Arbeidsuren en salarissen voor VS (nationaal)

Artikel
12/06/2023

Het CES-programma (Current Employment Statistics) levert gedetailleerde bedrijfstakramingen voor de werkgelegenheid, uren en inkomsten van werknemers op loonlijsten in de niet-agrarische sector in de Verenigde Staten.

Notitie

Microsoft biedt Azure Open Datasets op basis van 'zoals is'. Microsoft geeft geen garanties, uitdrukkelijk of impliciet, garanties of voorwaarden met betrekking tot uw gebruik van de gegevenssets. Voor zover toegestaan volgens uw lokale wetgeving, wijst Microsoft alle aansprakelijkheid af voor eventuele schade of verliezen, waaronder directe, gevolgschade, speciale, indirecte, incidentele of strafbare gegevenssets, die het gevolg zijn van uw gebruik van de gegevenssets.

Deze gegevensset wordt geleverd onder de oorspronkelijke voorwaarden dat Microsoft de brongegevens heeft ontvangen. De gegevensset kan gegevens bevatten die afkomstig zijn van Microsoft.

LEESMIJ met bestand voor gedetailleerde informatie over deze gegevensset is beschikbaar op de oorspronkelijke locatie van de gegevensset.

Deze gegevensset is afkomstig uit Current Employment Statistics - CES-gegevens (nationaal) gepubliceerd door US Bureau of Labor Statistics (BLS). Lees Informatie over koppelingen en auteursrechten en Belangrijke websitemededelingen voor de voorwaarden met betrekking tot het gebruik van deze gegevensset.

Opslaglocatie

Deze gegevensset wordt opgeslagen in de Azure-regio US - oost. Het wordt aanbevolen om rekenresources in US - oost toe te wijzen voor affiniteit.

Kolommen

Naam	Gegevenstype	Uniek	Waarden (voorbeeld)	Beschrijving
data_type_code	tekenreeks	37	1 10	Zie https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	tekenreeks	37	ALLE WERKNEMERS, DUIZENDEN VROUWELIJKE WERKNEMERS, DUIZENDEN WERKNEMERS	Zie https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	tekenreeks	2	nan P
industry_code	tekenreeks	902	30000000 32000000	Informatie over verschillende bedrijfstakken. Zie https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	tekenreeks	895	Niet-beveiligbare goederen Duurzame goederen	Informatie over verschillende bedrijfstakken. Zie https://download.bls.gov/pub/time.series/ce/ce.industry
Periode	tekenreeks	13	M03 M06	Zie https://download.bls.gov/pub/time.series/ce/ce.period
Seizoensgebonden	tekenreeks	2	U S
series_id	tekenreeks	26,021	CEU3100000008 CEU9091912001	Verschillende typen gegevensseries die in de gegevensset beschikbaar zijn. Zie https://download.bls.gov/pub/time.series/ce/ce.series
series_title	tekenreeks	25,685	Alle werknemers, duizenden, duurzame goederen, niet seizoensgebonden aangepast Alle werknemers, duizenden, niet-seizoensgebonden goederen, niet seizoensgebonden aangepast	De titel van de verschillende typen gegevensseries die in de gegevensset beschikbaar zijn. Zie https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	tekenreeks	22	31 60	Branche- of sectorclassificatie op een hoger niveau. Zie https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	tekenreeks	22	Durable Goods Professional en zakelijke diensten	Branche- of sectorclassificatie op een hoger niveau. Zie https://download.bls.gov/pub/time.series/ce/ce.supersector
waarde	zwevend	572,372	38.5 38.400001525878906
jaar	int	81	2017 2012

Preview

data_type_code	industry_code	supersector_code	series_id	jaar	Periode	waarde	footnote_codes	Seizoensgebonden	series_title	supersector_name	industry_name	data_type_text
26	5.000.000	5	CES0500000026	1939	M04	52	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M05	65	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M06	74	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M07	103	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M08	108	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M09	152	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M10	307	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN
26	5.000.000	5	CES0500000026	1939	M11	248	nan	S	Alle werknemers, 3 maanden gemiddelde verandering, seizoensgebonden aangepast, duizenden, totaal privé, seizoensgebonden aangepast	Totaal privé	Totaal privé	ALLE WERKNEMERS, 3 MAANDEN GEMIDDELDE VERANDERING, SEIZOENSGEBONDEN AANGEPAST, DUIZENDEN

Toegang tot gegevens

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

Voorbeeld niet beschikbaar voor deze combinatie van platform/pakket.

# 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'))

Volgende stappen

Bekijk de rest van de gegevenssets in de catalogus Open Datasets.