Egyesült Államok fogyasztói árindexe

Cikk
12/05/2022
5 perc alatt elolvasható

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

Megjegyzés

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

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 AMERIKAI Munkaügyi Statisztikai Hivatal (BLS) tett közzé. Tekintse át a hivatkozási és szerzői jogi információkat , valamint a fontos webhelyre vonatkozó közleményeket a használati feltételekkel kapcsolatban.

Tárolási hely

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

Oszlopok

Name	Adattípus	Egyedi	Értékek (minta)	Description
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 városok átlagos déli régiója	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	Energy Food otthon	Az elemek teljes neve. Az elemneveket és -kódokat itt találja: https://download.bls.gov/pub/time.series/cu/cu.txt.
period	sztring	16	S01 S02	Az adatmegfigyelés időszakát azonosítja. Formátum: M01-M13 vagy S01-S03 (M=havi, M13=éves átlag, S=féléves). Például: M06=June. Lásd az https://download.bls.gov/pub/time.series/cu/cu.period időszakneveket és -kódokat.
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 adathalmazra utalnak, amelyek hosszabb időtartamon keresztül, konzisztens időközönként (azaz havonta, negyedévente, félévesen, évente) figyelhetők meg. A BLS idősoradatait általában havi időközönként állítják elő, és olyan adatokat képviselnek, amelyek egy adott földrajzi területen lévő adott fogyasztói tételtől kezdve, amelynek az árát havonta gyűjtik össze egy adott iparágban dolgozó olyan feldolgozói kategóriáig, amelynek foglalkoztatási rátáját havonta rögzítik, és így tovább. További információ: https://download.bls.gov/pub/time.series/cu/cu.txt
series_title	sztring	8,336	Alkoholos italok az amerikai városi átlagban, minden városi fogyasztó, nem szezonálisan igazított közlekedés Los Angeles-Long Beach-Anaheim, CA, minden városi fogyasztó, nem szezonálisan igazítva	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	int	25	2018 2017	A megfigyelés évét azonosítja.

Előnézet

area_code	item_code	series_id	év	period	érték	footnote_codes	Szezonális	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Elektromosság San Diego-Carlsbad, CA, minden városi fogyasztó, nem szezonálisan igazított	Villamosenergia	San Diego-Carlsbad, CA

Az adatok elérése

Azure Notebooks

Tipp

Töltse le helyette a jegyzetfüzetet.

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

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

usLaborCPI_df.info()

Tipp

Töltse le helyette a jegyzetfüzetet.

# 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

Tipp

Töltse le helyette a jegyzetfüzetet.

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

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

display(usLaborCPI_df.limit(5))

Tipp

Töltse le helyette a jegyzetfüzetet.

# 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

Ehhez a platform-/csomagkombinációhoz nem érhető el minta.

Tipp

Töltse le helyette a jegyzetfüzetet.

# 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'))

Következő lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.

Egyesült Államok fogyasztói árindexe

Tárolási hely

Oszlopok

Előnézet

Az adatok elérése

Azure Notebooks

Azure Databricks

Azure Synapse

Következő lépések

További források

További források

Egyesült Államok fogyasztói árindexe

Tárolási hely

Kapcsolódó adatkészletek

Oszlopok

Előnézet

Az adatok elérése

Azure Notebooks

Azure Databricks

Azure Synapse

Következő lépések

További források

További források