Egyesült Államok fogyasztói árindexe

Cikk
12/06/2023

A fogyasztói árindex (CPI) méri a lakosság által megvásárolt áruk, igénybe vett szolgáltatások árának átlagos változását egy meghatározott időintervallumon belül.

Megjegyzés:

A Microsoft az Azure Open Datasets szolgáltatást "adott módon" biztosítja. A Microsoft nem vállal kifejezett vagy vélelmezett garanciát vagy feltételeket az adathalmazok Ön általi használatára vonatkozóan. A microsoft a helyi jogszabályok által megengedett mértékben kizár minden felelősséget az adathalmazok használatából eredő károkért vagy veszteségekért, beleértve a közvetlen, következményi, különleges, közvetett, incidenses vagy büntető jellegű károkat is.

Az adatkészletet a Microsoft forrásadataihoz tartozó eredeti feltételek szerint szolgáltatjuk. A készlet tartalmazhat Microsofttól származó adatokat.

A README részletes adatokat tartalmaz erről az adatkészletről, az adatkészlet pedig letölthető az adatkészlet eredeti helyén.

Ez az adatkészlet a fogyasztói árindex adataiból származik, amelyet az Egyesült Államok Munkaügyi Statisztikai Hivatala (BLS) tett közzé. Tekintse át a hivatkozási és szerzői jogi információkat , valamint a használati feltételekre vonatkozó fontos webhely-közleményeket .

Tárolási hely

Az adatkészlet tárolási helye a Kelet-USA Azure-régió. Javasoljuk, hogy az USA keleti régiójában keresse meg a számítási erőforrásokat az affinitás érdekében.

Oszlopok

Név	Adattípus	Egyedi	Values (sample)	Leírás
area_code	sztring	70	0000 0300	Egy adott földrajzi hely azonosításához használt egyedi kód. Az összes területkódot itt találja: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	sztring	69	Amerikai város átlaga Dél	Adott földrajzi terület neve. Az összes területnevet és -kódot itt találja: https://download.bls.gov/pub/time.series/cu/cu.area.
footnote_codes	sztring	3	nan U	Az adatsorozathoz azonosít lábjegyzeteket. A legtöbb érték null.
item_code	sztring	515	SA0E SAF11	Az adatmegfigyelés tárgyául szolgáló elemet azonosítja. Az összes elemnevet és -kódot itt találja: https://download.bls.gov/pub/time.series/cu/cu.item.
item_name	sztring	515	Energia élelmiszer otthon	Az elemek teljes neve. Az elemneveket és -kódokat itt találja: https://download.bls.gov/pub/time.series/cu/cu.txt.
Időszak	sztring	16	S01 S02	Az adatmegfigyelés időszakát azonosítja. Formátum: M01-M13 vagy S01-S03 (M=Monthly, M13=Annual Avg, S=Semi-Annually). Például: M06=Június. A pontneveket és kódokat lásd https://download.bls.gov/pub/time.series/cu/cu.period .
periodicity_code	sztring	3	R S	A megfigyelés gyakorisága. S=Féléves; R=Rendszeres.
Szezonális	sztring	1,043	U S	A szezonálisan igazított adatokat azonosító kód. S = szezonálisan igazított; U = nem igazított.
series_id	sztring	16,683	CWURS400SA0E CWUR0100SA0E	Az adott sorozatot azonosító kód. Az idősorok olyan adathalmazt jelölnek, amelyek hosszabb időtartamon keresztül, konzisztens időközönként (azaz havonta, negyedévente, félévesen, évente) figyelhetők meg. A BLS idősoradatait általában havi időközönként állítják elő, és egy adott földrajzi területen található adott fogyasztói tételtől kezdve az olyan feldolgozók kategóriájáig terjedő adatokat jelölnek, amelyek árát havonta gyűjtik össze egy adott iparágban, amelynek foglalkoztatási rátáját havonta rögzítik, és így tovább. További információkért lásd: https://download.bls.gov/pub/time.series/cu/cu.txt
series_title	sztring	8,336	Alkoholos italok az egyesült államokbeli városi átlagban, minden városi fogyasztó, nem szezonálisan igazított közlekedés Los Angeles-Long Beach-Anaheim, CA, minden városi fogyasztó, nem szezonálisan igazított	A megfelelő series_id adatsorneve. A sorozatok azonosítóit és neveit itt találja: https://download.bls.gov/pub/time.series/cu/cu.series.
Érték	float	310,603	100.0 101.0999984741211	A tétel árindexe.
Év	egész	25	2018 2017	A megfigyelés évét azonosítja.

Előnézet megtekintése

area_code	item_code	series_id	Év	Időszak	Érték	footnote_codes	Szezonális	periodicity_code	series_title	item_name	area_name
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA
S49E	Standard kiadás HF01	CUURS49EStandard kiadás HF01	2017	M12	279.974	Nan	U	R	Villamos energia San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Elektromos áram	San Diego-Carlsbad, CA

Az adatok elérése

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

A minta nem érhető el ehhez a platform-/csomagkombinációhoz.

# 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'))

További lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.