数据代码分享|Python对全球Covid-19疫情失业数据相关性、可视化分析

拓端

发布于 2023-10-19 15:28:44

1990

发布于 2023-10-19 15:28:44

文章被收录于专栏：拓端tecdat

“失业”是 Covid-19 疫情的许多负面影响之一，几乎每个国家都受到了影响

帮助客户研究 Covid-19 期间的失业情况可能不仅揭示了该疫情对每个国家的影响程度，还揭示了世界各地不同的裁员文化。

在一个经济体中辞退工人的决策中有哪些因素？根据《商业内幕》（Business Insider）的报道，文化扮演着至关重要的角色。德国公司必须设立工厂委员会——代表工人在执行委员会面前发言的员工——以寻求解雇替代方案。瑞典有计划帮助重新培训被解雇的员工，并为他们提供慷慨的失业救济金。而在像日本这样有关职业保障的长期传统国家，裁员甚至被认为是一种社会禁忌。

除了失业外，该研究还旨在调查数据集提供的与就业有关的其他因素，例如劳动力依赖比和男女就业比率。

调查问题：

哪些国家和地区失去的工作小时数百分比最高和最低？
收入水平和失业率之间是否存在相关性？
哪些国家和地区劳动力依赖比最高和最低？
失去的工作小时数和劳动力依赖比之间是否存在相关性？
哪些国家和地区的男女劳动力就业比率最高和最低？

数据集

以 cvs 形式获取的数据（查看文末了解数据免费获取方式）。大多数估计值来自 2020 年。

数据集包括以下信息：

就业人员的总每周工作时间
相对于基线（2019 年第四季度）失去的小时数百分比
相对于基线（2019 年第四季度）失去的小时数百分比，以全职就业损失表示。该指标通过将因 Covid-19 而失去的每周工时数除以 40 得到。
相对于基线（2019 年第四季度）失去的小时数百分比，以全职就业损失表示。该指标通过将因 Covid-19 而失去的每周工时数除以 48 得到。
被赡养者（年龄为 0-14 岁的人 + 要么在劳动力外要么失业的 15 岁及以上的人）与总就业人数之间的比率。
2019 年从事以下某一类别工作（无论是否在工作岗位上）的女性：a) 有薪就业；或 b) 自雇（无论是在工作还是在企业中，但不在工作中）。
2019 年从事以下某一类别工作（无论是否在工作岗位上）的男性：a) 有薪就业；或 b) 自雇（无论是在工作还是在企业中，但不在工作中）。
15-64 岁人口的总每周工作时间与总人口之间的比率。

理解数据

employment.head()

employment.tail()

employment.info()

employment.isnull().sum()

employment.describe()

分析

1. Covid-19期间失去的工作小时数

1.1. 概述

# 添加一个包含三个字母ISO国家代码的列
import pycountry

def findCountryAlpha3 (country_name):
    try:
    ......


# 创建一个显示Covid-19期间失去工作小时数百分比的世界地图
import matplotlib.pyplot as plt

    ......
                    color_continuous_scale=px.colors.sequential.Viridis)
fig.show()

1.2. 失去工作小时数最高和最低的国家是哪些？

# 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
    ......

世界上有 131 个国家的失业率高于平均水平。

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):
  
        ......

In [22]:

name_income = ['High','Upper-middle','Lower-middle','Low']

        ......
plt.show()

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

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。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2023-10-12，如有侵权请联系 cloudcommunity@tencent.com 删除

python