Index výrobních cen v USA – komodity

Článek
12/06/2023

Index cen výrobců (PPI) měří průměrnou změnu prodejních cen, za které domácí výrobci prodávají své výstupy, v průběhu času. Ceny zahrnuté do PPI pocházejí z prvních komerčních transakcí produktů a služeb zahrnutých do tohoto indexu.

Poznámka:

Microsoft poskytuje datové sady Azure Open Datasets na bázi "tak, jak je". Společnost Microsoft neposkytuje žádné záruky, výslovné ani předpokládané záruky ani podmínky týkající se vašeho používání datových sad. V rozsahu povoleném vaším místním zákonem společnost Microsoft odmítá veškerou odpovědnost 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.

Každý měsíc se vydává přibližně 10 000 indexů PPI pro jednotlivé produkty a skupin produktů. PPI jsou k dispozici pro výstup téměř všech průmyslových odvětví v odvětvích výroby zboží v odvětvích americké ekonomiky– těžby, výroby, zemědělství, rybolovu a lesnictví– a také zemního plynu, elektřiny, výstavby a zboží, které jsou konkurenceschopné s produkty v odvětví výroby, jako jsou odpady a šroty. Program PPI pokrývá přibližně 72 procent výstupu sektoru služeb, jak je měřeno výnosy hlášenými v hospodářských cenách 2007. Data pokrývají odvětví v následujících sektorech: velkoobchod a maloobchod, přeprava a skladování, informace, finance a pojištění, zprostředkování a pronájem nemovitostí, odborné, vědecké a technické služby, služby správy, podpory odpadového hospodářství, zdravotní a sociální péče a ubytování.

Soubor README s podrobnými informacemi o této datové sadě najdete v jejím původním umístění. Další informace najdete v nejčastějších dotazech.

Tato datová sada je vytvořená z údajů indexů cen výrobců zveřejněných vládní agenturou BLS (Bureau of Labor Statistics) v USA. Podmínky a ujednání související s používáním této datové sady najdete v informacích o odkazování a autorských právech a v důležitých upozorněních k webovým stránkám.

Umístění úložiště

Tato datová sada se uchovává v oblasti Azure Východní USA. Kvůli přidružení se doporučuje přidělovat výpočetní prostředky v oblasti Východní USA.

Sloupce

Name	Datový typ	Jedinečný	Values (sample)	Popis
footnote_codes	string	3	nan P	Označuje poznámky pro datovou řadu. Většina hodnot je null. Viz třída https://download.bls.gov/pub/time.series/wp/wp.footnote.
group_code	string	56	02 01	Kód určující hlavní skupinu komodit zahrnutých v indexu. Kódy a názvy skupin najdete tady: https://download.bls.gov/pub/time.series/wp/wp.group.
group_name	string	56	Zpracované potraviny a krmiva Farmové produkty	Název hlavní skupiny komodit zahrnutých v indexu. Kódy a názvy skupin najdete tady: https://download.bls.gov/pub/time.series/wp/wp.group.
item_code	string	2,949	1 11	Určuje položku, které se týkají pozorovaná data. Názvy a kódy položek najdete tady: https://download.bls.gov/pub/time.series/wp/wp.item.
item_name	string	3,410	Sklady, skladování a související služby Pronájem osobního vozu	Celé názvy položek. Názvy a kódy položek najdete tady: https://download.bls.gov/pub/time.series/wp/wp.item.
Období	string	13	M06 M07	Určuje období, za které se data sledují. Seznam hodnot pro období najdete tady: https://download.bls.gov/pub/time.series/wp/wp.period.
Sezónní	string	2	U S	Kód určující, jestli jsou data očištěná od sezónních vlivů. S = očištěná od sezónních vlivů; U = neočištěná
series_id	string	5,458	WPU101 WPU091	Kód označující konkrétní řadu. Časová řada označuje sadu dat zaznamenaných za delší období v konzistentních časových intervalech. Podrobnosti k jednotlivým řadám, jako jsou kód, název, rok zahájení a ukončení, najdete tady: https://download.bls.gov/pub/time.series/wp/wp.series.
series_title	string	4,379	Údaje o komoditách PPI pro dolování, ne sezónně upravená komoditní data PPI pro služby zpracování kovů, ne sezónně upravená	Název konkrétní řady. Časová řada označuje sadu dat zaznamenaných za delší období v konzistentních časových intervalech. Podrobnosti https://download.bls.gov/pub/time.series/wp/wp.series o řadě, jako je ID, název, začátek a konec roku atd.
hodnota	float (číslo s plovoucí řádovou čárkou)	6,788	100.0 99.0999984741211	Index cen položky
za rok	int	26	2018 2017	Určuje rok pozorování

Ukázková

item_code	group_code	series_id	za rok	Období	hodnota	footnote_codes	Sezónní	series_title	group_name	item_name
120922	05	WPU05120922	2008	M06	100	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze
120922	05	WPU05120922	2008	M07	104.6	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze
120922	05	WPU05120922	2008	M08	104.4	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze
120922	05	WPU05120922	2008	M09	98.3	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze
120922	05	WPU05120922	2008	M10	101.5	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze
120922	05	WPU05120922	2008	M11	95,2	Nan	U	PpI Komoditní údaje o palivech a souvisejících produktech a power-připravených bituminatých podzemních dolech, mechanicky drcená/otřízená/velikost pouze, ne sezónně upravená	Paliva a související produkty a energie	Připravený živilní uhelný podzemní důl, mechanicky drcený/otříděný/pouze

Přístup k datům

Azure Notebooks

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

labor = UsLaborPPICommodity()
labor_df = labor.to_pandas_dataframe()

labor_df.info()

# 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 = "ppi_commodity/"

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

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

labor = UsLaborPPICommodity()
labor_df = labor.to_spark_dataframe()

display(labor_df.limit(5))

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ppi_commodity/"
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 platformy nebo balíčku.

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ppi_commodity/"
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

Prohlédněte si zbývající datové sady v katalogu Open Datasets.