ABD Eyaletlerinde Çalışma Saatleri ve Kazançlar

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

Not

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 ABD İşgücü İstatistikleri Bürosu (BLS) tarafından yayımlanan State and Metro Area Employment, Hours & Earnings verilerinden alınmaktadır. 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.

İlgili Veri Kümeleri

• ABD’de Ulusal Çalışma Saatleri ve Kazançlar
• ABD Yerel Bölgelerde İşsizlik İstatistikleri
• ABD İş Gücü İstatistikleri

Sütunlar

Veri Akışı Adı	Veri türü	Benzersiz	Değerler (örnek)
area_code	Dize	446	0 31084
area_name	Dize	446	Eyalet genelinde Los Angeles-Long Beach-Glendale, CA Metropolitan Division
data_type_code	Dize	9	1 3
data_type_text	Dize	9	Tüm Çalışanlar, Binlerce Tüm Çalışanların Haftalık Ortalama Saatleri
footnote_codes	Dize	3	nan P
industry_code	Dize	343	0 5000000
industry_name	Dize	343	Toplam Bağımsız Toplam Özel
dönem	Dize	13	M04 M05
mevsimlik	Dize	2	ABD
series_id	Dize	23,853	SMU12000000000000001 SMU36000000000000001
state_code	Dize	53	6 48
state_name	Dize	53	California Texas
supersector_code	Dize	22	90 60
supersector_name	Dize	22	Kamu Profesyonel ve İş Hizmetleri
değer	kayan noktalı sayı	132,565	0.30000001192092896 0.10000000149011612
yıl	int	81	2014 2018

Önizle

area_code	state_code	data_type_code	industry_code	supersector_code	series_id	yıl	dönem	değer	footnote_codes	mevsimlik	supersector_name	industry_name	data_type_text	state_name	area_name
13460	41	26	0	0	SMS41134600000000026	1990	M04	0,2	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M05	0,2	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M06	0,1	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M07	0,1	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M08	0,2	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M09	0,2	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR
13460	41	26	0	0	SMS41134600000000026	1990	M10	0,1	Nan	S	Toplam En Kötü Değer	Toplam En Kötü Değer	Tüm Çalışanlar, 3 aylık ortalama değişiklik, Binlerce, mevsimsel olarak düzeltildi	Oregon	Bend-Redmond, OR

Veri erişimi

Azure Notebooks

azureml-opendatasets

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

usLaborEHEState = UsLaborEHEState()
usLaborEHEState_df = usLaborEHEState.to_pandas_dataframe()

usLaborEHEState_df.info()

azure-storage

# 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

pyspark

Bu platform/paket bileşimi için örnek kullanılamıyor.

Azure Databricks

azureml-opendatasets

# 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

Bu platform/paket bileşimi için örnek kullanılamıyor.

pyspark

# 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

azureml-opendatasets

Bu platform/paket bileşimi için örnek kullanılamıyor.

azure-storage

Bu platform/paket bileşimi için örnek kullanılamıyor.

pyspark

# 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'))

Sonraki adımlar

Açık Veri Kümeleri kataloğundaki diğer veri kümelerini görüntüleyin.