USA-beli államokra vonatkozó foglalkoztatási munkaidő és keresetek

Cikk
12/06/2023

A Current Employment Statistics (CES – Aktuális foglalkoztatási statisztikák) program részletes iparági becsléseket nyújt a nem mezőgazdasági foglalkoztatásról, a munkaórákról, valamint a fizetett munkavállalók bevételéről az Egyesült Államokban.

Megjegyzés:

A Microsoft az Azure Open Datasets szolgáltatást "adott módon" biztosítja. A Microsoft nem vállal kifejezett vagy vélelmezett garanciát vagy feltételeket az adathalmazok Ön általi használatára vonatkozóan. A microsoft a helyi jogszabályok által megengedett mértékben kizár minden felelősséget az adathalmazok használatából eredő károkért vagy veszteségekért, beleértve a közvetlen, következményi, különleges, közvetett, incidenses vagy büntető jellegű károkat is.

Az adatkészletet a Microsoft forrásadataihoz tartozó eredeti feltételek szerint szolgáltatjuk. A készlet tartalmazhat Microsofttól származó adatokat.

Ez az adatkészlet az Usa Munkaügyi Statisztikai Hivatala (BLS) által közzétett State and Metro Area Employment , Hours &Earnings (Órák és bevételek) adatokból származik. Az adatkészlet használatával kapcsolatos feltételekért tekintse meg a hivatkozási és szerzői jogi tudnivalókat és a fontos webhelyközleményeket.

Tárolási hely

Az adatkészlet tárolási helye a Kelet-USA Azure-régió. Az affinitás érdekében Kelet-USA régión belüli számítási erőforrások lefoglalását javasoljuk.

Oszlopok

Név	Adattípus	Egyedi	Values (sample)
area_code	sztring	446	0 31084
area_name	sztring	446	Statewide Los Angeles-Long Beach-Glendale, CA Metropolitan Division
data_type_code	sztring	9	1 3
data_type_text	sztring	9	Minden alkalmazott, az összes alkalmazott átlagos heti óraszámának ezres átlagában
footnote_codes	sztring	3	nan P
industry_code	sztring	343	0 5000000
industry_name	sztring	343	Nemfarm teljes magánjellegű összesen
Időszak	sztring	13	M04 M05
Szezonális	sztring	2	U S
series_id	sztring	23,853	SMU12000000000000001 SMU36000000000000001
state_code	sztring	53	6 48
state_name	sztring	53	Kalifornia Texas
supersector_code	sztring	22	90 60
supersector_name	sztring	22	Kormányzati szakmai és üzleti szolgáltatások
Érték	float	132,565	0.30000001192092896 0.10000000149011612
Év	egész	81	2014 2018

Előnézet megtekintése

area_code	state_code	data_type_code	series_id	Év	Időszak	Érték	footnote_codes	Szezonális	supersector_name	industry_name	data_type_text	state_name	area_name
13460	41	26	SMS41134600000000026	1990	M04	0,2	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M05	0,2	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M06	0,1	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M07	0,1	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M08	0,2	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M09	0,2	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY
13460	41	26	SMS41134600000000026	1990	M10	0,1	Nan	V	Nemfarm összesen	Nemfarm összesen	Minden alkalmazott, 3 hónapos átlagos változás, ezres, szezonálisan igazított	Oregon	Bend-Redmond, VAGY

Az adatok elérése

Azure Notebooks

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

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

usLaborEHEState_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_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

Azure Databricks

# 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 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

A minta nem érhető el ehhez a platform-/csomagkombinációhoz.

# 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'))

További lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.