electricsheepafrica/africa-ilo-emp-temp-sex-mts-dsb-nb-employment-by-sex-marital-status-and-disability-st
收藏资源简介：
该数据集名为按性别、婚姻状况和残疾状况划分的就业人数（千）| 非洲（ILOSTAT），包含9,794个观测值，涵盖非洲41个国家，时间跨度为1998年至2025年。数据集聚焦于一个核心指标：按性别、婚姻状况和残疾状况划分的就业人数（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并专门过滤为非洲国家。数据集包含多个字段，如国家代码（ISO 3166-1 alpha-3）、国家名称、数据来源代码、指标代码、性别分类（总计、男性、女性）、婚姻状况分类、残疾状况分类、观测年份、观测数值（浮点型）以及数据质量标志（如不可靠、临时数据等）。该数据集适用于表格分类、回归分析和时间序列预测等机器学习任务，旨在为研究人员和开发者提供非洲劳动力市场的标准化、ML-ready数据。数据以Parquet格式发布，许可证为CC-BY-4.0，由Electric Sheep Africa重新打包。
许可证：CC BY 4.0 语言： - 英语 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 规模类别： - 1000 < 样本量 < 10000 标签： - 表格数据 - 非洲 - ILOSTAT - 就业 - ILO - 劳工 美观名称："按性别、婚姻状况和残疾状况划分的就业人数（千人）| 非洲（ILOSTAT）" --- # 按性别、婚姻状况和残疾状况划分的就业人数（千人）| 非洲（ILOSTAT） 🌍 **9794条观测** · **41个非洲国家** · **1998–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新打包*      ## TL;DR 本数据集包含**9794条就业相关观测**，覆盖**41个非洲国家**，时间跨度为**1998–2025年**，仅包含**1个独特指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的核心统计数据库，也是全球领先的劳工统计权威来源。其收录的指标涵盖就业、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SDG体面工作目标等，数据来源于全国劳动力调查、家庭收入调查、机构调查以及行政记录。该数据库覆盖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。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_MTS_DSB_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_MTS_DSB_NB` 拉取数据，并筛选出非洲地区的ISO3国家代码对应的观测。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处理；数据来源会在`source.label`列中标记，以保证可追溯性。 ## 地理覆盖范围 41个非洲国家，以下按观测行数排序展示部分国家： | 国家 | 观测行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 800 | 2014 | 2025 | | `GHA` | 674 | 2010 | 2024 | | `ZMB` | 611 | 2015 | 2024 | | `BWA` | 535 | 2009 | 2024 | | `SEN` | 533 | 2015 | 2024 | | `ZWE` | 481 | 2014 | 2024 | | `CIV` | 428 | 1998 | 2022 | | `TGO` | 418 | 2006 | 2022 | | `TZA` | 404 | 2008 | 2024 | | `BFA` | 323 | 2006 | 2024 | | `UGA` | 307 | 2010 | 2021 | | `SYC` | 295 | 2019 | 2024 | | `GMB` | 278 | 2012 | 2025 | | `ETH` | 242 | 2005 | 2021 | | `BEN` | 238 | 2013 | 2022 | | ... | _另有26个国家_ | | | ## 指标（示例） - `EMP_TEMP_SEX_MTS_DSB_NB` — 按性别、婚姻状况和残疾状况划分的就业人数（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 | `AGO` | | `ref_area.label` | `string` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英语来源名称 | `人口普查（PC）` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_TEMP_SEX_MTS_DSB_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、婚姻状况和…划分的就业人数` | | `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、身份等） | `MTS_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `婚姻状况（总计）` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | — | `残疾状况：总计` | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测指标值（单位见指标定义） | `5292.302` | | `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` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `I20:4147` | | `note_indicator.label` | `string` | — | `就业定义：其他非标准…` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库-微观数据…` | ## 细分维度 以下列提供数据细分维度： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分列（`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-emp-temp-sex-mts-dsb-nb-employment-by-sex-marital-status-and-disability-st") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_TEMP_SEX_MTS_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_MTS_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_MTS_DSB_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_mts_dsb_nb_employment_by_sex_marital_status_and_disability_st_2025, title = "按性别、婚姻状况和残疾状况划分的就业人数（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_MTS_DSB_NB}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新打包}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-temp-sex-mts-dsb-nb-employment-by-sex-marital-status-and-disability-st}} } ## 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 © 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以及Electric Sheep Africa的重新打包版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep项目的一部分，该项目旨在HuggingFace上构建统一的、可供机器学习使用的非洲地区数据层。我们从权威开放数据源获取数据，对其schema进行标准化处理，打包为Parquet格式，并发布格式统一的数据集卡片，以便研究人员和开发者通过`load_dataset()`函数在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026-05-25通过Electric Sheep管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_MTS_DSB_NB_
