US State Employment Hours and Earnings (Время занятости и заработная плата в штатах США)

Статья
12/06/2023

Программа статистики текущей занятости (CES) предоставляет подробную оценку отрасли в плане занятости несельскохозяйственного персонала, рабочем времени и окладах в Соединенных Штатах.

Примечание.

Корпорация Майкрософт предоставляет Открытые наборы данных Azure как есть. Корпорация Майкрософт не предоставляет никаких гарантий (явных или подразумеваемых) и не определяет никаких условий в связи с использованием этих наборов данных. В рамках, допускаемых местным законодательством, корпорация Майкрософт отказывается от ответственности за ущерб и убытки (в том числе прямые, косвенные, специальные, опосредованные, случайные и штрафные), понесенные в результате использования вами этих наборов данных.

Этот набор данных предоставляется на тех же условиях, на которых корпорация Майкрософт получила исходные данные. Этот набор может включать данные, полученные от корпорации Майкрософт.

Источник этого набора данных — сведения о занятости, рабочем времени и окладах в городе и пригородах, опубликованные Бюро трудовой статистики (BLS) США. Просмотрите Ссылки и информацию об авторских правах и Важные уведомления о веб-сайте, чтобы получить сведения об условиях, связанных с использованием этого набора данных.

Расположение хранилища

Этот набор данных хранится в регионе Azure "Восточная часть США". Для обеспечения приближенности рекомендуется выделять вычислительные ресурсы в регионе "Восточная часть США".

US National Employment Hours and Earnings (Время занятости и заработная плата граждан США)
US Local Area Unemployment Statistics (Статистика безработицы в США по географическим областям)
US Labor Force Statistics (Статистика по занятому населению США)

Столбцы

Имя.	Тип данных	Уникальный	Значения (пример)
area_code	строка	446	0 31 084
area_name	строка	446	Statewide Los Angeles-Long Beach-Glendale, CA Metropolitan Division (По штату: Лос-Анджелес — Лонг-Бич — Глендейл, штат) Калифорния, столичный округ
data_type_code	строка	9	1 3
data_type_text	строка	9	All Employees, In Thousands Average Weekly Hours of All Employees (Все сотрудники, среднее число еженедельных часов для всех сотрудников в тысячах)
footnote_codes	строка	3	nan P
industry_code	строка	343	0 5 000 000
industry_name	строка	343	Total Nonfarm Total Private (Всего для несельскохозяйственного сектора Всего для частного сектора)
Период	строка	13	M04 M05
сезонные корректировки	строка	2	U S
series_id	строка	23 853	SMU12000000000000001 SMU36000000000000001
state_code	строка	53	6 48
state_name	строка	53	California Texas (Калифорния Техас)
supersector_code	строка	22	90 60
supersector_name	строка	22	Government Professional and Business Services (Правительственные Профессиональные и коммерческие услуги)
значение	с плавающей запятой	132 565	0.30000001192092896 0.10000000149011612
year	INT	81	2014 2018

"Предварительная версия"

area_code	state_code	data_type_code	series_id	year	Период	значение	footnote_codes	сезонные корректировки	supersector_name	industry_name	data_type_text	state_name	area_name
13460	41	26	SMS41134600000000026	1990	M04	0,2	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M05	0,2	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M06	0,1	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M07	0,1	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M08	0,2	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M09	0,2	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)
13460	41	26	SMS41134600000000026	1990	M10	0,1	не число	S	Total Nonfarm (Всего для несельскохозяйственного сектора)	Total Nonfarm (Всего для несельскохозяйственного сектора)	All Employees, 3-month average change, In Thousands, seasonally adjusted (Все сотрудники, среднее изменение за 3 месяца, в тысячах, с сезонной корректировкой)	Орегон	Bend-Redmond, OR (Бенд — Редмонд, штат Орегон)

Доступ к данным

Записные книжки Azure

# 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

Образец для комбинации платформа/пакет недоступен.

# 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'))

Следующие шаги

Ознакомьтесь с другими наборами в каталоге Открытых наборов данных.