US-Verbraucherpreisindex – Branche

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.

Die aktuellen Reihenindexe der Überarbeitung des Erzeugerpreisindexes spiegeln die Preisbewegungen für die Nettoleistung der Erzeuger wider, die nach dem North American Industry Classification System (NAICS) organisiert sind. Das PC-Dataset ist mit einer breiten Palette von NAICS-basierten wirtschaftlichen Zeitreihen kompatibel, einschließlich Produktivität, Produktion, Beschäftigung, Löhne und Gehälter.

Der EPI-Bereich umfasst die Leistung aller Branchen in den warenproduzierenden Sektoren der US-Wirtschaft (Bergbau, Produktion, Landwirtschaft, Fischerei und Forstwirtschaft) sowie Erdgas, Elektrizität, Baugewerbe und Güter, die mit denen der produzierenden Industrie konkurrieren, wie Abfälle und Ausschussmaterialien. Darüber hinaus umfasste das EPI-Programm ab Januar 2011 mehr als drei Viertel der Leistung des Dienstleistungssektors und veröffentlichte Daten für ausgewählte 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.

Zugehörige Datasets

• US-Verbraucherpreisindex
• US-Erzeugerpreisindex – Güter

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/pc/pc.footnote.
industry_code	Zeichenfolge	1\.064	221122 325412	NAICS-Code für Industrie. Die Codes und Namen finden Sie unter https://download.bls.gov/pub/time.series/pc/pc.industry.
industry_name	Zeichenfolge	842	Stromverteilung Herstellung pharmazeutischer Präparate	Name, der dem Code für die Industrie entspricht. Die Codes und Namen finden Sie unter https://download.bls.gov/pub/time.series/pc/pc.industry.
period (Zeitraum)	Zeichenfolge	13	M06 M07	Identifiziert den Zeitraum, über den Daten beobachtet werden. Eine vollständige Liste finden Sie unter https://download.bls.gov/pub/time.series/pc/pc.period.
product_code	Zeichenfolge	4\.822	324121P 316---	Code, der das Produkt identifiziert, auf das sich die Datenbeobachtung bezieht. Weitere Informationen zur Zuordnung von Branchencodes, Produktcodes und Produktnamen finden Sie unter https://download.bls.gov/pub/time.series/pc/pc.product.
product_name	Zeichenfolge	3\.313	Primäre Produkte Sekundäre Produkte	Name des Produkts, auf das sich die erfassten Daten beziehen. Weitere Informationen zur Zuordnung von Branchencodes, Produktcodes und Produktnamen finden Sie unter https://download.bls.gov/pub/time.series/pc/pc.product.
saisonal	Zeichenfolge	1	U	Code, der angibt, ob die Daten saisonabhängig angepasst sind. S=Seasonally Adjusted (saisonabhängig angepasst); U=Unadjusted (nicht angepasst)
series_id	Zeichenfolge	4\.822	PCU332323332323M PCU333415333415C	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/pc/pc.series.
series_title	Zeichenfolge	4\.588	PPI-Branchendaten zur Stromverteilung – Westen - Süden - Mitte, nicht saisonabhängig angepasste PPI-Branchendaten für die Stromverteilung – Pazifik, nicht saisonabhängig angepasst
value	float	7\.658	100,0 100,4000015258789	Preisindex für Artikel.
year	INT	22	2015 2017	Jahr, in dem die Überwachung stattgefunden hat.

Vorschau

product_code	industry_code	series_id	year	period (Zeitraum)	value	footnote_codes	saisonal	series_title	industry_name	product_name
2123240	212324	PCU2123242123240	1998	M01	117	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M02	116,9	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M03	116,3	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M04	116	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M05	116,2	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M06	116,3	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin
2123240	212324	PCU2123242123240	1998	M07	116,6	nan	U	PPI-Branchendaten für den Abbau von Tonerde bestehend aus Kaolin – Tonerde bestehend aus Kaolin, nicht saisonabhängig angepasst	Abbau von Tonerde bestehend aus Kaolin	Tonerde bestehend aus Kaolin

Datenzugriff

Azure Notebooks

azureml-opendatasets

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

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

labor_df.info()

azure-storage

# 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

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

Azure Databricks

azureml-opendatasets

# 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

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

pyspark

# 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

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

azure-storage

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

pyspark

# 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'))

Nächste Schritte

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