US Consumer Price Index

Articolo
04/16/2024

Il Consumer Price Index (CPI) è una misura della variazione media nel tempo dei prezzi pagati dai consumatori urbani per un paniere di beni di consumo e servizi.

Nota

Microsoft fornisce set di dati aperti di Azure "così come sono". Microsoft non offre alcuna garanzia o condizione esplicita o implicita relativamente all'uso dei set di dati da parte dell'utente. Nella misura massima consentita dalle leggi locali, Microsoft non riconosce alcuna responsabilità relativamente a danni o perdite commerciali, inclusi i danni diretti, consequenziali, speciali, indiretti, incidentali o punitivi derivanti dall'uso dei set di dati da parte dell'utente.

Questo set di dati viene fornito in conformità con le condizioni originali in base alle quali Microsoft ha ricevuto i dati di origine. Il set di dati potrebbe includere dati provenienti da Microsoft.

Il file LEGGIMI contenente informazioni dettagliate su questo set di dati è disponibile nella posizione del set di dati originale.

Questo set di dati viene generato dai dati di Consumer Price Index, pubblicato da US Bureau of Labor Statistics (BLS). Per informazioni sui termini e sulle condizioni, vedere le informazioni sui collegamenti e sul copyright e le informative importanti sul sito Web.

Posizione di archiviazione

Questo set di dati è archiviato nell'area Stati Uniti orientali di Azure. È consigliabile posizionare le risorse di calcolo negli Stati Uniti orientali per finalità di affinità.

Colonne

Nome	Tipo di dati	Unica	Valori (esempio)	Descrizione
area_code	string	70	0000 0300	Codice univoco usato per identificare un'area geografica specifica. I codici completi per le aree sono disponibili qui: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	string	69	Media città Stati Uniti meridionali	Nome dell'area geografica specifica. Vedi https://download.bls.gov/pub/time.series/cu/cu.area per informazioni su tutti i nomi e i codici delle aree.
footnote_codes	string	3	nan U	Identifica la nota a piè di pagina per la serie temporale. La maggior parte dei valori è Null.
item_code	string	515	SA0E SAF11	Identifica l'elemento a cui fanno riferimento le osservazioni di dati. Vedi https://download.bls.gov/pub/time.series/cu/cu.item per informazioni su tutti i nomi e i codici degli elementi.
item_name	string	515	Energia e cibo a casa	Nomi completi degli elementi. Vedi https://download.bls.gov/pub/time.series/cu/cu.txt per informazioni sui nomi e sui codici degli elementi.
period	string	16	S01 S02	Identifica il periodo dell'osservazione dei dati. Formato: M01-M13 o S01-S03 (M=Mensile, M13=Media annuale, S=Semestrale). Ad esempio: M06=giugno. Vedere https://download.bls.gov/pub/time.series/cu/cu.period per i nomi e i codici dei periodi.
periodicity_code	string	3	R S	Frequenza dell'osservazione dei dati. S= semestrale; R= regolare.
seasonal	string	1.043	U S	Codice che identifica se i dati vengono modificati in base alla stagione. S= con modifica stagionale; U= senza modifica stagionale.
series_id	string	16.683	CWURS400SA0E CWUR0100SA0E	Codice che identifica le serie specifiche. Una serie temporale fa riferimento a un set di dati osservati in un lungo periodo di tempo per intervalli di tempo coerenti, ovvero mensile, trimestrale, semestrale, annuale. I dati delle serie temporali BLS vengono in genere prodotti a intervalli mensili e rappresentano dati che vanno da un elemento di consumo specifico in un'area geografica specifica il cui prezzo viene raccolto mensilmente a una categoria di lavoratori in un settore specifico il cui tasso di occupazione viene registrato mensilmente e così via. Per altre informazioni, vedere https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	string	8.336	Media di bevande alcoliche per una città degli Stati Uniti, tutti i consumatori urbani, senza adeguamento stagionale Trasporti a Los Angeles-Long Beach-Anaheim, CA, tutti i consumatori urbani, senza adeguamento stagionale	Nome della serie di series_id corrispondente. Vedi https://download.bls.gov/pub/time.series/cu/cu.series per informazioni sugli ID e sui nomi delle serie.
value	float	310.603	100.0 101.0999984741211	Indice di prezzo per l'elemento.
year	int	25	2018 2017	Identifica l'anno dell'osservazione.

Anteprima

area_code	item_code	series_id	year	period	value	footnote_codes	seasonal	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	nan	U	R	Elettricità a San Diego-Carlsbad, CA, tutti i consumatori urbani, senza adeguamento stagionale	Elettricità	San Diego-Carlsbad, CA

Accesso ai dati

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

Campione non disponibile per questa combinazione di piattaforma/pacchetto.

# 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'))

Passaggi successivi

Visualizzare il resto dei set di dati nel catalogo di set di dati aperti.