Index spotřebitelských cen v USA

Článek
12/05/2022
5 min ke čtení

Index spotřebitelských cen (CPI) měří průměrnou změnu cen, které městští spotřebitelé zaplatí za spotřební koš zboží a služeb, v průběhu času.

Poznámka

Microsoft poskytuje otevřené datové sady Azure na základě "tak, jak jsou". Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, záruky ani podmínky týkající se vašeho používání datových sad. V rozsahu povoleném vašimi místními zákony se Microsoft zříká veškeré odpovědnosti za jakékoli škody nebo ztráty, včetně přímých, následných, zvláštních, nepřímých, náhodných nebo trestních, vyplývajících z vašeho používání datových sad.

Na tuto datovou sadu se vztahují původní podmínky, které Microsoft přijal se zdrojovými daty. Datová sada může obsahovat data pocházející z Microsoftu.

Soubor README s podrobnými informacemi o této datové sadě najdete v jejím původním umístění.

Tato datová sada se vytváří z dat indexu spotřebitelských cen, která publikuje úřad BLS (Bureau of Labor Statistics) v USA. Podmínky a ujednání najdete v článku Odkazování a informace o autorských právech a důležité informace o webových stránkách.

Umístění úložiště

Tato datová sada se uchovává v oblasti Azure Východní USA. Pro spřažení doporučujeme umístit výpočetní prostředky do oblasti USA – východ.

Sloupce

Name	Datový typ	Jedinečná	Hodnoty (ukázka)	Description
area_code	řetězec	70	0000 0300	Jedinečný kód sloužící k identifikaci konkrétní geografické oblasti. Kompletní kódy oblastí najdete tady: http://download.bls.gov/pub/time.series/cu/cu.area.
area_name	řetězec	69	Průměr města USA – jih	Název konkrétní geografické oblasti. Všechny kódy a názvy oblastí najdete tady: https://download.bls.gov/pub/time.series/cu/cu.area.
footnote_codes	řetězec	3	Nan U	Označuje poznámku pro datovou řadu. Většina hodnot je null.
item_code	řetězec	515	SA0E SAF11	Určuje položku, které se týkají pozorovaná data. Všechny kódy a názvy položek najdete tady: https://download.bls.gov/pub/time.series/cu/cu.item.
item_name	řetězec	515	Energy Food doma	Celé názvy položek. Kódy a názvy položek najdete tady: https://download.bls.gov/pub/time.series/cu/cu.txt.
period	řetězec	16	S01 S02	Určuje období, za které se data sledují. Formát: M01–M13 nebo S01–S03 (M = měsíčně, M13 = roční průměr, S = pololetně). Příklad: M06 = červen. Podívejte se https://download.bls.gov/pub/time.series/cu/cu.period na názvy a kódy období.
periodicity_code	řetězec	3	R S	Frekvence pozorování dat. S = pololetní; R = pravidelné.
Sezónní	řetězec	1,043	U S	Kód určující, jestli jsou data očištěná od sezónních vlivů. S = očištěná od sezónních vlivů; U = neočištěná
series_id	řetězec	16,683	CWURS400SA0E CWUR0100SA0E	Kód označující konkrétní řadu. Časová řada označuje sadu dat pozorovaných během delšího časového období v konzistentních časových intervalech (to znamená měsíční, čtvrtletní, půlroční, roční). Data časových řad BLS se obvykle vytvářejí v měsíčních intervalech a představují data od konkrétní položky spotřebitele v konkrétní zeměpisné oblasti, jejíž cena se shromažďuje měsíčně, až po kategorii pracovníků v konkrétním odvětví, jejichž míra zaměstnanosti se zaznamenává měsíčně atd. Další informace najdete v tématu https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	řetězec	8,336	Alkoholické nápoje v průměru města USA, všechny městské spotřebitele, ne sezónně očištěná Doprava v Los Angeles-Long Beach-Anaheim, CA, všechny městské spotřebitele, ne sezónně očištěné	Název řady odpovídajícího series_id. Názvy a ID řad najdete tady: https://download.bls.gov/pub/time.series/cu/cu.series.
hodnota	float	310,603	100.0 101.0999984741211	Index cen položky
year	int	25	2018 2017	Určuje rok pozorování

Preview

area_code	item_code	series_id	year	period	hodnota	footnote_codes	Sezónní	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diegu a Karlových Varech, KALIFORNIE, všichni městští spotřebitelé, bez sezónně očištěné	Elektřiny	San Diego-Karlovy Vary, Kalifornie

Přístup k datům

Azure Notebooks

Tip

Místo toho stáhněte poznámkový blok.

# This is a package in preview.
from azureml.opendatasets import UsLaborCPI

usLaborCPI = UsLaborCPI()
usLaborCPI_df = usLaborCPI.to_pandas_dataframe()

usLaborCPI_df.info()

Tip

Místo toho stáhněte poznámkový blok.

# Pip install packages
import os, sys

!{sys.executable} -m pip install azure-storage-blob
!{sys.executable} -m pip install pyarrow
!{sys.executable} -m pip install pandas

# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "laborstatisticscontainer"
folder_name = "cpi/"

from azure.storage.blob import BlockBlobServicefrom azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient

if azure_storage_account_name is None or azure_storage_sas_token is None:
    raise Exception(
        "Provide your specific name and key for your Azure Storage account--see the Prerequisites section earlier.")

print('Looking for the first parquet under the folder ' +
      folder_name + ' in container "' + container_name + '"...')
container_url = f"https://{azure_storage_account_name}.blob.core.windows.net/"
blob_service_client = BlobServiceClient(
    container_url, azure_storage_sas_token if azure_storage_sas_token else None)

container_client = blob_service_client.get_container_client(container_name)
blobs = container_client.list_blobs(folder_name)
sorted_blobs = sorted(list(blobs), key=lambda e: e.name, reverse=True)
targetBlobName = ''
for blob in sorted_blobs:
    if blob.name.startswith(folder_name) and blob.name.endswith('.parquet'):
        targetBlobName = blob.name
        break

print('Target blob to download: ' + targetBlobName)
_, filename = os.path.split(targetBlobName)
blob_client = container_client.get_blob_client(targetBlobName)
with open(filename, 'wb') as local_file:
    blob_client.download_blob().download_to_stream(local_file)

# Read the parquet file into Pandas data frame
import pandas as pd

print('Reading the parquet file into Pandas data frame')
df = pd.read_parquet(filename)

# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df

Azure Databricks

Tip

Místo toho stáhněte poznámkový blok.

# This is a package in preview.
from azureml.opendatasets import UsLaborCPI

usLaborCPI = UsLaborCPI()
usLaborCPI_df = usLaborCPI.to_spark_dataframe()

display(usLaborCPI_df.limit(5))

Tip

Místo toho stáhněte poznámkový blok.

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "cpi/"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

Ukázka není pro tuto kombinaci platformy a balíčku k dispozici.

Tip

Místo toho stáhněte poznámkový blok.

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "cpi/"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Další kroky

Zobrazte zbývající datové sady v katalogu Open Datasets.

Index spotřebitelských cen v USA

Umístění úložiště

Sloupce

Preview

Přístup k datům

Azure Notebooks

Azure Databricks

Azure Synapse

Další kroky

Další materiály

Další materiály

Index spotřebitelských cen v USA

Umístění úložiště

Související datové sady

Sloupce

Preview

Přístup k datům

Azure Notebooks

Azure Databricks

Azure Synapse

Další kroky

Další materiály

Další materiály