
- 记录
- 2,090
- 字段
- 10
- AI 扩增字段
- 1
- 平均非空率
- 99.4%
- 字段完整度
10 个字段,8 个没有空值,1 个 AI 扩增
图片:Marek Ślusarczyk (Tupungato) Photo portfolio,CC BY 3.0(在新窗口打开图片的原始页面)
01字段
字段来源,逐一标明
共 10 个字段,其中 AI 扩增字段 1 个。非空率按当前版本的 2,090 行计算。
关于这个数据集
一行是一个城市一年的城乡收入差距泰尔指数,以及计算用到的城镇和农村居民人均可支配收入、城镇化率、总人口和城乡人口。覆盖 209 个地级及以上城市(含直辖市),2010 年到 2019 年,共 2090 行。可用来比较各城市城乡收入差距的大小和变化。原表有 72 行的泰尔指数和同一行的收入、人口算出来的对不上(集中在山东几个城市 2010-2012 年,还有一个负值),这些行的泰尔指数留空。
| 字段 | 类型 | 来源 | 非空率 | 可过滤 | 可返回 | 说明 |
|---|---|---|---|---|---|---|
| 城市city规律 1:城市的字段规律字段规律:city_code由城市扩增得出。键:城市名称。样本里格式符合 98.3%,还没有参照 | 文本 | 原生 | 100% | 城市名称,原表列名 dum。原表的“麥庄市”改成“枣庄市” | ||
| 年份year键:年份。样本里格式符合 100%,还没有参照 | 整数 | 原生 | 100% | — | ||
| 城镇居民人均可支配收入urban_disposable_income | 小数 | 原生 | 100% | 单位:元。原表列名:城市家庭可支配(元) | ||
| 农村居民人均可支配收入rural_disposable_income | 小数 | 原生 | 100% | 单位:元。原表列名:农村家庭可支配(元) | ||
| 城镇化率urbanization_rate | 小数 | 原生 | 100% | 小数形式 | ||
| 总人口total_population | 小数 | 原生 | 100% | 单位:万人 | ||
| 城镇人口urban_population | 小数 | 原生 | 100% | 单位:万人。等于总人口 × 城镇化率 | ||
| 农村人口rural_population | 小数 | 原生 | 100% | 单位:万人。等于总人口 − 城镇人口 | ||
| 泰尔指数theil_index | 小数 | 原生 | 96% | 没有单位。T = Σ(组收入份额 × ln(组收入份额 ÷ 组人口份额)),分城镇、农村两组,越大说明城乡收入差距越大。每行都按同一行的收入和人口重算核对,对不上的留空 | ||
| 城市区划代码city_code规律 1:城市区划代码的字段规律字段规律:city_code由城市扩增得出。键:市级区划代码。样本里格式符合 100%,98.6% 的行对上参照 region-name-alias | 文本 | 规则扩增第 2 级扩增查看溯源:城市区划代码 | 99%平均置信度 1.00校验少:不建议单独作为决策依据 | 由城市查行政区划参照得出的现行地级区划代码。程序查表,不用模型。对不上或置信度低的为空 |
02样本
先看样本,再做决定
这里显示当前版本的前 20 行。这个数据集没有敏感字段。
| # | 城市city | 年份year | 城镇居民人均可支配收入urban_disposable_income | 农村居民人均可支配收入rural_disposable_income | 城镇化率urbanization_rate | 总人口total_population | 城镇人口urban_population | 农村人口rural_population | 泰尔指数theil_index | 城市区划代码city_code |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 北京市 | 2010 | 29072.9 | 13262.3 | 0.8595999999999999 | 1961.9 | 1686.44924 | 275.4507600000002 | 0.025000873203471448 | 110000 |
| 2 | 北京市 | 2011 | 32903 | 14735.7 | 0.8620000000000001 | 2018.6 | 1740.0332 | 278.56679999999983 | 0.025514486216301 | 110000 |
| 3 | 北京市 | 2012 | 36468.8 | 16475.7 | 0.8620000000000001 | 2069.3 | 1783.7366000000004 | 285.5633999999998 | 0.025077935599664737 | 110000 |
| 4 | 北京市 | 2013 | 40321 | 18337.5 | 0.863 | 2114.8 | 1825.0724 | 289.72759999999994 | 0.024575587411124145 | 110000 |
| 5 | 北京市 | 2014 | 48531.8 | 18867.3 | 0.8634999999999999 | 2151.6 | 1857.9066 | 293.6934000000001 | 0.03242127488759964 | 110000 |
| 6 | 北京市 | 2015 | 52859.2 | 20568.7 | 0.865 | 2170.5 | 1877.4825 | 293.0174999999999 | 0.032029350882424916 | 110000 |
| 7 | 北京市 | 2016 | 57275.3 | 22309.5 | 0.865 | 2172.9 | 1879.5585 | 293.3415 | 0.031978185995173505 | 110000 |
| 8 | 北京市 | 2017 | 62406.3 | 24240.5 | 0.865 | 2170.7 | 1877.6555 | 293.04449999999997 | 0.03212005587965542 | 110000 |
| 9 | 北京市 | 2018 | 67989.9 | 26490.3 | 0.865 | 2154.2 | 1863.383 | 290.817 | 0.03196411099551769 | 110000 |
| 10 | 北京市 | 2019 | 73848.5 | 28928.4 | 0.866 | 2153.6 | 1865.0176 | 288.5824 | 0.031462766713889374 | 110000 |
| 11 | 天津市 | 2010 | 24292.6 | 10074.9 | 0.7955 | 1299.29 | 1033.585195 | 265.7048050000001 | 0.04268384775474829 | 120000 |
| 12 | 天津市 | 2011 | 26920.9 | 12321.2 | 0.805 | 1354.58 | 1090.4369 | 264.1431 | 0.03376867995901936 | 120000 |
| 13 | 天津市 | 2012 | 29626.4 | 14025.5 | 0.8155 | 1413.15 | 1152.423825 | 260.726175 | 0.029861004025758617 | 120000 |
| 14 | 天津市 | 2013 | 32293.6 | 15841 | 0.8201 | 17472.21 | 14328.959421 | 3143.2505789999996 | 0.02693214388651384 | 120000 |
| 15 | 天津市 | 2014 | 31506 | 17014.2 | 0.8227 | 1516.81 | 1247.879587 | 268.93041300000004 | 0.02083961386549796 | 120000 |
| 16 | 天津市 | 2015 | 34101.3 | 18481.6 | 0.8264 | 1546.95 | 1278.39948 | 268.55052 | 0.02024409059463301 | 120000 |
| 17 | 天津市 | 2016 | 37109.6 | 20075.6 | 0.8293 | 1562.12 | 1295.466116 | 266.65388399999983 | 0.02003692707385911 | 120000 |
| 18 | 天津市 | 2017 | 40277.5 | 21753.7 | 0.8293 | 1556.87 | 1291.112291 | 265.757709 | 0.02012774997052414 | 120000 |
| 19 | 天津市 | 2018 | 42976.3 | 23065.2 | 0.8315000000000001 | 1559.6 | 1296.8074 | 262.79259999999977 | 0.020238171485138554 | 120000 |
| 20 | 天津市 | 2019 | 46118.9 | 24804.1 | 0.8348000000000001 | 1561.83 | 1303.815684 | 258.0143159999998 | 0.01976192333056022 | 120000 |
03版本
每次发布,都留记录
发布后的数据版本不能修改。更正时发布新版本,旧版本保留。
版本 v12026/11/15 发布
生效中2,090 行 · 10 个字段 · 初始导入
04关联
和其他数据集,按键连起来
按键连到地区,能和不少于 24 个数据集连接。另外,它带年份或日期,能和其他数据集按时间对齐。共享同一种键的数据集能连接。按共享的键分组,对上的行多的在前。
按 城市 + 年份 能连
252 个数据集 · 本数据集 2,060 行有城市- 地级市间月度人口迁徙区域底数 · 616.7 万 行 · 连接字段 origin_city_code、month按城市对上本数据集 2,060 行(98%)
- 地级市分行业创新指数区域底数 · 574.7 万 行 · 连接字段 region_code、year按城市对上本数据集 2,060 行(98%)
- 全国土地出让记录工程项目 · 351.2 万 行 · 连接字段 year、city_code按城市对上本数据集 2,060 行(98%)
- 县级逐月风速自然灾害 · 293.5 万 行 · 连接字段 year、city_code按城市对上本数据集 2,060 行(98%)
- 地级市日度夜间灯光区域底数 · 172.6 万 行 · 连接字段 date、region_code按城市对上本数据集 2,060 行(98%)
- 地级市经济社会统计区域底数 · 120.5 万 行 · 连接字段 region_code、year按城市对上本数据集 2,060 行(98%)
- 地级市社会经济指标区域底数 · 93.2 万 行 · 连接字段 year、region_code按城市对上本数据集 2,060 行(98%)
- 地级市市辖区社会经济指标区域底数 · 86.6 万 行 · 连接字段 region_code、year按城市对上本数据集 2,060 行(98%)
- 地级市间年度人口迁徙区域底数 · 65.2 万 行 · 连接字段 year、origin_city_code按城市对上本数据集 2,060 行(98%)
- 全国城市每日人口迁徙区域底数 · 65.1 万 行 · 连接字段 region_code、date按城市对上本数据集 2,060 行(98%)
- 地级市逐月降水量自然灾害 · 55.4 万 行 · 连接字段 year、region_code按城市对上本数据集 2,060 行(98%)
- 银行业金融机构网点明细保险市场 · 47.7 万 行 · 连接字段 date、city_code按城市对上本数据集 2,060 行(98%)
按 城市 能连
39 个数据集 · 本数据集 2,060 行有城市- 区县相邻关系明细区域底数 · 841 万 行 · 连接字段 city_code按城市对上本数据集 2,060 行(98%)
- 全国养老机构点位医疗药械 · 5.8 万 行 · 连接字段 address_city_code按城市对上本数据集 2,060 行(98%)
- 全国A级景区点位建筑设施 · 1.5 万 行 · 连接字段 city_code按城市对上本数据集 2,060 行(98%)
- 区县和城市到港口和海岸线的距离区域底数 · 3,270 行 · 连接字段 city_code按城市对上本数据集 2,060 行(98%)
- 全国县级常住人口区域底数 · 3,052 行 · 连接字段 city_code按城市对上本数据集 2,060 行(98%)
- 地级市河流长度与密度自然灾害 · 368 行 · 连接字段 region_code按城市对上本数据集 2,060 行(98%)
- 地级市地形起伏度自然灾害 · 360 行 · 连接字段 region_code按城市对上本数据集 2,060 行(98%)
- 城市政商关系健康指数区域底数 · 292 行 · 连接字段 city_code_2按城市对上本数据集 2,060 行(98%)
- 资源型城市静态分类区域底数 · 289 行 · 连接字段 city_code按城市对上本数据集 2,060 行(98%)
- 全国行政区划代码参照区域底数 · 4,299 行 · 连接字段 parent_code按城市对上本数据集 2,050 行(98%)
- 地级市经济地理嵌套矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 2,050 行(98%)
- 地级市经济地理权重矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 2,050 行(98%)
只按年份能连:833 个数据集单独按年份连接多半没有意义,先看上面的组
按 年份 能连
833 个数据集- 全球双边贸易流量区域底数 · 2.2 亿 行 · 连接字段 year
- 出口企业产品质量企业主体 · 9912.4 万 行 · 连接字段 year
- 工企海关匹配对照企业主体 · 3137.8 万 行 · 连接字段 year
- 海关进出口商品统计区域底数 · 2639.9 万 行 · 连接字段 year
- 全球兴趣点建筑设施 · 2299.6 万 行 · 连接字段 created_date
- 全国兴趣点高德地图建筑设施 · 2200 万 行 · 连接字段 page_publish_time
- 县市逐日天气自然灾害 · 1509.2 万 行 · 连接字段 date
- 上市公司专利被引统计企业主体 · 1432.1 万 行 · 连接字段 cited_apply_date
- 县级日度夜间灯光区域底数 · 1313 万 行 · 连接字段 date
- A股上市公司日交易行情企业主体 · 1239.1 万 行 · 连接字段 trade_date
- 全国行政村淘宝村DID面板区域底数 · 1056.8 万 行 · 连接字段 taobao_village_year
- 全国气象站逐日观测自然灾害 · 993.2 万 行 · 连接字段 date
05字段规律
字段之间的规律
比如一一对应、谁先谁后。只帮你读懂数据,不用来连接。
本数据集内1
- 扩增得出
city_code由城市扩增得出。
来自字段扩增地级市城乡收入差距泰尔指数地级市城乡收入差距泰尔指数
06授权与接入
申请授权,一次调用就能用上
试用立即生效,并送 500 点试用点数。授权后用 API Key 调用 REST 接口,按返回的行数扣点。
REST 调用示例
# 先把 API Key 放进环境变量:export WI_API_KEY=你的 API Keycurl -X POST 'https://wi.insightworld.cn/api/v1/datasets/region-city-income-gap/query' \ -H "Authorization: Bearer $WI_API_KEY" \ -H 'Content-Type: application/json' \ -d '{"filters":[{"field":"city","op":"eq","value":"北京市"}],"limit":10}'
交给 Agent
- 以后开放
MCP
仍在使用 MCP 的 Agent 客户端,用 OAuth 连接后通过工具查询。