ABD’de Ulusal Çalışma Saatleri ve Kazançlar

Makale
12/06/2023

Mevcut İstihdam İstatistikleri (CES) programı, ABD’deki tarım dışı istihdam, çalışma saatleri ve bordrolu çalışan kazançları hakkında ayrıntılı sektör tahminleri üretir.

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.

Bu veri kümesi hakkında ayrıntılı bilgi için dosyayı içeren README özgün veri kümesi konumunda bulunabilir.

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.

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)	Açıklama
data_type_code	Dize	37	1 10	Bkz. https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	Dize	37	TÜM ÇALıŞANLAR, BINLERCE KADıN ÇALıŞAN, BINLERCE	Bkz. https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	Dize	2	nan P
industry_code	Dize	902	30000000 32000000	Dahil edilen farklı sektörler. Bkz. https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	Dize	895	Kalıcı olmayan ürünler Dayanıklı mallar	Dahil edilen farklı sektörler. Bkz. https://download.bls.gov/pub/time.series/ce/ce.industry
Dönem	Dize	13	M03 M06	Bkz. https://download.bls.gov/pub/time.series/ce/ce.period
Mevsim -lik	Dize	2	ABD
series_id	Dize	26,021	CEU3100000008 CEU9091912001	Veri kümesinde bulunan farklı veri dizisi türleri. Bkz. https://download.bls.gov/pub/time.series/ce/ce.series
series_title	Dize	25,685	Tüm çalışanlar, binlerce, dayanıklı mallar, mevsimsel olarak ayarlanmamış Tüm çalışanlar, binlerce, kalıcı olmayan mallar, mevsimsel olarak ayarlanmamış	Veri kümesinde bulunan farklı veri dizisi türlerinin başlığı. Bkz. https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	Dize	22	31 60	Üst düzey sektör veya sektör sınıflandırması. Bkz. https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	Dize	22	Dayanıklı Ürünler Profesyonel ve iş hizmetleri	Üst düzey sektör veya sektör sınıflandırması. Bkz. https://download.bls.gov/pub/time.series/ce/ce.supersector
değer	kayan noktalı sayı	572,372	38.5 38.400001525878906
yıl	int	81	2017 2012

Önizle

data_type_code	industry_code	supersector_code	series_id	yıl	Dönem	değer	footnote_codes	Mevsim -lik	series_title	supersector_name	industry_name	data_type_text
26	5.000.000	5	CES0500000026	1939	M04	52	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M05	65	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M06	Kategori 74	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M07	103	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M08	108	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M09	152	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M10	307	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER
26	5.000.000	5	CES0500000026	1939	M11	248	Nan	S	Tüm çalışanlar, 3 aylık ortalama değişiklik, mevsimsel olarak düzeltilmiş, binler, toplam özel, mevsimsel olarak ayarlanmış	Toplam özel	Toplam özel	TÜM ÇALıŞANLAR, 3 AYLıK ORTALAMA DEĞIŞIM, MEVSIMSEL OLARAK DÜZELTILMIŞ, BINLER

Veri erişimi

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

Bu platform/paket bileşimi için örnek kullanılamıyor.

# 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'))

Sonraki adımlar

Açık Veri Kümeleri kataloğundaki diğer veri kümelerini görüntüleyin.