Odvětví indexu spotřebitelských cen v USA

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 služby Azure Open Datasets "tak, jak jsou". Microsoft neposkytuje žádné záruky, výslovné nebo 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.

Indexy aktuálních řad v revizi indexu cen výrobců odrážejí pohyby cen čisté produkce výrobců uspořádaných v souladu se systémem klasifikace odvětví v Severní Americe (NAICS). Datová sada pc je kompatibilní se širokou škálou ekonomických časových řad založených na NAICS, včetně: produktivity, výroby, zaměstnanosti, mezd a příjmů.

Systém PPI zahrnuje výstup všech odvětví výrobního sektoru ekonomiky USA (těžba, výroba, zemědělství, rybolov a lesnictví) a také zemní plyn, elektřinu, stavebnictví a zboží, které dokáže konkurovat zboží vyrobenému ve výrobních sektorech, jako je odpadový materiál a šrot. Kromě toho od ledna 2011 pokrýval program PPI více než tři čtvrtiny výstupu sektoru služeb a publikoval údaje pro vybraná odvětví v následujících odvětvích: velkoobchod a maloobchod; přeprava a skladování; Informace; finance a pojištění; zprostředkování, pronájem a pronájem nemovitostí; odborné, vědecké a technické zkušebny; služby správy, podpory a nakládání s odpady; zdravotní a sociální pomoc; 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 dat indexů cen výrobcůpublikovaných úřadem 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.

Související datové sady

• Index spotřebitelských cen v USA
• Index výrobních cen v USA – komodity

Sloupce

Name	Datový typ	Jedinečná	Hodnoty (ukázka)	Description
footnote_codes	řetězec	3	Nan P	Označuje poznámky pro datovou řadu. Většina hodnot je null. Viz třída https://download.bls.gov/pub/time.series/pc/pc.footnote.
industry_code	řetězec	1,064	221122 325412	Kód NAICS pro dané odvětví. Kódy a názvy najdete tady: https://download.bls.gov/pub/time.series/pc/pc.industry.
industry_name	řetězec	842	Elektrické rozvody napájení Výroba farmaceutické přípravy	Název odpovídající kódu odvětví. Kódy a názvy najdete tady: https://download.bls.gov/pub/time.series/pc/pc.industry.
period	řetězec	13	M06 M07	Určuje období, za které se data sledují. Kompletní seznam najdete tady: https://download.bls.gov/pub/time.series/pc/pc.period.
product_code	řetězec	4,822	324121P 316---	Kód označující produkt, ke kterému se vztahuje pozorování dat. Viz https://download.bls.gov/pub/time.series/pc/pc.product mapování kódů odvětví, kódů produktů a názvů produktů.
product_name	řetězec	3,313	Primární produkty Sekundární produkty	Název produktu, ke kterému se vztahuje pozorování dat. Viz https://download.bls.gov/pub/time.series/pc/pc.product mapování kódů odvětví, kódů produktů a názvů produktů.
Sezónní	řetězec	1	U	Kód určující, jestli jsou data očištěná od sezónních vlivů. S = očištěná od sezónních vlivů; U = neočištěná
series_id	řetězec	4,822	PCU3323233232323M PCU33341533415C	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/pc/pc.series.
series_title	řetězec	4,588	Data z odvětví PPI pro distribuci elektrické energie – středozápad, ne sezónní očištěná data PPI pro distribuci elektrické energie v Tichomoří, ne očištěná o sezónu
hodnota	float	7,658	100.0 100.4000015258789	Index cen položky
year	int	22	2015 2017	Určuje rok pozorování

Preview

product_code	industry_code	series_id	year	period	hodnota	footnote_codes	Sezónní	series_title	industry_name	product_name
2123240	212324	PCU2123242123240	1998	M01	117	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M02	116.9	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M03	116.3	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M04	116	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M05	116.2	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M06	116.3	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka
2123240	212324	PCU2123242123240	1998	M07	116.6	Nan	U	Údaje PPI v odvětví pro těžbu kaolinu a kuličkové hlíny – kaolin a kuličkový jíl, neočištěné od sezónních vlivů	Těžba kaolinu a kuličkové hlíny	Kaolin a kuličková antuka

Přístup k datům

Azure Notebooks

azureml-opendatasets

Tip

Místo toho stáhněte poznámkový blok.

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

labor = UsLaborPPIIndustry()
labor_df = labor.to_pandas_dataframe()

labor_df.info()

azure-storage

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 = "ppi_industry/"

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

pyspark

Ukázka není pro tuto kombinaci platformy a balíčku k dispozici.

Azure Databricks

azureml-opendatasets

Tip

Stáhněte si poznámkový blok istead.

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

labor = UsLaborPPIIndustry()
labor_df = labor.to_spark_dataframe()

display(labor_df.limit(5))

azure-storage

Ukázka není pro tuto kombinaci platformy a balíčku k dispozici.

pyspark

Tip

Místo toho stáhněte poznámkový blok.

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

azureml-opendatasets

Ukázka není pro tuto kombinaci platformy a balíčku k dispozici.

azure-storage

Ukázka není pro tuto kombinaci platformy a balíčku k dispozici.

pyspark

Tip

Místo toho stáhněte poznámkový blok.

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