US-Verbraucherpreisindex

Artikel
12/06/2023

Der Verbraucherpreisindex zeigt die durchschnittliche Veränderung der Preise, die von Konsumenten in Städten für bestimmte Waren und Dienstleistungen bezahlt werden, im Laufe der Zeit.

Hinweis

Microsoft stellt Datasets der Plattform Azure Open Datasets auf einer „As is“-Basis (d. h. ohne Mängelgewähr) zur Verfügung. Microsoft übernimmt weder ausdrücklich noch stillschweigend die Gewährleistung für Ihre Nutzung der Datasets und sichert keinerlei Garantien oder Bedingungen zu. Soweit nach örtlich anwendbarem Recht zulässig, lehnt Microsoft jegliche Haftung für Schäden oder Verluste ab. Dies schließt direkte, indirekte, besondere oder zufällige Schäden oder Verluste sowie Folge- und Strafschäden und damit verbundene Verluste ein, die sich aus Ihrer Nutzung der Datasets ergeben.

Für die Bereitstellung dieses Datasets gelten die ursprünglichen Nutzungsbedingungen, unter denen Microsoft die Quelldaten bezogen hat. Das Dataset kann Daten von Microsoft enthalten.

README mit detaillierten Informationen zu diesem Dataset finden Sie am Speicherort des ursprünglichen Datasets.

Dieses Dataset wird aus den vom US Bureau of Labor Statistics (BLS) veröffentlichten Daten der Verbraucherpreisindizes erzeugt. Lesen Sie die Geschäftsbedingungen unter den Links und Copyrightinformationen sowie unter den wichtigen Websitehinweisen.

Speicherort

Dieses Dataset wird in der Azure-Region „USA, Osten“ gespeichert. Wir empfehlen Ihnen, aus Affinitätsgründen Computeressourcen in „USA, Osten“ anzuordnen.

Spalten

Name	Datentyp	Eindeutig	Beispielwerte	BESCHREIBUNG
area_code	Zeichenfolge	70	0000 0300	Eindeutiger Code, der zum Identifizieren eines spezifischen geografischen Gebiets verwendet wird. Vollständige Gebietscodes finden Sie unter http://download.bls.gov/pub/time.series/cu/cu.area.
area_name	Zeichenfolge	69	Stadtdurchschnitt in den USA, Süden	Name des spezifischen geografischen Gebiets. Die Namen und Codes des Gebiets finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.area.
footnote_codes	Zeichenfolge	3	nan U	Bezeichnet Fußnote für die Datenreihen. Die meisten Werte sind NULL.
item_code	Zeichenfolge	515	SA0E SAF11	Identifiziert den Artikel, auf den die erfassten Daten zutreffen. Alle Namen und Codes des Artikels finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.item.
item_name	Zeichenfolge	515	Energie, Lebensmittel zu Hause	Vollständige Namen der Artikel. Die Namen und Codes des Artikels finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.txt.
period (Zeitraum)	Zeichenfolge	16	S01 S02	Identifiziert den Zeitraum, über den Daten beobachtet werden. Format: M01-M13 oder S01-S03 (M = monatlich, M13 = Jahresdurchschnitt, S = halbjährlich). Beispiel: M06 = Juni. Die Namen und Codes der Zeiträume finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.period.
periodicity_code	Zeichenfolge	3	R S	Häufigkeit der Datenerfassung. S=Semi-Annual (halbjährlich); R=Regular (regelmäßig).
saisonal	Zeichenfolge	1\.043	U S A	Code, der identifiziert, ob Daten nach Saison angepasst werden. S=Seasonally Adjusted (saisonabhängig angepasst); U=Unadjusted (nicht angepasst).
series_id	Zeichenfolge	16.683	CWURS400SA0E CWUR0100SA0E	Code, der die spezifische Reihen angibt. Eine Zeitreihe bezieht sich auf einen Datensatz, der über einen längeren Zeitraum hinweg über konsistente Zeitintervalle (z. B. monatlich, vierteljährlich, halbjährlich, jährlich) beobachtet wird. Die BLS-Zeitreihendaten werden in der Regel in monatlichen Intervallen erstellt und stellen Daten dar, die von einem bestimmten Konsumgut in einer bestimmten geografischen Region, dessen Preis monatlich erfasst wird, bis hin zu einer Kategorie an Arbeitnehmern in einer bestimmten Branche reichen, deren Beschäftigungsrate monatlich erfasst wird usw. Weitere Informationen finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	Zeichenfolge	8\.336	Alkoholische Getränke im Städtedurchschnitt, alle städtischen Verbraucher, nicht saisonabhängig angepasster Transport in Los Angeles-Long Beach-Anaheim, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Reihenname der zugehörigen Reihen-ID (series_id). Die Reihen-IDs und -Namen finden Sie unter https://download.bls.gov/pub/time.series/cu/cu.series.
value	float	310.603	100,0 101,0999984741211	Preisindex für Artikel.
year	INT	25	2018 2017	Jahr, in dem die Überwachung stattgefunden hat.

Vorschau

area_code	item_code	series_id	year	period (Zeitraum)	value	footnote_codes	saisonal	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elektrizität in San Diego-Carlsbad, CA, alle städtischen Verbraucher, nicht saisonabhängig angepasst	Elektrizität	San Diego-Carlsbad, CA

Datenzugriff

Azure Notebooks

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

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

usLaborCPI_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 = "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

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

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

display(usLaborCPI_df.limit(5))

# 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

Für diese Kombination aus Plattform und Paket ist kein Beispiel verfügbar.

# 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'))

Nächste Schritte

Machen Sie sich mit den restlichen Datasets im Open Datasets-Katalog vertraut.

Share via

US-Verbraucherpreisindex

Speicherort

Spalten

Vorschau

Datenzugriff

Azure Notebooks

Azure Databricks

Azure Synapse

Nächste Schritte

Zusätzliche Ressourcen

Share via

US-Verbraucherpreisindex

Speicherort

Zugehörige Datasets

Spalten

Vorschau

Datenzugriff

Azure Notebooks

Azure Databricks

Azure Synapse

Nächste Schritte

Zusätzliche Ressourcen