US National Employment Hours and Earnings (Liczba przepracowanych godzin i zarobki w skali kraju w USA)

Program CES (Current Employment Statistics — aktualne statystyki zatrudnienia) generuje szczegółowe szacunkowe dane dotyczące zatrudnienia poza sektorem rolniczym, czasu pracy oraz wynagrodzeń pracowników zatrudnionych w różnych branżach w Stanach Zjednoczonych.

Uwaga

Firma Microsoft udostępnia zestawy danych Platformy Azure open na zasadzie "tak, jak to jest". Firma Microsoft nie udziela żadnych gwarancji, wyraźnych lub domniemanych, gwarancji ani warunków w odniesieniu do korzystania z zestawów danych. W zakresie dozwolonym zgodnie z prawem lokalnym firma Microsoft nie ponosi odpowiedzialności za wszelkie szkody lub straty, w tym bezpośrednie, wtórne, specjalne, pośrednie, przypadkowe lub karne wynikające z korzystania z zestawów danych.

Zestaw danych jest udostępniany zgodnie z pierwotnymi warunkami, na jakich firma Microsoft otrzymała dane źródłowe. Zestaw danych może zawierać dane pozyskane z firmy Microsoft.

Plik README zawierający szczegółowe informacje o tym zestawie danych jest dostępny w oryginalnej lokalizacji zestawu danych.

Ten zbiór danych pochodzi z danych programu CES (krajowych) publikowanych przez amerykański urząd ds. statystyki zatrudnienia (BLS). Zobacz informacje dotyczące linków i praw autorskich oraz ważne uwagi na temat witryny internetowej, aby zapoznać się z zasadami związanymi z korzystaniem z tego zestawu danych.

Lokalizacja usługi Storage

Ten zestaw danych jest przechowywany w regionie platformy Azure Wschodnie stany USA. Zalecamy przydzielanie zasobów obliczeniowych w regionie Wschodnie stany USA z uwagi na koligację.

Powiązane zestawy danych

• US State Employment Hours and Earnings (Liczba przepracowanych godzin i zarobki w skali stanów w USA)
• US Local Area Unemployment Statistics (Lokalne statystyki bezrobocia w USA)
• US Labor Force Statistics (Statystyki dotyczące siły roboczej w USA)

Kolumny

Nazwisko	Typ danych	Unikatowe	Wartości (przykładowe)	opis
data_type_code	string	37	1 10	Zobacz https://download.bls.gov/pub/time.series/ce/ce.datatype
data_type_text	string	37	WSZYSCY PRACOWNICY, TYSIĄCE PRACOWNIKÓW, TYSIĄCE	Zobacz https://download.bls.gov/pub/time.series/ce/ce.datatype
footnote_codes	string	2	nan P
industry_code	string	902	30000000 32000000	Uwzględnione różne branże. Zobacz https://download.bls.gov/pub/time.series/ce/ce.industry
industry_name	string	895	Towary trwałe niezwiązane z towarami trwałymi	Uwzględnione różne branże. Zobacz https://download.bls.gov/pub/time.series/ce/ce.industry
okres	string	13	M03 M06	Zobacz https://download.bls.gov/pub/time.series/ce/ce.period
Sezonowe	string	2	Stany Zjednoczone
series_id	string	26,021	CEU3100000008 CEU9091912001	Różne typy serii danych dostępne w zestawie danych. Zobacz https://download.bls.gov/pub/time.series/ce/ce.series
series_title	string	25,685	Wszyscy pracownicy, tysiące, towary trwałe, nie dostosowywalnie sezonowo Wszyscy pracownicy, tysiące, towary niezwiązane sezonowo	Tytuł różnych typów serii danych dostępnych w zestawie danych. Zobacz https://download.bls.gov/pub/time.series/ce/ce.series
supersector_code	string	22	31 60	Klasyfikacja przemysłu lub sektora wyższego poziomu. Zobacz https://download.bls.gov/pub/time.series/ce/ce.supersector
supersector_name	string	22	Durable Goods Professional i usługi biznesowe	Klasyfikacja przemysłu lub sektora wyższego poziomu. Zobacz https://download.bls.gov/pub/time.series/ce/ce.supersector
wartość	liczba zmiennoprzecinkowa	572,372	38.5 38.400001525878906
rok	int	81	2017 2012

Podgląd

data_type_code	industry_code	supersector_code	series_id	rok	okres	wartość	footnote_codes	Sezonowe	series_title	supersector_name	industry_name	data_type_text
26	5000000	5	CES0500000026	1939	M04	52	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M05	65	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M06	74	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M07	103	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M08	108	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M09	152	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M10	307	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE
26	5000000	5	CES0500000026	1939	M11	248	Nan	S	Wszyscy pracownicy, średnia 3-miesięczna zmiana, skorygowane sezonowo, tysiące, łączna liczba osób prywatnych, skorygowana sezonowo	Łączna liczba prywatnych	Łączna liczba prywatnych	WSZYSCY PRACOWNICY, ŚREDNIA 3-MIESIĘCZNA ZMIANA, SKORYGOWANE SEZONOWO, TYSIĄCE

Dostęp do danych

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

azure-storage

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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'))

Następne kroki

Wyświetl pozostałe zestawy danych w katalogu Open Datasets (Otwieranie zestawów danych).