Python 读香港失业率官方数据：434 期里 175 期，升还是跌取决于你读哪一列

香港的失业率每个月都会出现在新闻里，看起来是一个数。但政府统计处的开放数据接口里，它同时是两列：「失业率」和「经季节性调整的失业率」，同一个期号，两个官方数字。我把劳动人口表 210-06101 整包拉了下来——13,475 行、3.2 MB、零鉴权，一次 GET 就能拿到 1985 年至今的完整序列。

真正费劲的不是抓，是读。这张表埋了四个坑，每一个都不报错，每一个都会让结论悄悄变形。这篇文章把它们逐个拆开，全部数字来自 2026-09-21 当天实抓，脚本可原样复跑。

一、表的骨架：13,475 行，8 个字段代码

接口返回的结构很朴素，一行一条记录：

SEX / SEXDesc / freq / period / sv / svDesc / figure / sd_value

sv 是字段代码，一共 8 个：LF（劳动人口）、EM（就业人数）、UE（失业人数）、UDE（就业不足人数）、UR（失业率）、SAUR（经季节性调整失业率）、UDR（就业不足率）、LFPR（劳动人口参与率）。时间覆盖 539 期——498 个三个月移动期（198503→202608）加 41 个年度（1985→2025），每期再拆 Total / Male / Female 三组。

但把 (sv, svDesc) 拼起来数一下，是 9 种，不是 8 种。多出来的那一种，就是第一个坑。

二、第一个坑：sv 不是唯一键

LF 的 3,234 行里，一半的 svDesc 是 No. ('000)（千人），另一半是 Year-on-year % change（同比变幅）。同一个字段代码，装着两种完全不同的量纲。

后果取决于你怎么读它：

• 用 {r["sv"]: r["figure"]} 建字典：13,475 行最后只剩 8 个键，13,467 行被静默覆盖；
• 用 pivot_table(columns="sv")：pandas 默认 aggfunc="mean"，两种量纲被平均。

第二种更隐蔽。以 201808 期 Total 为例：

{"true": 4005.9, "yoy": 1.1, "wrong_mean": 2003.5, "wrong_over_true_pct": 50.01}

真值 4,005.9 千人，同比 +1.1%，取平均得 2,003.5——恰好是真值的一半。因为它是个小量，平均下来永远落在真值的一半附近，既不会溢出也不会异常，图上就是一条平滑的、错了一半的曲线。查这张表第一件事，是把键从 sv 换成 (sv, svDesc)。

三、freq 列里藏着两种日历

freq 只有两个取值：M3M（三个月移动期，12,450 行）和 Y（年度，1,025 行）。两件事会出问题。

第一，period 的长度不一样：月期是 6 位（202608），年度是 4 位（2025）。如果直接把 period 当字符串排序画折线，41 个年度行全部会插在当年 1 月之前——每一年平白多出一个数据点，一年一次的假跳变。

第二，相邻 M3M 期共享三分之二的样本。202607 是 5–7 月，202608 是 6–8 月，中间重叠两个月。498 期不是 498 个独立样本，做环比、做相关性检验、算转折点，自由度都会被高估；拿它跟某个「某月发生的事件」对齐时，比的其实是以该月结尾的三个月平均。

四、sd_value：名字像标准差，装的是脚注

我最先犯的错就是把 sd_value 当成 standard deviation。它不是。全表 13,475 行，这一列只有 4 种取值：

两个细节值得单独说：

1. 缺失值不是 null，是空字符串。1,741 行的 figure 是 ""，float() 直接抛异常，用 pandas 读整列会退化成 object 类型，后续所有数值运算都得先过一遍类型过滤。
2. p 只出现在最新一期（202608）的 25 行里，覆盖全部 8 个指标。也就是说官方用这一个字符告诉你：这一期所有数字都还是临时的，下一期可能改。拿它跟终值拼在同一条序列里做长期拟合，等于把「估计值」和「终值」当成同一种东西。

把这两条修完，再叠加第二节和第三节的教训，读取函数至少要长这样：

import json
from collections import defaultdict

def load_table(path):
    """把 13,475 行原始记录读成可分析的干净序列。"""
    doc = json.load(open(path, encoding="utf-8-sig"))
    clean, dropped = [], []
    for r in doc["dataSet"]:
        r = dict(r)
        if not isinstance(r["figure"], (int, float)):   # 1,741 行空字符串
            dropped.append(r)
            continue
        r["status"] = r.pop("sd_value")                 # 脚注列改名，防误用
        clean.append(r)
    by_freq = defaultdict(list)                         # M3M 与 Y 分开装
    for r in clean:
        by_freq[r["freq"]].append(r)
    key = lambda r: (r["sv"], r["svDesc"])              # sv 不是唯一键
    return by_freq, dropped, len(doc["dataSet"])

五、缺期不是随机的：早年只有季末有数

把 UR 的 498 个月期里标着 N.A. 的挑出来，是 64 期，集中在 198504–199302。第一眼看像数据损坏，其实形状极其规整：

def na_pattern(rows):
    """缺的 64 期不是随机缺失：1985-1993 只给季末。"""
    quarter_end = ("03", "06", "09", "12")
    ur = [r for r in rows if r["freq"] == "M3M"
          and r["SEXDesc"] == "Total" and r["sv"] == "UR"]
    na = sorted(r["period"] for r in ur if r["sd_value"] == "N.A.")
    ok = sorted(r["period"] for r in ur if isinstance(r["figure"], (int, float)))
    first_full = next(p for p in ok if p > na[-1])
    return {
        "n_missing": len(na),                                  # 64
        "range": (na[0], na[-1]),                              # (198504, 199302)
        "all_non_quarter_end": all(p[4:] not in quarter_end
                                   for p in na),               # True
        "first_full_monthly": first_full,                      # 199303
    }

64 期全部不是季末月（3/6/9/12 月），而这段区间里的 36 个季末月一个不缺。也就是说前八年名义上是月度期号，实际节奏是季度——直到 199303 起才转成真正的逐月。如果直接对整条序列做「月度环比」，前八年三分之二的月份会以 NaN 形式参与计算，很多库会静默把它们丢掉或填零。

六、同一期两个官方数：175 期差 0.2 个百分点以上

把 UR 和 SAUR 的 Total 序列对齐，两者都有数的共 434 期。差距比直觉大：

最近三期是最直观的样本：202606 期两个口径同为 3.7；202607 期 UR 3.8、SAUR 3.7；最新一期 202608（整期标 p）UR 4.0、SAUR 3.8。两个数都出自官方，选哪个决定了你在图上看到「续升」还是「走平」。

更麻烦的是季节性调整不是稳定方法。表注写明：2008 年 5 月起由 X-11 ARIMA 换成 X-12 ARIMA，且 2006 年 11 月–2007 年 1 月之后的序列已用新方法重订——这条序列上有一个官方承认的断点，跨 2007 年前后的长序列拟合要格外小心。

def dual_gauge(clean):
    """同一期两个官方失业率：差多少，方向反过几次。"""
    pick = lambda sv: {r["period"]: r["figure"] for r in clean
                       if r["freq"] == "M3M" and r["SEXDesc"] == "Total"
                       and r["sv"] == sv}
    ur, sa = pick("UR"), pick("SAUR")
    both = sorted(set(ur) & set(sa))
    gaps = [round(abs(ur[p] - sa[p]), 4) for p in both]     # 抹平浮点误差
    steps = [(round(ur[b] - ur[a], 4), round(sa[b] - sa[a], 4))
             for a, b in zip(both, both[1:])]
    return {
        "n": len(both),
        "ge_0p2": sum(g >= 0.2 for g in gaps),
        "pct_ge_0p2": round(sum(g >= 0.2 for g in gaps) / len(gaps) * 100, 1),
        "max_gap": max(zip(both, gaps), key=lambda x: x[1]),
        "opposite": sum((d1 > 0) != (d2 > 0) for d1, d2 in steps
                        if d1 != 0 and d2 != 0),
        "latest": [(p, ur[p], sa[p]) for p in both[-3:]],
    }

七、表自己也「对不上」：四舍五入的痕迹

不用对照源，表自己就能验两件事。

加总：UE + EM 应该等于 LF。1,425 次校验里 357 次（25.1%）对不上，最大差 0.1 千人——正好是表注「人数四舍五入到最接近的百位」允许的误差。

比率：UE ÷ LF × 100 应该等于 UR。1,425 次重算里 16 次偏差超过 0.05 个百分点，最大 0.0514（199702 期 Female：官方 1.9，重算 1.8486）。方向完全随机，这就是四舍五入的指纹，不是错误。

这个检查的价值在于反向使用：如果你重算出来的差是系统性的（恒为正或恒为负），那才说明你把口径读错了——比如拿年度对月度，或者把就业不足人数混进了失业人数。

八、结论

三条可以带走的：

1. 字段名会撒谎。sd_value、figure、sv 这类缩写必须先读表注再动手，这张表的表注一共 12 条，把 p、N.A.、[§3] 和四舍五入规则全写清楚了——官方文档比任何猜测都便宜。
2. 一个代码列两种量纲时，聚合函数就是结论。mean、sum、first 会给你三个完全不同的答案，而且都不报错。
3. 缺失的形状本身就是信息。64 期缺失全部落在非季末月，这一条规律比任何缺失值填充方法都更接近真相。

九、边界与声明

• 最新一期 202608 官方标记为临时数字（p），后续可能修订，本文引用时均已注明；
• 「经季节性调整」的方法在 2008 年 5 月切换并回溯重订，跨 2007 年前后的对比仅列示官方声明，本文不做该区间的趋势判断；
• 本文只讨论数据读取与口径，不构成任何就业市场或投资判断。

参考链接

1. https://www.censtatd.gov.hk/api/get.php?id=210-06101&lang=en&full_series=1
2. https://www.censtatd.gov.hk/en/web_table.html?id=210-06101
3. https://www.censtatd.gov.hk/en/s/index/110010

原创声明：本文全部数字来自 2026-09-21 当天对香港政府统计处开放数据接口的实抓（13,475 行全量），脚本可原样复跑。觉得有用点个关注不迷路，下一篇拆一个新数据源。