Egyesült Államok termelői árindexe – árucikkek

A termelői árindex (PPI) méri a belföldi termelők eladási árainak átlagos változását egy meghatározott időintervallumon belül. A PPI-ben foglalt árak a megfelelő termékek és szolgáltatások első kereskedelmi tranzakciójára vonatkoznak.

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.

Havonta körülbelül 10 000 PPI jelenik meg egyes termékekhez és termékcsaládokhoz. A PPI-k szinte minden iparág számára elérhetők az egyesült államokbeli gazdaság árutermelő ágazataiban – bányászat, gyártás, mezőgazdaság, halászat és erdészet –, valamint a földgáz, az elektromos áram, az építőipar és az olyan termékek, amelyek versenyképesek a termelő ágazatokban előállítottakkal, például hulladék- és hulladékanyagokkal. A PPI program a szolgáltatási ágazat 2007-es gazdasági népszámlálásban jelentett bevételének mintegy 72 százalékát fedi le. Az adatok a következő szektorok iparágaira vonatkoznak: nagy- és kiskereskedelem; szállítmányozás és raktározás; információ; pénzügy és biztosítás; ingatlankereskedelem, -bérlés és -lízingelés , professzionális, tudományos és technikai szolgáltatások; adminisztratív, támogatási és hulladékkezelési szolgáltatások; egészségügyi és szociális támogatás; valamint lakhatás.

A README részletes adatokat tartalmaz erről az adatkészletről, az adatkészlet pedig letölthető az adatkészlet eredeti helyén. További információt a gyakori kérdések között találhat.

Ez az adatkészlet az Egyesült Államok Munkastatisztikai részlege (BLS) által közzétett termelői árindexadatok alapján készült. Az adatkészlet használatával kapcsolatos feltételekért tekintse meg a hivatkozási és szerzői jogi tudnivalókat és a fontos webhelyközleményeket.

Tárolási hely

Az adatkészlet tárolási helye a Kelet-USA Azure-régió. Az affinitás érdekében Kelet-USA régión belüli számítási erőforrások lefoglalását javasoljuk.

Kapcsolódó adatkészletek

• Egyesült Államok fogyasztói árindexe
• Egyesült Államok termelői árindex – ipar

Oszlopok

Név	Adattípus	Egyedi	Values (sample)	Leírás
footnote_codes	sztring	3	nan P	Az adatsorozathoz tartozó lábjegyzeteket azonosítja. A legtöbb érték null. Lásd: https://download.bls.gov/pub/time.series/wp/wp.footnote.
group_code	sztring	56	02 01	Az index által lefedett árucikk-főcsoport kódja. A csoportkódokat és -neveket itt találja: https://download.bls.gov/pub/time.series/wp/wp.group.
group_name	sztring	56	Feldolgozott élelmiszerek és takarmányok Farmtermékek	Az index által lefedett árucikk-főcsoport neve. A csoportkódokat és -neveket itt találja: https://download.bls.gov/pub/time.series/wp/wp.group.
item_code	sztring	2,949	1 11	Az adatmegfigyelés tárgyául szolgáló elemet azonosítja. Az elemkódokat és -neveket itt találja: https://download.bls.gov/pub/time.series/wp/wp.item.
item_name	sztring	3,410	Raktározás, tárolás és kapcsolódó szolgáltatások Személygépkocsi-kölcsönzés	Az elemek teljes neve. Az elemkódokat és -neveket itt találja: https://download.bls.gov/pub/time.series/wp/wp.item.
Időszak	sztring	13	M06 M07	Az adatmegfigyelés időszakát azonosítja. Az időszakértékek listáját itt találja: https://download.bls.gov/pub/time.series/wp/wp.period.
Szezonális	sztring	2	U S	A szezonálisan igazított adatokat azonosító kód. S = szezonálisan igazított; U = nem igazított
series_id	sztring	5,458	WPU101 WPU091	Az adott sorozatot azonosító kód. Az idősor konzisztens időintervallumokban egy hosszabb időtartam alatt megfigyelt adatokra vonatkozik. A sorozatokhoz tartozó kódot, nevet, kezdő és záró dátumot és más részleteket itt találhatja: https://download.bls.gov/pub/time.series/wp/wp.series.
series_title	sztring	4,379	PPI Áruadatok bányászati szolgáltatásokhoz, nem szezonálisan igazított PPI-áruadatok fémkezelési szolgáltatásokhoz, nem szezonálisan kiigazítva	Az adott sorozat címe. Az idősor konzisztens időintervallumokban egy hosszabb időtartam alatt megfigyelt adatokra vonatkozik. Az olyan sorozatok részleteit, https://download.bls.gov/pub/time.series/wp/wp.series mint az azonosító, a név, a kezdő és a záró év stb.
Érték	float	6,788	100.0 99.0999984741211	A tétel árindexe.
Év	egész	26	2018 2017	A megfigyelés évét azonosítja.

Előnézet megtekintése

item_code	group_code	series_id	Év	Időszak	Érték	footnote_codes	Szezonális	series_title	group_name	item_name
120922	05	WPU05120922	2008	M06	100	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben
120922	05	WPU05120922	2008	M07	104,6	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben
120922	05	WPU05120922	2008	M08	104.4	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben
120922	05	WPU05120922	2008	M09	98,3	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben
120922	05	WPU05120922	2008	M10	101.5	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben
120922	05	WPU05120922	2008	M11	95,2	Nan	U	PPI-nyersanyagadatok üzemanyagokra és kapcsolódó termékekre és a villamosított bitumenes kőszénbányára, csak mechanikusan zúzva/szűrve/méretben, szezonálisan nem igazítva	Üzemanyagok és kapcsolódó termékek és energia	Előkészített bitumenes szénbánya, csak mechanikusan zúzva/szűrve/méretben

Az adatok elérése

Azure Notebooks

azureml-opendatasets

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

labor = UsLaborPPICommodity()
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_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

pyspark

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

Azure Databricks

azureml-opendatasets

# 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

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

pyspark

# 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

azureml-opendatasets

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

azure-storage

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

pyspark

# 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'))

További lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.