Ore e guadagni per il settore dell'occupazione a livello statale negli Stati Uniti

Articolo
04/19/2024

Il programma Current Employment Statistics (CES) genera stime dettagliate per il settore dell'occupazione non agricola con informazioni su ore e guadagni dei lavoratori stipendiati negli Stati Uniti.

Nota

Microsoft fornisce i set di dati aperti di Azure "così come sono". Microsoft non fornisce alcuna garanzia o condizione, espressa o implicita, in merito all'utilizzo dei set di dati. Nella misura massima consentita dalle leggi locali, Microsoft non riconosce alcuna responsabilità relativamente a danni o perdite commerciali, inclusi i danni diretti, consequenziali, speciali, indiretti, incidentali o punitivi derivanti dall'uso dei set di dati da parte dell'utente.

Questo set di dati viene fornito in conformità con le condizioni originali in base alle quali Microsoft ha ricevuto i dati di origine. Il set di dati potrebbe includere dati provenienti da Microsoft.

Questo set di dati viene generato dai dati del Stati and Metro Area Employment, Hours & Earnings pubblicati dal US Bureau of Labor Statistics (BLS). Per informazioni sui termini e sulle condizioni per l'utilizzo di questo set di dati, vedi le informazioni sui collegamenti e sul copyright e le informative importanti sul sito Web.

Posizione di archiviazione

Questo set di dati è archiviato nell'area Stati Uniti orientali di Azure. L'allocazione delle risorse di calcolo nell'area Stati Uniti orientali è consigliata per motivi di affinità.

Colonne

Nome	Tipo di dati	Unica	Valori (esempio)
area_code	string	446	0 31084
area_name	string	446	In tutto lo Stato Los Angeles-Long Beach-Glendale, CA Metropolitan Division
data_type_code	string	9	1 3
data_type_text	string	9	Tutti i dipendenti, Ore settimanali medie di tutti i dipendenti in migliaia
footnote_codes	string	3	nan P
industry_code	string	343	0 5000000
industry_name	string	343	Totale Nonfarm Totale Private
period	string	13	M04 M05
stagionale	string	2	U S
series_id	string	23,853	SMU12000000000000001 SMU36000000000000001
state_code	string	53	6 48
state_name	string	53	California Texas
supersector_code	string	22	90 60
supersector_name	string	22	Servizi professionali e aziendali del governo
value	float	132,565	0.30000001192092896 0.10000000149011612
year	int	81	2014 2018

Anteprima

area_code	state_code	data_type_code	series_id	year	period	value	footnote_codes	stagionale	supersector_name	industry_name	data_type_text	state_name	area_name
13460	41	26	SMS41134600000000026	1990	M04	0,2	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M05	0,2	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M06	0,1	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M07	0,1	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M08	0,2	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M09	0,2	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR
13460	41	26	SMS41134600000000026	1990	M10	0,1	nan	S	Totale Nonfarm	Totale Nonfarm	Tutti i dipendenti, variazione media di 3 mesi, in migliaia, variazione stagionale	Oregon	Bend-Redmond, OR

Accesso ai dati

Azure Notebooks

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

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

usLaborEHEState_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_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

Azure Databricks

# 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 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

Campione non disponibile per questa combinazione di piattaforma/pacchetto.

# 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'))

Passaggi successivi

Visualizzare il resto dei set di dati nel catalogo dei set di dati aperti.