ABD İş Gücü İstatistikleri

Makale
01/10/2024

İşgücü İstatistikleri, ABD’deki yaş, cinsiyet, ırk ve etnik köken gruplarına göre iş gücünü, iş gücüne katılım oranlarını ve kurumsal olmayan sivil nüfusu analiz eder.

Bu veri kümesi ABD İşgücü İstatistikleri Bürosu (BLS) tarafından yayımlanan Mevcut İstihdam İstatistikleri - CES (Ulusal) verilerinden alınır. Bu veri kümesinin kullanımıyla ilgili hüküm ve koşullar için Bağlama ve Telif Hakkı Bilgileri ile Önemli Web Sitesi Bildirimleri’ni gözden geçirin.

Dekont

Microsoft, Azure Open Datasets'i "olduğu gibi" sağlar. Microsoft, veri kümelerini kullanımınızla ilgili olarak açık veya zımni hiçbir garanti veya koşul sağlamaz. Yerel yasalarınız kapsamında izin verilen ölçüde, Microsoft veri kümelerini kullanımınızdan kaynaklanan doğrudan, sonuçsal, özel, dolaylı, arızi veya cezai dahil olmak üzere tüm zarar veya kayıplar için tüm sorumluluğu kabul etmez.

Bu veri kümesi Microsoft’un kaynak verileri aldığı orijinal hükümler kapsamında sağlanır. Veri kümesi Microsoft’tan alınan verileri içerebilir.

Depolama konumu

Bu veri kümesi Doğu ABD Azure bölgesinde depolanır. Benzeşim için Doğu ABD’deki işlem kaynaklarının ayrılması önerilir.

Sütunlar

Adı	Veri türü	Benzersiz	Değerler (örnek)
absn_code	int	4	3 4
activity_code	int	7	8 3
ages_code	int	35	10 17
born_code	int	3	1 2
cert_code	int	5	4 3
chld_code	int	6	2 5
class_code	int	14	2 1
disa_code	int	3	2 1
duration_code	int	11	18 6
education_code	int	9	40 19
entr_code	int	3	1 2
expr_code	int	3	1 2
footnote_codes	Dize	7	nan 4.0
hheader_code	int	2	1
hour_code	int	13	1 16
indy_code	int	323	368 169
jdes_code	int	3	1 2
lfst_code	int	33	20 30
look_code	int	7	1 6
mari_code	int	5	2 1
mjhs_code	int	6	1 5
occupation_code	int	566	8999 4999
orig_code	int	14	1 2
pcts_code	int	23	5 8
Dönem	Dize	18	M07 M06
periodicity_code	Dize	3	M Q
race_code	int	14	1 3
rjnw_code	int	9	1 3
rnlf_code	int	11	63 64
rwns_code	int	17	10 1
Mevsim -lik	Dize	2	ABD
seek_code	int	2	1
series_id	Dize	45,478	LNU01300000 LNU02034560
series_title	Dize	34,264	(Unadj) İstihdam Düzeyi - Tarım ve İlgili Sanayiler (Unadj) Sivil İş Gücü Düzeyi
sexs_code	int	3	1 2
tdat_code	int	6	1 4
değer	kayan noktalı sayı	121,742	3.0 4.0
vets_code	int	8	25 1
wkst_code	int	7	1 4
yıl	int	80	2018 2017

Önizle

series_id	yıl	Dönem	değer	footnote_codes	lfst_code	periodicity_code	series_title	ages_code	race_code	sexs_code	Mevsim -lik
LNS11000031Q	1972	Q01	4300	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1972	Q02	4370	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1972	Q03	4397	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1972	Q04	4381	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1973	Q01	4408	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1973	Q02	4445	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1973	Q03	4477	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1973	Q04	4523	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1974	Q01	4574	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S
LNS11000031Q	1974	Q02	4538	Nan	10	Q	(Denizler) Sivil İş Gücü Seviyesi - 20 yr. & over, Siyah veya Afrikalı Amerikalı Erkekler	17	3	1	S

Veri erişimi

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

Bu platform/paket bileşimi için örnek kullanılamıyor.

# 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'))

Sonraki adımlar

Açık Veri Kümeleri kataloğundaki diğer veri kümelerini görüntüleyin.