electricsheepafrica/africa-ilo-emp-temp-sex-mjh-dsb-nb-employment-by-sex-multiple-job-holding-and-disabil

这是一个关于非洲国家就业数据的表格数据集，专注于按性别、多重职业持有和残疾状况分类的就业统计（以千为单位）。数据集包含2,957个观测值，覆盖35个非洲国家，时间跨度为2005年至2025年，核心指标为“Employment by sex, multiple job holding and disability status (thousands)”。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，以提供ML-ready格式。数据集包括国家代码、指标代码、性别分类（总计、男性、女性）、多重职业持有和残疾状况分类、观测年份、观测值等列，适用于表格分类、回归和时间序列预测任务。数据收集方法基于ILOSTAT REST API，并经过ILO的统计标准化处理，确保数据可比性和可追溯性。license: 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 样本规模：1000 < n < 10000 标签：表格数据、非洲、ILOSTAT、就业、国际劳工组织（ILO，International Labour Organization）、劳工 友好名称："按性别、多重就业身份与残疾状况划分的就业人数（千人） | 非洲（ILOSTAT）" # 按性别、多重就业身份与残疾状况划分的就业人数（千人） | 非洲（ILOSTAT） 🌍 **2957条观测** · **35个非洲国家** · **2005–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## 简短摘要 本数据集包含覆盖35个非洲国家、时间跨度为2005至2025年的**2957条就业相关观测数据**，涵盖**1项独立指标**。 ## 关于数据源 **国际劳工统计数据库（ILOSTAT，International Labour Organization Statistics Database）** 是国际劳工组织（ILO，International Labour Organization）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，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，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。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_MJH_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_MJH_DSB_NB`拉取数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码。ILOSTAT采用国际劳工统计学家会议（ICLS，International Conference of Labour Statisticians）制定的定义对原始调查微观数据进行标准化协调；数据来源信息会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 35个非洲国家，以下为按行数排序的前15个国家及其余20个国家的汇总： | 国家（ISO3代码） | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 253 | 2014 | 2025 | | `BWA` | 217 | 2009 | 2024 | | `ZMB` | 205 | 2015 | 2024 | | `ZWE` | 192 | 2014 | 2024 | | `GHA` | 189 | 2013 | 2024 | | `SEN` | 170 | 2015 | 2024 | | `UGA` | 138 | 2010 | 2021 | | `TZA` | 126 | 2010 | 2024 | | `GMB` | 112 | 2012 | 2025 | | `TGO` | 108 | 2006 | 2022 | | `CIV` | 107 | 2016 | 2022 | | `SYC` | 106 | 2019 | 2024 | | `BFA` | 90 | 2019 | 2024 | | `SWZ` | 75 | 2016 | 2023 | | `LSO` | 72 | 2019 | 2024 | | ... | _其余20个国家_ | | | ## 指标（示例） - `EMP_TEMP_SEX_MJH_DSB_NB` — 按性别、多重就业身份与残疾状况划分的就业人数（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 | `BEN` | | `ref_area.label` | `string` | 英文国家名称 | `贝宁` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BB:426` | | `source.label` | `string` | 英文数据源名称 | `HIES - 模块化监测调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_TEMP_SEX_MJH_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、多重就业身份与残疾状况划分的就业人数` | | `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` | 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） | `MJH_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量标签 | `多重就业者：总计` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | 分类变量标签 | `残疾状况：总计` | | `time` | `int64` | 观测年份 | `2022` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `5445.039` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态标签 | `不可靠` | | `note_classif` | `float64` | 分类说明 | `—` | | `note_classif.label` | `float64` | 分类说明标签 | `—` | | `note_indicator` | `string` | 指标说明标记 | `I11:264` | | `note_indicator.label` | `string` | 指标说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源说明标记 | `R1:3513` | | `note_source.label` | `string` | 数据源说明 | `存储库：ILO统计司 - 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，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时才会填充非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-temp-sex-mjh-dsb-nb-employment-by-sex-multiple-job-holding-and-disabil") 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_MJH_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_MJH_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_MJH_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_mjh_dsb_nb_employment_by_sex_multiple_job_holding_and_disabil_2025, title = {按性别、多重就业身份与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_MJH_DSB_NB}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-temp-sex-mjh-dsb-nb-employment-by-sex-multiple-job-holding-and-disabil}} } ## 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的重新整理版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、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拉取数据，标准化数据结构，封装为Parquet格式，并以统一的数据集卡片形式发布，使研究人员与开发者可通过`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_MJH_DSB_NB_