理解数据

employment.head()

employment.isnull().sum()

---

---

employment.describe()

1.2. 失去工作小时数最高和最低的国家是哪些？

在[18]：# 失去工作小时数百分比最高的5个国家 employment.sort_values('percentage_of_working_hrs_lost', ......

# 失去工作小时数百分比最低的5个国家 employment ......

# 有多少个国家的失业率高于平均水平？ lost_hours = employment['percen ......

1.3. 失业率与收入之间是否存在相关性

# 根据收入水平找到失业数据 high_income = ['World: High income', ...... "Northern, Southern and Western Europe: High income", ...... "Eastern Asia: Upper-middle income", "South-Eastern Asia and the Pacific: Upper-middle income", ...... lower_middle = ['World: Lower-middle income', "Africa: Lower-middle income", "Africa: Upper-middle ...... low_income = ['World: Low income', 'Africa: Low income', ...... "Central and Western Asia: Low income"] # 根据条件选择行： high = employment[employment['country'].isin(high_income)] ...... # 基于收入水平计算失去工作小时数的平均值： high_mean = round(high['p .......mean(), 2) ...... for income, avg in zip(income_types,avgs): ......

2. 劳动力依赖

2.1. 概览

在[23]中：

# 创建劳动力依赖比例的世界地图
import matplotlib.pyplot as plt

fig = px.choropleth(employment, locations="alpha_3",
               
    ......
fig.show()

2.2. 工作流失和劳动力依赖的相关性

在[24]中：

# 最高/最低劳动力依赖国家的工作时间损失百分比是什么样子？

columns = 
    ......
employment1.head(5)

# 工作时间损失和劳动力依赖比例之间的相关性

ld_ratio = pd.Series(emplo
    ......tio"])

    ......

在[25]中：

-0.026

在[26]中：

# 工作时间损失和劳动力依赖比例之间的关系图

ld_ratio = employment["labour
    ......
plt.show()

3. 就业性别比例

3.1. 概述

在[27]中的代码是用来计算全球范围内女性就业人数与男性就业人数的比例，并将结果可视化。

pythonCopy Code
# 计算全球范围内女性就业人数与男性就业人数的比例
import numpy as np

female = np.array(empl
        ......
employment['gender_difference'] = gender_diff

# 哪些国家的女性劳动力参与度最高和最低？
        ......round(gender_diff.mean(), 2),'%')
        ......

# 可视化全球范围内女性就业人数与男性就业人数的比例
import matplotlib.pyplot as plt


fig = px.choropleth(employment, locations="alpha_3",
        ......
                    color_contsma)
fig.show()

3.2. 比较不同地区男女劳动力参与度

在[28]中的代码是用来计算不同地区的女性劳动力参与度与男性劳动力参与度的比例，并进行了可视化。

# 计算不同地区的性别差异

female = np.array(employment['employed_female_25+_2019'])
        ......

region_group = employment[employment['country'].isin(regions)]
        ......
region_group

# 比较不同地区男女劳动力参与度的柱状图


gender_diff = [73.3
        ......8971]

plt.bar(regions, gender_diff)
        ......
plt.show()

在[30]中的代码是使用T检验检查女性劳动力参与度是否与男性劳动力参与度存在显著差异。

#进行t检验以检查女性劳动参与率是否与男性劳动参与率有所不同
＃零假设：女性的劳动参与率与男性的劳动参与率无差异。
＃备择假设：女性和男性的劳动参与率存在差异。
＃统计显著性水平为0.05。

f = employment['employed_female_25+_2019'
    ......
print('{0:0.3f}'.format(pval))

#通过p值0.105，我们不能拒绝零假设。

0.10

更多可视化

1. 相关矩阵

在[31]:

emplorr()

#使用seaborn热图绘制相关矩阵

sns.heatmap(empl
    ......square=True);

#创建失去工作小时数的直方图

employmet.hist(bins=15)

#计算每个地区每周工作小时数的比率

columns1 = ['country'，'rat
    ......olumns1)
region_group1

#创建每个地区每周工作小时数比率的图表

sns.barplot("country", 
    ......per region")

Out[35]:

[Text(0.5, 1.0, 'Working hours per region')]

结论

• 在疫情期间，全世界的国家都面临就业不安全。失去工作时间的平均比率约为9％。不同国家和地区的影响有所不同，有些国家像新西兰或芬兰遭受的损失很小，而南美洲的一些国家面临着高达27.5％的惊人失业率。
• 收入和失业的关系不明确，需要深入研究。虽然收入水平较高的地区比中高收入和中低收入地区承受的失业量少，但低收入地区的失业时间最少。
• 拥有最高劳动力依赖比例的国家位于非洲。尽管劳动力依赖率最高的国家也有较高的失业率，但统计数据表明，劳动力依赖性与失业关系不显著。
• 平均而言，2019年劳动力市场女性占男性的七分之五。欧洲在劳动力市场性别平等方面继续领先。