electricsheepafrica/africa-ilo-emp-pifl-sex-age-nb-employment-outside-the-formal-sector-by-sex-and-ag

该数据集是一个关于非洲非正规经济就业的统计数据集，包含16,281条观测数据，涵盖45个非洲国家，时间跨度为1999年至2025年。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，这是一个全球劳动力统计的主要来源。数据集的核心指标是EMP_PIFL_SEX_AGE_NB，即按性别和年龄划分的非正规经济就业人数（以千计）。数据经过ILO的标准化处理，使用国际劳工统计学家会议（ICLS）的定义进行统一。数据集提供了详细的字段，包括国家代码、数据来源、指标、性别分类、年龄分类、观测年份、观测值等，适用于表格分类、回归和时间序列预测等机器学习任务。数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的、适合机器学习的数据层。license: CC BY 4.0 language: - 英语 task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语言（monolingual） size_categories: - 1万至10万条样本 tags: - 表格（tabular） - 非洲（africa） - ILOSTAT - 非正规经济（informal-economy） - 国际劳工组织（ILO） - 劳工（labour） - 就业（employment） pretty_name: "按性别与年龄划分的非正规部门就业人数（单位：千人）| 非洲（ILOSTAT）" # 按性别与年龄划分的非正规部门就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **16281条观测样本** · **45个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 核心摘要 本数据集包含覆盖**45个非洲国家、1999–2025年区间**的**非正规经济（informal-economy）**相关数据，共计**16281条观测样本**，涉及**1项独立指标**。 ## 数据来源 **ILOSTAT（国际劳工组织统计数据库）** 是国际劳工组织（International Labour Organization, ILO）的核心统计数据库，是全球领先的劳工统计权威数据源。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（SDG）体面工作目标等领域的指标，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整合。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_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/) - **研究主题**：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_AGE_NB`拉取原始数据，并筛选出非洲地区的ISO3国家编码对应的样本。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 45个非洲国家 · 以下按样本量降序展示部分国家： | 国家代码 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 2,100 | 2000 | 2024 | | `MUS` | 1,008 | 2012 | 2024 | | `EGY` | 1,008 | 2008 | 2024 | | `MLI` | 840 | 2013 | 2024 | | `AGO` | 756 | 2004 | 2025 | | `RWA` | 756 | 2017 | 2025 | | `SEN` | 672 | 2011 | 2024 | | `ZMB` | 672 | 2017 | 2024 | | `ZWE` | 588 | 2011 | 2024 | | `UGA` | 588 | 2010 | 2021 | | `BWA` | 588 | 2006 | 2024 | | `CIV` | 504 | 2012 | 2022 | | `NAM` | 420 | 2012 | 2018 | | `BFA` | 336 | 2018 | 2024 | | `GMB` | 336 | 2012 | 2025 | | ... | 另有30个国家 | | | ## 指标（示例） - `EMP_PIFL_SEX_AGE_NB` — 按性别与年龄划分的非正规部门就业人数（单位：千人） ## 数据架构 | 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` | 英文国家名称 | `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 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_PIFL_SEX_AGE_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别与年龄划分的非正规部门就业人数（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` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `年龄（青年、成人）：15岁及以上` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `11270.18` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `note_classif` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：国际劳工组织统计数据库 - 微观数据` | ## 细分维度 以下字段提供数据细分维度： - **`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，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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-pifl-sex-age-nb-employment-outside-the-formal-sector-by-sex-and-ag") 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可视化 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_AGE_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_pifl_sex_age_nb_employment_outside_the_formal_sector_by_sex_and_ag_2025, title = {Employment outside the formal sector by sex and age (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-pifl-sex-age-nb-employment-outside-the-formal-sector-by-sex-and-ag}} } ## 许可证 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 Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在打造面向非洲的统一、可直接用于机器学习的数据集层，托管于HuggingFace平台。我们从权威开源数据源拉取数据，标准化数据架构，以Parquet格式打包发布，并采用统一的数据集卡片规范，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动工作。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026-05-25通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_NB