US National Employment Hours and Earnings (arbetstimmar och inkomst i USA på nationell nivå)

Artikel
12/06/2023

Programmet för arbetsmarknadsstatistik (CES) producerar detaljerade branschberäkningar om anställningar utanför jordbrukssektorn, arbetstimmar och arbetsinkomster för avlönade arbetare i USA.

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.

README som innehåller filen för detaljerad information om den här datamängden finns på den ursprungliga datamängdens plats.

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.

Lagringsplats

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

US State Employment Hours and Earnings (arbetstimmar och inkomst i USA på delstatsnivå)
US Local Area Unemployment Statistics (statistik om arbetslöshet i USA på lokal nivå)
US Labor Force Statistics (statistik om arbetskraft i USA)

Kolumner

Name	Datatyp	Unik	Värden (exempel)	beskrivning
data_type_code	sträng	37	10	Se https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	sträng	37	ALLA ANSTÄLLDA, TUSENTALS KVINNLIGA ANSTÄLLDA, TUSENTALS	Se https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	sträng	2	nan P
industry_code	sträng	902	30000000 32000000	Olika branscher som omfattas. Se https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	sträng	895	Engångsvaror Varaktiga varor	Olika branscher som omfattas. Se https://download.bls.gov/pub/time.series/ce/ce.industry
Period	sträng	13	M03 M06	Se https://download.bls.gov/pub/time.series/ce/ce.period
Säsongsbetonade	sträng	2	U S
series_id	sträng	26,021	CEU3100000008 CEU9091912001	Olika typer av dataserier som finns i datamängden. Se https://download.bls.gov/pub/time.series/ce/ce.series
series_title	sträng	25,685	Alla anställda, tusentals, varaktiga varor, inte säsongrensade Alla anställda, tusentals, ej försöröriga varor, inte säsongsrensade	Namnet på de olika typerna av dataserier som finns i datamängden. Se https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	sträng	22	31 60	Bransch- eller sektorklassificering på högre nivå. Se https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	sträng	22	Durable Goods Professional och affärstjänster	Bransch- eller sektorklassificering på högre nivå. Se https://download.bls.gov/pub/time.series/ce/ce.supersector
värde	flyttal	572,372	38.5 38.400001525878906
år	heltal	81	2017 2012

Förhandsgranska

data_type_code	industry_code	supersector_code	series_id	år	Period	värde	footnote_codes	Säsongsbetonade	series_title	supersector_name	industry_name	data_type_text
26	5 000 000	5	CES0500000026	1939	M04	52	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M05	65	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M06	74	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M07	103	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M08	108	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M09	152	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M10	307	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS
26	5 000 000	5	CES0500000026	1939	M11	248	Nan	S	Alla anställda, genomsnittlig förändring på 3 månader, säsongsrensat, tusentals, totalt privat, säsongsrensat	Totalt privat	Totalt privat	ALLA ANSTÄLLDA, GENOMSNITTLIG FÖRÄNDRING PÅ 3 MÅNADER, SÄSONGSRENSAT, TUSENTALS

Dataåtkomst

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

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 = "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'))

Nästa steg

Visa resten av datauppsättningarna i katalogen Öppna datamängder.