Emprego, horas e ganhos nacionais nos EUA

Artigo
12/06/2023

O programa das CES (Estatísticas Atuais de Emprego) produz estimativas detalhadas da indústria de empregos não agrícolas, horas e salários de trabalhadores em folhas de pagamento nos Estados Unidos.

Observação

A Microsoft fornece o Azure Open Datasets no estado em que se encontra. A Microsoft não oferece garantias nem coberturas, expressas ou implícitas, em relação ao uso dos conjuntos de dados. Até o limite permitido pela legislação local, a Microsoft se exime de toda a obrigação por danos ou perdas, inclusive diretos, consequentes, especiais, indiretos, acidentais ou punitivos, resultantes do uso dos conjuntos de dados.

Esse conjunto de dados é fornecido de acordo com os termos originais com que a Microsoft recebeu os dados de origem. O conjunto de dados pode incluir dados originados da Microsoft.

O LEIAME que contém o arquivo com informações detalhadas sobre esse conjuntos de dados está disponível no local original do conjuntos de dados.

Este conjunto de dados foi originado dos dados (nacionais) de CES (Estatísticas atuais de emprego) publicados pela BLS (Secretaria de Estatísticas Trabalhistas) dos EUA. Examine as Informações de vinculação e direitos autorais e Avisos importantes do site para ver os termos e condições relacionados ao uso deste conjunto de dados.

Local de armazenamento

Este conjunto de dados está armazenado na região Leste dos EUA do Azure. É recomendável alocar recursos de computação no Leste dos EUA para afinidade.

Colunas

Nome	Tipo de dados	Exclusivo	Valores (exemplo)	Descrição
area_type_code	string	37	1 10	Veja https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	string	37	TODOS OS FUNCIONÁRIOS, MILHARES DE FUNCIONÁRIAS, MILHARES	Veja https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	string	2	nan P
industry_code	string	902	30000000 32000000	Diferentes setores cobertos. Consulte https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	string	895	Bens não duráveis Bens duráveis	Diferentes setores cobertos. Consulte https://download.bls.gov/pub/time.series/ce/ce.industry
period	string	13	M03 M06	Veja https://download.bls.gov/pub/time.series/ce/ce.period
sazonais	string	2	U S
series_id	string	26,021	CEU3100000008 CEU9091912001	Diferentes tipos de séries de dados estão disponíveis no conjunto de dados. Consulte https://download.bls.gov/pub/time.series/ce/ce.series
series_title	string	25,685	Todos os funcionários, milhares, bens duráveis, não ajustados sazonalmente Todos os funcionários, milhares, bens não duráveis, não ajustados sazonalmente	O título dos diferentes tipos de séries de dados estão disponíveis no conjunto de dados. Consulte https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	string	22	31 60	Classificação de indústria ou setor de nível mais alto. Veja https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	string	22	Bens duráveis Serviços profissionais e comerciais	Classificação de indústria ou setor de nível mais alto. Veja https://download.bls.gov/pub/time.series/ce/ce.supersector
value	FLOAT	572,372	38.5 38.400001525878906
ano	INT	81	2017 2012

Versão Prévia

area_type_code	industry_code	supersector_code	series_id	ano	period	value	footnote_codes	sazonais	series_title	supersector_name	industry_name	data_type_text
26	5000000	5	CES0500000026	1939	M04	52	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M05	65	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M06	74	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M07	103	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M08	108	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M09	152	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M10	307	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES
26	5000000	5	CES0500000026	1939	M11	248	nan	S	Todos os funcionários, alteração média de 3 meses, ajustados sazonalmente, milhares, total privado, ajustados sazonalmente	Total privado	Total privado	TODOS OS FUNCIONÁRIOS, ALTERAÇÃO MÉDIA DE 3 MESES, AJUSTADOS SAZONALMENTE, MILHARES

Acesso de dados

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

Exemplo não disponível para essa combinação de plataforma/pacote.

# 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'))

Próximas etapas

Exiba o restante dos conjuntos de dados no catálogo do Open Datasets.