US-Erzeugerpreisindex – Güter

Artikel
12/06/2023

Der Erzeugerpreisindex (EPI) ist ein Maß für die durchschnittliche zeitliche Veränderung der Verkaufspreise, die inländische Erzeuger für ihre Leistungen erzielen. Die im EPI enthaltenen Preise stammen aus der ersten kommerziellen Transaktion für die erfassten Produkte und Dienstleistungen.

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.

Jeden Monat werden etwa 10.000 EPIs für einzelne Produkte und Produktgruppen veröffentlicht. EPIs stehen für die Leistung fast aller Industrien in den warenproduzierenden Sektoren der US-Wirtschaft (Bergbau, Produktion, Landwirtschaft, Fischerei und Forstwirtschaft) zur Verfügung sowie für Erdgas, Elektrizität, Baugewerbe und Güter, die mit denen der produzierenden Industrie konkurrieren, wie Abfälle und Ausschussmaterialien. Das EPI-Programm deckt etwa 72 Prozent der Leistung des Dienstleistungssektors ab, gemessen am Umsatz der Wirtschaftszählung von 2007. Die Daten umfassen Branchen in den folgenden Sektoren: Groß- und Einzelhandel; Transport und Lagerung; Informationsbereich; Finanzen und Versicherungen; Immobilienvermittlung, -vermietung und -Leasing; professionelle, wissenschaftliche und technische Dienstleistungen; Verwaltungs-, Unterstützungs- und Entsorgungsdienstleistungen; Gesundheitswesen und Sozialhilfe sowie Beherbergung.

README mit detaillierten Informationen zu diesem Dataset finden Sie am Speicherort des ursprünglichen Datasets. Es sind zusätzliche Informationen in den FAQs verfügbar.

Dieses Dataset wird aus den vom US Bureau of Labor Statistics (BLS) veröffentlichten Daten der Erzeugerpreisindizes erzeugt. Lesen Sie die Informationen zu Verknüpfungen und Copyright und wichtige Hinweise zur Website, um mehr über die Bestimmungen für die Nutzung dieses Datasets zu erfahren.

Speicherort

Dieses Dataset wird in der Azure-Region „USA, Osten“ gespeichert. Aus Gründen der Affinität wird die Zuweisung von Computeressourcen in der Region „USA, Osten“ empfohlen.

Spalten

Name	Datentyp	Eindeutig	Beispielwerte	BESCHREIBUNG
footnote_codes	Zeichenfolge	3	nan P	Bezeichnet Fußnoten für die Datenreihe. Die meisten Werte sind NULL. Siehe https://download.bls.gov/pub/time.series/wp/wp.footnote.
group_code	Zeichenfolge	56	02 01	Code, der die wichtigsten Warengruppen nach Index angibt. Die Codes und Namen von Gruppen finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.group.
group_name	Zeichenfolge	56	Verarbeitete Lebens- und Futtermittel Agrarerzeugnisse	Name der wichtigsten Warengruppen nach Index. Die Codes und Namen von Gruppen finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.group.
item_code	Zeichenfolge	2,949	1 11	Identifiziert den Artikel, auf den die erfassten Daten zutreffen. Die Codes und Namen des Artikels finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.item.
item_name	Zeichenfolge	3,410	Lagerhaltung, Lagerung und zugehörige Dienste Pkw-Vermietung	Vollständige Namen der Artikel. Die Codes und Namen des Artikels finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.item.
period (Zeitraum)	Zeichenfolge	13	M06 M07	Identifiziert den Zeitraum, über den Daten beobachtet werden. Eine Liste von Werten für den Zeitraum finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.period.
saisonal	Zeichenfolge	2	U S A	Code, der angibt, ob die Daten saisonabhängig angepasst sind. S=Seasonally Adjusted (saisonabhängig angepasst); U=Unadjusted (nicht angepasst)
series_id	Zeichenfolge	5,458	WPU101 WPU091	Code, der die spezifische Reihen angibt. Eine Zeitreihe umfasst Daten, die über einen längeren Zeitraum in konsistenten Zeitintervallen erfasst werden. Informationen zu Reihen wie Code, Name, Start- und Endjahr usw. finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.series.
series_title	Zeichenfolge	4,379	EPI-Güterdaten für Bergbaudienstleistungen, nicht saisonabhängig angepasst, EPI-Güterdaten für Dienstleistungen im Bereich der Metallbehandlung, nicht saisonabhängig angepasst	Titel der spezifischen Reihe. Eine Zeitreihe umfasst Daten, die über einen längeren Zeitraum in konsistenten Zeitintervallen erfasst werden. Informationen zu Reihen wie ID, Name, Start- und Endjahr usw. finden Sie unter https://download.bls.gov/pub/time.series/wp/wp.series.
value	float	6,788	100.0 99.0999984741211	Preisindex für Artikel.
year	INT	26	2018 2017	Jahr, in dem die Überwachung stattgefunden hat.

Vorschau

item_code	group_code	series_id	year	period (Zeitraum)	value	footnote_codes	saisonal	series_title	group_name	item_name
120922	05	WPU05120922	2008	M06	100	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert
120922	05	WPU05120922	2008	M07	104.6	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert
120922	05	WPU05120922	2008	M08	104.4	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert
120922	05	WPU05120922	2008	M09	98.3	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert
120922	05	WPU05120922	2008	M10	101,5	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert
120922	05	WPU05120922	2008	M11	95.2	nan	U	EPI-Güterdaten für Brennstoffe und verwandte Produkte und Energie – Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert, nicht saisonabhängig angepasst	Brennstoffe und verwandte Produkte und Energie	Aufbereitete Steinkohle Untertagewerk, nur mechanisch zerkleinert/gesiebt/nach Größe sortiert

Datenzugriff

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

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 = "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'))

Nächste Schritte

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

Share via

US-Erzeugerpreisindex – Güter

Speicherort

Spalten

Vorschau

Datenzugriff

Azure Notebooks

Azure Databricks

Azure Synapse

Nächste Schritte

Zusätzliche Ressourcen

Share via

US-Erzeugerpreisindex – Güter

Speicherort

Zugehörige Datasets

Spalten

Vorschau

Datenzugriff

Azure Notebooks

Azure Databricks

Azure Synapse

Nächste Schritte

Zusätzliche Ressourcen