US Labor Force Statistics (statistik om arbetskraft i USA)

Artikel
12/06/2023

Arbetskraftsstatistik för arbetskraft, arbetskraftsdeltagande och civil icke-institutionell befolkning efter ålder, kön, ras och etniska grupper. i USA.

Denna datamängd har baserats på data från Current Employment Statistics - CES (National) som publiceras av US Bureau of Labor Statistics (BLS). I Linking and Copyright Information och Important Web Site Notices finns villkor och bestämmelser för användningen av denna datamängd.

Kommentar

Microsoft tillhandahåller Azure Open Datasets i befintligt fall. Microsoft ger inga garantier, uttryckliga eller underförstådda garantier eller villkor för din användning av datauppsättningarna. I den utsträckning som tillåts enligt din lokala lag frånsäger sig Microsoft allt ansvar för eventuella skador eller förluster, inklusive direkt, följdriktig, särskild, indirekt, tillfällig eller straffbar, till följd av din användning av datauppsättningarna.

Datamängden tillhandahålls enligt de ursprungliga villkor som gällde när Microsoft tog emot källdatan. Datamängden kan innehålla data från Microsoft.

Lagringsplats

Datamängden lagras i Azure-regionen Östra USA. Vi rekommenderar att beräkningsresurser tilldelas i Östra USA av tillhörighetsskäl.

Kolumner

Name	Datatyp	Unik	Värden (exempel)
absn_code	heltal	4	3 4
activity_code	heltal	7	8 3
ages_code	heltal	35	10 17
born_code	heltal	3	1 2
cert_code	heltal	5	4 3
chld_code	heltal	6	2 5
class_code	heltal	14	2 1
disa_code	heltal	3	2 1
duration_code	heltal	11	18 6
education_code	heltal	9	40 19
entr_code	heltal	3	1 2
expr_code	heltal	3	1 2
footnote_codes	sträng	7	nan 4,0
hheader_code	heltal	2	1
hour_code	heltal	13	1 16
indy_code	heltal	323	368 169
jdes_code	heltal	3	1 2
lfst_code	heltal	33	20 30
look_code	heltal	7	1 6
mari_code	heltal	5	2 1
mjhs_code	heltal	6	1 5
occupation_code	heltal	566	8999 4999
orig_code	heltal	14	1 2
pcts_code	heltal	23	5 8
Period	sträng	18	M07 M06
periodicity_code	sträng	3	M Q
race_code	heltal	14	1 3
rjnw_code	heltal	9	1 3
rnlf_code	heltal	11	63 64
rwns_code	heltal	17	10 1
Säsongsbetonade	sträng	2	U S
seek_code	heltal	2	1
series_id	sträng	45,478	LNU01300000 LNU02034560
series_title	sträng	34,264	(Unadj) Sysselsättningsnivå - Jordbruk och närliggande industrier (Unadj) civil arbetskraftsnivå
sexs_code	heltal	3	1 2
tdat_code	heltal	6	1 4
värde	flyttal	121,742	3.0 4.0
vets_code	heltal	8	25 1
wkst_code	heltal	7	1 4
år	heltal	80	2018 2017

Förhandsgranska

series_id	år	Period	värde	footnote_codes	lfst_code	periodicity_code	series_title	ages_code	race_code	sexs_code	Säsongsbetonade
LNS11000031Q	1972	Q01	4300	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1972	Q02	4370	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1972	Q03	4397	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1972	Q04	4381	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1973	Q01	4408	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1973	Q02	4445	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1973	Q03	4477	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1973	Q04	4523	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1974	Q01	4574	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S
LNS11000031Q	1974	Q02	4538	Nan	10	K	(Hav) Civil arbetskraftsnivå - 20 år. & över, svarta eller afroamerikanska män	17	3	1	S

Dataåtkomst

Azure Notebooks

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

labor = UsLaborLFS()
labor_df = labor.to_pandas_dataframe()

labor_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 = "lfs/"

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 UsLaborLFS

labor = UsLaborLFS()
labor_df = labor.to_spark_dataframe()

display(labor_df.limit(5))

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

Exempel är inte tillgängligt för den här kombinationen av plattform/paket.

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

Nästa steg

Visa resten av datauppsättningarna i katalogen Öppna datamängder.