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

简介: 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

全文链接:https://tecdat.cn/?p=33852


“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点击文末“阅读原文”获取完整代码数据


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:

  1. 哪些国家和地区失去的工作小时数百分比最高和最低?
  2. 收入水平和失业率之间是否存在相关性?
  3. 哪些国家和地区劳动力依赖比最高和最低?
  4. 失去的工作小时数和劳动力依赖比之间是否存在相关性?
  5. 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。

image.png

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()

image.png

employment.tail()

image.png

employment.info()

image.png

employment.isnull().sum()

image.png

employment.describe()

image.png

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', 
    ......

image.png

# 失去工作小时数百分比最低的5个国家
employment
    ......

image.png

# 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):
  
        ......

image.png

In [22]:

name_income = ['High','Upper-middle','Lower-middle','Low']
        ......
plt.show()

image.png

点击标题查阅往期内容


自然语言处理NLP:主题LDA、情感分析疫情下的新闻文本数据


01

02

03

04


image.png

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)

image.png

# 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()

image.png

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()

image.png

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

image.png

# 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()

image.png

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


emplorr()

image.png

#使用seaborn热图绘制相关矩阵
sns.heatmap(empl
    ......square=True);

image.png

#创建失去工作小时数的直方图
employmet.hist(bins=15)

image.png

#计算每个地区每周工作小时数的比率
columns1 = ['country','rat
    ......olumns1)
region_group1

image.png

#创建每个地区每周工作小时数比率的图表
sns.barplot("country", 
    ......per region")


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

image.png

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。


相关文章
|
21小时前
|
存储 JSON JavaScript
使用Python处理JSON格式数据
使用Python处理JSON格式数据
|
1天前
|
JSON 数据格式 Python
python3 服务端使用CGI脚本处理POST的Json数据
python3 服务端使用CGI脚本处理POST的Json数据
18 6
|
1天前
|
XML 物联网 API
服务端和客户端 RESTful 接口上传 Excel 的 Python 代码
本文作者木头左是物联网工程师,分享如何使用 Python 和 Flask-RESTful 构建一个简单的 RESTful API,实现文件上传功能,特别支持Excel文件。通过安装Flask和Flask-RESTful库,创建Flask应用,实现文件上传接口,并将其添加到API。该方法具有简单易用、灵活、可扩展及社区支持等优点。
服务端和客户端 RESTful 接口上传 Excel 的 Python 代码
|
1天前
|
存储 XML 数据处理
Python网络实践:去哪儿旅游数据爬取指南
Python网络实践:去哪儿旅游数据爬取指南
|
1天前
|
关系型数据库 MySQL API
用Python一键艺龙酒店各个城市数据存入mysql
用Python一键艺龙酒店各个城市数据存入mysql
|
1天前
|
存储 缓存 分布式计算
Python代码优化秘籍:让你的代码跑得更快、更稳定!
【6月更文挑战第12天】改善Python性能的五大技巧:选择合适的数据结构(如集合、字典、NumPy数组),减少不必要的循环和递归(利用列表推导式、生成器),使用内置函数与库(如map、filter、NumPy),优化内存使用(删除不再需要的变量,使用生成器和缓存),以及利用并行和分布式计算(multiprocessing、concurrent.futures、Dask、Ray)。通过这些方法,提升代码运行速度和稳定性。
|
1天前
|
Serverless 开发者 Python
Python函数式编程:让你的代码更简洁、更高效!
【6月更文挑战第12天】Python函数式编程引入了数学函数概念,强调无副作用和不可变数据。特点包括高阶函数、Lambda表达式、map、filter和reduce。示例展示了如何使用map进行平方运算,filter筛选条件元素,reduce计算元素总和,体现其简洁高效。虽然不适用于所有情况,但函数式编程能提升代码可读性和可维护性。
|
1天前
|
程序员 Python
Python进阶:错误和异常处理,你的代码还能更健壮吗?
【6月更文挑战第12天】Python编程中的错误和异常处理对确保代码健壮性至关重要。当遇到如文件未找到或除零运算等错误时,Python会抛出异常。通过try-except语句可以捕获并处理异常,例如处理ZeroDivisionError时,可以在except块中给出错误信息。此外,可使用else和finally块进行更精细的控制,以及通过继承Exception类定义自定义异常。掌握这些技巧能帮助编写出更稳定且能优雅处理异常的代码。
|
数据采集 数据可视化 数据挖掘
|
1天前
|
机器学习/深度学习 存储 自然语言处理
惊艳!老司机熬夜总结的Python高性能编程,高效、稳定、快速!
Python 语言是一种脚本语言,其应用领域非常广泛,包括数据分析、自然语言处理机器学习、科学计算、推荐系统构建等。 能够轻松实现和代码跑得够快之间的取舍却是一个世人皆知且令人惋惜的现象而这个问题其实是可以解决的。 有些人想要让顺序执行的过程跑得更快。有些人需要利用多核架构、集群,或者图形处理单元的优势来解决他们的问题。有些人需要可伸缩系统在保证可靠性的前提下酌情或根据资金多少处理更多或更少的工作。有些人意识到他们的编程技巧,通常是来自其他语言,可能不如别人的自然。