料，原始数据经Electric Sheep Africa团队进行标准化元数据加工与Parquet格式重封装，形成涵盖四十五个非洲国家、时间跨度自一九九四年至二零二五年的结构化表格，总计纳入两千一百九十九项观测记录，构建过程注重来源追溯与变量定义的明确性，为劳动经济学分析提供可复现的数据基础。

特点

数据集以表格与文本双模态呈现，聚焦经济学与金融领域，覆盖非洲四十五国的就业性别差异与城乡分布特征，时间序列跨度逾三十年，包含单一就业指标的多维交叉分类，规模处于一千至一万行区间，文件采用Parquet列式存储以提升读取效率，并附有标准化的元数据标签与出处说明，便于跨数据集关联与区域比较分析。

使用方法

研究者可借助Hugging Face的datasets库以load_dataset函数直接加载数据，通过迭代获取数据分割并检查特征结构，当数据为表格形式时可转换为Pandas数据框以开展统计建模与可视化，使用中应参阅仓库文件确认变量单位与地理标识，对缺失值保持审慎处理，并建议结合明确的国别、年份与指标字段与其他非洲数据集进行联接，以支持可复现的实证研究。

背景与挑战

背景概述

劳动力市场性别差异与城乡二元结构是发展经济学长期关注的核心议题，非洲地区受限于统计能力薄弱，相关实证研究长期面临数据匮乏的困境。国际劳工组织统计数据库（ILOSTAT）作为全球劳工统计的权威来源，为非洲45个国家1994至2025年间的就业状况提供了按性别与城乡地域分组的观测数据。Electric Sheep Africa于2026年对该数据集进行标准化整理与重新发布，将其转化为便于机器学习工作流调用的Parquet格式，覆盖2199条观测记录。该数据集为非洲劳动力市场结构变迁、性别就业差距及城乡发展不平衡等议题的量化研究提供了可复现的数据基础，对推动非洲经济政策的循证决策具有重要参考价值。

当前挑战

该数据集所回应的领域问题在于如何以跨国可比的口径刻画非洲劳动力市场中性别与城乡维度的就业分布，其难点源于各国统计口径、非正规就业界定及城乡划分标准的差异，容易导致跨国比较的效度受损。构建过程中的挑战体现在元数据完整性方面：该卡片由Electric Sheep Africa元数据清单标准化生成，国家字段与上游发布机构信息存在缺失，ISO3覆盖范围未予声明，变量定义与计量单位需回溯原始来源方可确认。此外，1994至2025年的长时段序列中可能存在缺失值与统计断点，若不加甄别地插补或建模，将影响推断的稳健性。研究者尚需结合外部资料对地理标识与指标口径进行校验。

常用场景

经典使用场景

在劳动经济学与区域发展研究的交叉领域中，针对撒哈拉以南非洲劳动力市场结构性差异的量化分析长期倚重于兼具性别与城乡维度的就业统计数据，该数据集恰以1994至2025年间45个非洲国家的2199条观测记录为依托，成为刻画非洲就业版图时空演变的经典数据源。研究者常以该数据集为核心，开展按性别与城乡属性分层的就业规模比较分析，借助面板数据建模揭示男女劳动力在城乡部门间的分布规律与动态收敛特征，并据此绘制非洲各国就业结构的异质性图谱，为跨区域比较研究提供基准性事实依据。

实际应用

在政策制定与国际发展实践层面，该数据集为非洲各国政府、国际组织及非营利机构提供了评估就业政策成效的关键量化参照。相关部门可依据性别与城乡分层的就业规模数据，识别农村女性就业不足的高风险区域，精准设计职业培训、信贷扶持与基础设施投入等干预措施。国际发展机构亦可借助该数据集监测可持续发展目标中充分就业与体面工作指标的进展，优化援助资源配置。此外，金融机构与咨询公司可将之纳入国别风险评估模型，研判非洲城乡劳动力市场的投资环境与消费潜力。

衍生相关工作

该数据集作为Electric Sheep Africa元数据清单的组成部分，催生了一系列围绕非洲劳动统计数据的衍生研究与实践。学者基于其结构化字段构建了非洲就业性别差距的时序分析模型，并与其他Electric Sheep Africa数据集进行跨国别、跨指标的联结，拓展出就业与教育、人口迁移等主题的交叉研究。数据科学社区则以此为基础开发了自动化数据质量核查与缺失值插补流程，推动了非洲开放数据可复现工作流的标准化。这些衍生工作共同丰富了非洲劳动统计数据的学术生态与应用边界。