Index spotřebitelských cen v USA

Článek
09/26/2022
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 datové sady Azure Open Datasets podle toho, jak je. Společnost Microsoft neposkytuje žádné záruky, výslovné nebo předpokládané záruky ani podmínky týkající se vašeho používání datových sad. V rozsahu povoleném vaším místním právem Společnost Microsoft zřeknutí se veškeré odpovědnosti za případné škody nebo ztráty, včetně přímých, následných, zvláštních, nepřímých, náhodných nebo represivních, 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 americký úřad pro statistiku práce (BLS). Přečtěte si informace o propojení a autorských právech a důležité oznámení o webových stránkách pro podmínky a ujednání.

Umístění úložiště

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

Sloupce

Název	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	Usa – průměr města – 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 odkazuje na sadu dat pozorovaných v delším časovém období v konzistentních časových intervalech (to znamená měsíční, čtvrtletní, pololetní, roční). Data časových řad BLS se obvykle vytvářejí v měsíčních intervalech a představují data od konkrétní spotřební položky v konkrétní geografické oblasti, jejíž cena se shromažďuje měsíčně do kategorie pracovníků v určitém odvětví, jehož 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 americkém městě průměr, všichni městskí spotřebitelé, ne sezónně upravená doprava v Los Angeles-Long Beach-Anaheim, CA, všichni městské spotřebitelé, ne sezónně upravení	Název řady odpovídajících 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 Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektřina v San Diego-Karlovy Vary, CA, všichni městské spotřebitelé, ne sezónně upravení	Elektřiny	San Diego-Karlovy Vary, CA

Přístup k datům

Azure Notebooks

Tip

Místo toho si poznámkový blok stáhněte.

# 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 si poznámkový blok stáhněte.

# 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 si poznámkový blok stáhněte.

# 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 si poznámkový blok stáhněte.

# 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 k dispozici pro tuto kombinaci platforem nebo balíčků.

Tip

Místo toho si poznámkový blok stáhněte.

# 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

Související datové sady

Sloupce

Preview

Přístup k datům

Azure Notebooks

Azure Databricks

Azure Synapse

Další kroky