USA – országos munkaidő- és jövedelemadatok

Cikk
12/06/2023

A Current Employment Statistics (CES – Aktuális foglalkoztatási statisztikák) program részletes iparági becsléseket nyújt a nem mezőgazdasági foglalkoztatásról, a munkaórákról, valamint a fizetett munkavállalók bevételéről az Egyesült Államokban.

Megjegyzés:

A Microsoft az Azure Open Datasets szolgáltatást "adott módon" biztosítja. A Microsoft nem vállal kifejezett vagy vélelmezett garanciát vagy feltételeket az adathalmazok Ön általi használatára vonatkozóan. A microsoft a helyi jogszabályok által megengedett mértékben kizár minden felelősséget az adathalmazok használatából eredő károkért vagy veszteségekért, beleértve a közvetlen, következményi, különleges, közvetett, incidenses vagy büntető jellegű károkat is.

Az adatkészletet a Microsoft forrásadataihoz tartozó eredeti feltételek szerint szolgáltatjuk. A készlet tartalmazhat Microsofttól származó adatokat.

Az adatkészletről részletes információkat tartalmazó README-fájl az eredeti adathalmaz helyén érhető el.

Az adatkészlet forrása az aktuális foglalkoztatási statisztikák adathalmaza, amelyet az Egyesült Államok Munkastatisztikai részlege (BLS) tett közzé. Az adatkészlet használatával kapcsolatos feltételekért tekintse meg a hivatkozási és szerzői jogi tudnivalókat és a fontos webhelyközleményeket.

Tárolási hely

Az adatkészlet tárolási helye a Kelet-USA Azure-régió. Az affinitás érdekében Kelet-USA régión belüli számítási erőforrások lefoglalását javasoljuk.

Oszlopok

Név	Adattípus	Egyedi	Values (sample)	Leírás
data_type_code	sztring	37	1 10	See https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	sztring	37	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, TÖBB EZER NŐ ENTERPRISE KIADÁS, EZRES	See https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	sztring	2	nan P
industry_code	sztring	902	30000000 32000000	Különféle iparágakat fed le. See https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	sztring	895	Nem hasznosítható áruk Tartós fogyasztási cikkek	Különféle iparágakat fed le. See https://download.bls.gov/pub/time.series/ce/ce.industry
Időszak	sztring	13	M03 M06	See https://download.bls.gov/pub/time.series/ce/ce.period
Szezonális	sztring	2	U S
series_id	sztring	26,021	CEU3100000008 CEU9091912001	Az adatkészletben különböző adatsorozat-típusok bannak. See https://download.bls.gov/pub/time.series/ce/ce.series
series_title	sztring	25,685	Minden alkalmazott, ezer, tartós áru, nem szezonálisan igazított Minden alkalmazott, ezres, nem hasznosítható áru, nem szezonálisan igazított	Az adatkészletben elérhető különböző adatsorozat-típusok címe. See https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	sztring	22	31 60	Magasabb szintű iparági vagy szektorbesorolás. See https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	sztring	22	Durable Goods Professional és üzleti szolgáltatások	Magasabb szintű iparági vagy szektorbesorolás. See https://download.bls.gov/pub/time.series/ce/ce.supersector
Érték	float	572,372	38.5 38.400001525878906
Év	egész	81	2017 2012

Előnézet megtekintése

data_type_code	industry_code	supersector_code	series_id	Év	Időszak	Érték	footnote_codes	Szezonális	series_title	supersector_name	industry_name	data_type_text
26	5 000 000	5	CES0500000026	1939	M04	52	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M05	65	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M06	74	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M07	103	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M08	108	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M09	152	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M10	307	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES
26	5 000 000	5	CES0500000026	1939	M11	248	Nan	V	Minden alkalmazott, 3 hónapos átlagos változás, szezonálisan igazított, ezres, teljes magánjellegű, szezonálisan igazított	Teljes magánjellegű	Teljes magánjellegű	MINDEN ALKALMAZOTT ENTERPRISE KIADÁS, 3 HÓNAPOS ÁTLAGOS VÁLTOZÁS, STANDARD KIADÁS ASONLYAN IGAZÍTOTT, EZRES

Az adatok elérése

Azure Notebooks

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

usLaborEHENational = UsLaborEHENational()
usLaborEHENational_df = usLaborEHENational.to_pandas_dataframe()

usLaborEHENational_df.info()

# 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_national/"

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

Azure Databricks

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

usLaborEHENational = UsLaborEHENational()
usLaborEHENational_df = usLaborEHENational.to_spark_dataframe()

display(usLaborEHENational_df.limit(5))

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ehe_national/"
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

A minta nem érhető el ehhez a platform-/csomagkombinációhoz.

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ehe_national/"
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'))

További lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.