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
|
9天前
|
数据采集 缓存 定位技术
网络延迟对Python爬虫速度的影响分析
网络延迟对Python爬虫速度的影响分析
|
6天前
|
缓存 监控 测试技术
Python中的装饰器:功能扩展与代码复用的利器###
本文深入探讨了Python中装饰器的概念、实现机制及其在实际开发中的应用价值。通过生动的实例和详尽的解释,文章展示了装饰器如何增强函数功能、提升代码可读性和维护性,并鼓励读者在项目中灵活运用这一强大的语言特性。 ###
|
10天前
|
缓存 开发者 Python
探索Python中的装饰器:简化代码,增强功能
【10月更文挑战第35天】装饰器在Python中是一种强大的工具,它允许开发者在不修改原有函数代码的情况下增加额外的功能。本文旨在通过简明的语言和实际的编码示例,带领读者理解装饰器的概念、用法及其在实际编程场景中的应用,从而提升代码的可读性和复用性。
|
6天前
|
Python
探索Python中的装饰器:简化代码,提升效率
【10月更文挑战第39天】在编程的世界中,我们总是在寻找使代码更简洁、更高效的方法。Python的装饰器提供了一种强大的工具,能够让我们做到这一点。本文将深入探讨装饰器的基本概念,展示如何通过它们来增强函数的功能,同时保持代码的整洁性。我们将从基础开始,逐步深入到装饰器的高级用法,让你了解如何利用这一特性来优化你的Python代码。准备好让你的代码变得更加优雅和强大了吗?让我们开始吧!
14 1
|
11天前
|
设计模式 缓存 监控
Python中的装饰器:代码的魔法增强剂
在Python编程中,装饰器是一种强大而灵活的工具,它允许程序员在不修改函数或方法源代码的情况下增加额外的功能。本文将探讨装饰器的定义、工作原理以及如何通过自定义和标准库中的装饰器来优化代码结构和提高开发效率。通过实例演示,我们将深入了解装饰器的应用,包括日志记录、性能测量、事务处理等常见场景。此外,我们还将讨论装饰器的高级用法,如带参数的装饰器和类装饰器,为读者提供全面的装饰器使用指南。
|
7天前
|
存储 缓存 监控
掌握Python装饰器:提升代码复用性与可读性的利器
在本文中,我们将深入探讨Python装饰器的概念、工作原理以及如何有效地应用它们来增强代码的可读性和复用性。不同于传统的函数调用,装饰器提供了一种优雅的方式来修改或扩展函数的行为,而无需直接修改原始函数代码。通过实际示例和应用场景分析,本文旨在帮助读者理解装饰器的实用性,并鼓励在日常编程实践中灵活运用这一强大特性。
|
11天前
|
存储 算法 搜索推荐
Python高手必备!揭秘图(Graph)的N种风骚表示法,让你的代码瞬间高大上
在Python中,图作为重要的数据结构,广泛应用于社交网络分析、路径查找等领域。本文介绍四种图的表示方法:邻接矩阵、邻接表、边列表和邻接集。每种方法都有其特点和适用场景,掌握它们能提升代码效率和可读性,让你在项目中脱颖而出。
25 5
|
9天前
|
机器学习/深度学习 数据采集 人工智能
探索机器学习:从理论到Python代码实践
【10月更文挑战第36天】本文将深入浅出地介绍机器学习的基本概念、主要算法及其在Python中的实现。我们将通过实际案例,展示如何使用scikit-learn库进行数据预处理、模型选择和参数调优。无论你是初学者还是有一定基础的开发者,都能从中获得启发和实践指导。
20 2
|
11天前
|
数据库 Python
异步编程不再难!Python asyncio库实战,让你的代码流畅如丝!
在编程中,随着应用复杂度的提升,对并发和异步处理的需求日益增长。Python的asyncio库通过async和await关键字,简化了异步编程,使其变得流畅高效。本文将通过实战示例,介绍异步编程的基本概念、如何使用asyncio编写异步代码以及处理多个异步任务的方法,帮助你掌握异步编程技巧,提高代码性能。
29 4
|
11天前
|
API 数据处理 Python
探秘Python并发新世界:asyncio库,让你的代码并发更优雅!
在Python编程中,随着网络应用和数据处理需求的增长,并发编程变得愈发重要。asyncio库作为Python 3.4及以上版本的标准库,以其简洁的API和强大的异步编程能力,成为提升性能和优化资源利用的关键工具。本文介绍了asyncio的基本概念、异步函数的定义与使用、并发控制和资源管理等核心功能,通过具体示例展示了如何高效地编写并发代码。
23 2