US National Employment Hours and Earnings (Heures d’emploi et revenus nationaux aux États-Unis)

Le programme Current Employment Statistics (CES) produit des estimations détaillées de l’emploi non agricole, des heures de travail et des revenus des travailleurs salariés aux États-Unis.

Notes

Microsoft fournit Azure Open Datasets « en l’état ». Microsoft n’offre aucune garantie, expresse ou implicite, ni de conditions relatives à votre utilisation des jeux de données. Dans la mesure autorisée par votre droit local, Microsoft décline toute responsabilité pour les dommages ou pertes, y compris directs, consécutifs, spéciaux, indirects ou punitifs, résultant de votre utilisation des jeux de données.

Ce jeu de données est fourni selon les conditions initiales par lesquelles Microsoft a reçu les données sources. Le jeu de données peut inclure des données provenant de Microsoft.

Un fichier LISEZ-MOI contenant des informations détaillées sur ce jeu de données est disponible à l’emplacement du jeu de données d’origine.

Ce jeu de données est produit à partir des données Current Employment Statistics - CES publiées par le US Bureau of Labor Statistics (BLS). Consultez les informations de liaison et de copyright et les avis importants de site web pour connaître les conditions générales relatives à l’utilisation de ce jeu de données.

Emplacement de stockage

Ce jeu de données est stocké dans la région Azure USA Est. L’allocation de ressources de calcul dans la région USA Est est recommandée à des fins d’affinité.

Jeux de données associés

• US National Employment Hours and Earnings (Heures d’emploi et revenus au niveau des États aux États-Unis)
• US Local Area Unemployment Statistics (Statistiques sur le chômage local aux États-Unis)
• US Labor Force Statistics (Statistiques de la population active américaine)

Colonnes

Nom	Type de données	Unique	Valeurs (exemple)	Description
data_type_code	string	37	1 10	Voir https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	string	37	TOUS LES EMPLOYÉS, MILLIERS DE FEMMES EMPLOYÉS, MILLIERS	Voir https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	string	2	nan P
industry_code	string	902	$30000000 32000000	Différents secteurs couverts. Consultez https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	string	895	Biens non durables biens durables	Différents secteurs couverts. Consultez https://download.bls.gov/pub/time.series/ce/ce.industry
period	string	13	M03 M06	Voir https://download.bls.gov/pub/time.series/ce/ce.period
saisonnier	string	2	U S
series_id	string	26 021	CEU3100000008 CEU9091912001	Différents types de séries de données disponibles dans le jeu de données. Consultez https://download.bls.gov/pub/time.series/ce/ce.series
series_title	string	25 685	Tous les employés, milliers, biens durables, Tous les employés non ajusté de façon saisonnière, milliers, biens non durables, non ajusté de façon saisonnière	Titre des différents types de séries de données disponibles dans le jeu de données. Consultez https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	string	22	31 60	Classification d’industrie ou de secteur de niveau supérieur. Voir https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	string	22	Services professionnels et commerciaux de biens durables	Classification d’industrie ou de secteur de niveau supérieur. Voir https://download.bls.gov/pub/time.series/ce/ce.supersector
valeur	float	572 372	38,5 38,400001525878906
year	int	81	2017 2012

Préversion

data_type_code	industry_code	supersector_code	series_id	year	period	valeur	footnote_codes	saisonnier	series_title	supersector_name	industry_name	data_type_text
26	5000000	5	CES0500000026	1939	M04	52	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M05	65	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M06	74	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M07	103	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M08	108	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M09	152	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M10	307	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS
26	5000000	5	CES0500000026	1939	M11	248	NaN	S	Tous les employés, modification moyenne sur 3 mois, ajusté de façon saisonnière, milliers, total privé, ajusté de façon saisonnière	Total privé	Total privé	TOUS LES EMPLOYÉS, MODIFICATION MOYENNE SUR 3 MOIS, AJUSTÉ DE FAÇON SAISONNIÈRE, MILLIERS

Accès aux données

Azure Notebooks

azureml-opendatasets

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

usLaborEHENational = UsLaborEHENational()
usLaborEHENational_df = usLaborEHENational.to_pandas_dataframe()

usLaborEHENational_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_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

pyspark

Exemple non disponible pour cette combinaison de plateforme et de package.

Azure Databricks

azureml-opendatasets

# 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

Exemple non disponible pour cette combinaison de plateforme et de package.

pyspark

# 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

azureml-opendatasets

Exemple non disponible pour cette combinaison de plateforme et de package.

azure-storage

Exemple non disponible pour cette combinaison de plateforme et de package.

pyspark

# 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'))

Étapes suivantes

Consultez les autres jeux de données du catalogue Open Datasets.