Beschäftigungszeit und Einnahmen in den USA nach Bundesstaat

Das CES-Programm (Current Employment Statistics) produziert detaillierte Branchenschätzungen für nicht landwirtschaftliche Beschäftigung, Arbeitszeit und Einnahmen von Arbeitnehmern in den USA, die Gehaltsabrechnungen erhalten.

Hinweis

Microsoft stellt Datasets der Plattform Azure Open Datasets auf einer „As is“-Basis (d. h. ohne Mängelgewähr) zur Verfügung. Microsoft übernimmt weder ausdrücklich noch stillschweigend die Gewährleistung für Ihre Nutzung der Datasets und sichert keinerlei Garantien oder Bedingungen zu. Soweit nach örtlich anwendbarem Recht zulässig, lehnt Microsoft jegliche Haftung für Schäden oder Verluste ab. Dies schließt direkte, indirekte, besondere oder zufällige Schäden oder Verluste sowie Folge- und Strafschäden und damit verbundene Verluste ein, die sich aus Ihrer Nutzung der Datasets ergeben.

Für die Bereitstellung dieses Datasets gelten die ursprünglichen Nutzungsbedingungen, unter denen Microsoft die Quelldaten bezogen hat. Das Dataset kann Daten von Microsoft enthalten.

Dieses Dataset wird aus den von der US Bureau of Labor Statistics (BLS) veröffentlichten Daten zur Beschäftigung (State and Metro Area Employment), den Arbeitszeiten und den Gehältern (Hours & Earnings data) in den Bundesstaaten und Regionen erstellt. Lesen Sie die Informationen zu Verknüpfungen und Copyright und wichtige Hinweise zur Website, um mehr über die Bestimmungen für die Nutzung dieses Datasets zu erfahren.

Speicherort

Dieses Dataset wird in der Azure-Region „USA, Osten“ gespeichert. Aus Gründen der Affinität wird die Zuweisung von Computeressourcen in der Region „USA, Osten“ empfohlen.

Zugehörige Datasets

• Nationale Beschäftigungszeit und Einnahmen in den USA
• Statistik zur Arbeitslosigkeit in den USA nach lokaler Umgebung
• Statistik zu Arbeitskräften in den USA

Spalten

Name	Datentyp	Eindeutig	Beispielwerte
area_code	Zeichenfolge	446	0 31084
area_name	Zeichenfolge	446	Statewide Los Angeles-Long Beach-Glendale, CA Metropolitan Division
data_type_code	Zeichenfolge	9	1 3
data_type_text	Zeichenfolge	9	Alle Mitarbeiter, in Tausend durchschnittliche wöchentliche Arbeitsstunden aller Mitarbeiter
footnote_codes	Zeichenfolge	3	nan P
industry_code	Zeichenfolge	343	0 5000000
industry_name	Zeichenfolge	343	Gesamtanzahl nicht landwirtschaftlichen Lands Gesamt privat
period (Zeitraum)	Zeichenfolge	13	M04 M05
saisonal	Zeichenfolge	2	U S A
series_id	Zeichenfolge	23,853	SMU12000000000000001 SMU36000000000000001
state_code	Zeichenfolge	53	6 48
state_name	Zeichenfolge	53	Kalifornien Texas
supersector_code	Zeichenfolge	22	90 60
supersector_name	Zeichenfolge	22	Staatliche Fachdienstleistungen und Unternehmensdienstleistungen
value	float	132,565	0.30000001192092896 0.10000000149011612
year	INT	81	2014 2018

Vorschau

area_code	state_code	data_type_code	industry_code	supersector_code	series_id	year	period (Zeitraum)	value	footnote_codes	saisonal	supersector_name	industry_name	data_type_text	state_name	area_name
13460	41	26	0	0	SMS41134600000000026	1990	M04	0.2	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M05	0.2	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M06	0.1	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M07	0.1	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M08	0.2	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M09	0.2	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M10	0.1	nan	E	Gesamtanzahl nicht landwirtschaftlichen Lands	Gesamtanzahl nicht landwirtschaftlichen Lands	Alle Mitarbeiter, Veränderung im 3-Monats-Durchschnitt, In Tausend, saisonabhängig angepasst	Oregon	Bend-Redmond, OR

Datenzugriff

Azure Notebooks

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import UsLaborEHEState

usLaborEHEState = UsLaborEHEState()
usLaborEHEState_df = usLaborEHEState.to_pandas_dataframe()

usLaborEHEState_df.info()

azure-storage

# Pip install packages
import os, sys

!{sys.executable} -m pip install azure-storage-blob
!{sys.executable} -m pip install pyarrow
!{sys.executable} -m pip install pandas

# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "laborstatisticscontainer"
folder_name = "ehe_state/"

from azure.storage.blob import BlockBlobServicefrom azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient

if azure_storage_account_name is None or azure_storage_sas_token is None:
    raise Exception(
        "Provide your specific name and key for your Azure Storage account--see the Prerequisites section earlier.")

print('Looking for the first parquet under the folder ' +
      folder_name + ' in container "' + container_name + '"...')
container_url = f"https://{azure_storage_account_name}.blob.core.windows.net/"
blob_service_client = BlobServiceClient(
    container_url, azure_storage_sas_token if azure_storage_sas_token else None)

container_client = blob_service_client.get_container_client(container_name)
blobs = container_client.list_blobs(folder_name)
sorted_blobs = sorted(list(blobs), key=lambda e: e.name, reverse=True)
targetBlobName = ''
for blob in sorted_blobs:
    if blob.name.startswith(folder_name) and blob.name.endswith('.parquet'):
        targetBlobName = blob.name
        break

print('Target blob to download: ' + targetBlobName)
_, filename = os.path.split(targetBlobName)
blob_client = container_client.get_blob_client(targetBlobName)
with open(filename, 'wb') as local_file:
    blob_client.download_blob().download_to_stream(local_file)

# Read the parquet file into Pandas data frame
import pandas as pd

print('Reading the parquet file into Pandas data frame')
df = pd.read_parquet(filename)

# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df

pyspark

Für diese Kombination aus Plattform und Paket ist kein Beispiel verfügbar.

Azure Databricks

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import UsLaborEHEState

usLaborEHEState = UsLaborEHEState()
usLaborEHEState_df = usLaborEHEState.to_spark_dataframe()

display(usLaborEHEState_df.limit(5))

azure-storage

Für diese Kombination aus Plattform und Paket ist kein Beispiel verfügbar.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ehe_state/"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

azureml-opendatasets

Für diese Kombination aus Plattform und Paket ist kein Beispiel verfügbar.

azure-storage

Für diese Kombination aus Plattform und Paket ist kein Beispiel verfügbar.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ehe_state/"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Nächste Schritte

Machen Sie sich mit den restlichen Datasets im Open Datasets-Katalog vertraut.