US Consumer Price Index (index van de consumentenprijzen van de V.S.)

Artikel
12/06/2023

De Consumer Price Index (CPI) is een meting van de gemiddelde wijziging gedurende een bepaalde periode in de prijzen die worden betaald door stedelijke consumenten voor een pakket van consumptiegoederen en services.

Notitie

Microsoft biedt Azure Open Datasets op basis van 'zoals is'. Microsoft geeft geen garanties, uitdrukkelijk of impliciet, garanties of voorwaarden met betrekking tot uw gebruik van de gegevenssets. Voor zover toegestaan volgens uw lokale wetgeving, wijst Microsoft alle aansprakelijkheid af voor eventuele schade of verliezen, waaronder directe, gevolgschade, speciale, indirecte, incidentele of strafbare gegevenssets, die het gevolg zijn van uw gebruik van de gegevenssets.

Deze gegevensset wordt geleverd onder de oorspronkelijke voorwaarden dat Microsoft de brongegevens heeft ontvangen. De gegevensset kan gegevens bevatten die afkomstig zijn van Microsoft.

LEESMIJ met bestand voor gedetailleerde informatie over deze gegevensset is beschikbaar op de oorspronkelijke locatie van de gegevensset.

Deze gegevensset wordt geproduceerd op basis van de gegevens van de Consumer Price Index, die wordt gepubliceerd door us Bureau of Labor Statistics (BLS). Lees de informatie over koppelen en copyright en belangrijke websiteberichten voor de voorwaarden.

Opslaglocatie

Deze gegevensset wordt opgeslagen in de Azure-regio US - oost. We raden u aan rekenresources in VS - oost te zoeken voor affiniteit.

Kolommen

Naam	Gegevenstype	Uniek	Waarden (voorbeeld)	Beschrijving
area_code	tekenreeks	70	0000 0300	De unieke code die wordt gebruikt om een specifiek geografisch gebied aan te duiden. Volledige gebiedscodes vindt u hier: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	tekenreeks	69	Amerikaanse stad gemiddeld zuid	De naam van het specifieke geografische gebied. Zie https://download.bls.gov/pub/time.series/cu/cu.area voor alle regionamen en -codes.
footnote_codes	tekenreeks	3	nan U	Geeft de voetnoot voor de gegevensreeks aan. De meeste waarden zijn null.
item_code	tekenreeks	515	SA0E SAF11	Geeft het item aan waarop de gegevensobservaties betrekking hebben. Zie https://download.bls.gov/pub/time.series/cu/cu.item voor alle itemnamen en -codes.
item_name	tekenreeks	515	Energievoeding thuis	De volledige namen van de items. Zie https://download.bls.gov/pub/time.series/cu/cu.txt voor itemnamen en -codes.
Periode	tekenreeks	16	S01 S02	Geeft de periode aan waarvoor de gegevens worden geobserveerd. Indeling: M01-M13 of S01-S03 (M=Monthly, M13=Annual Avg, S=Semi-Annually). Bijvoorbeeld: M06=juni. Zie https://download.bls.gov/pub/time.series/cu/cu.period voor puntnamen en codes.
periodicity_code	tekenreeks	3	R S	De frequentie waarmee gegevens worden geobserveerd. S = halfjaarlijks; R = regelmatig.
Seizoensgebonden	tekenreeks	1,043	U S	Code die aangeeft of de gegevens zijn aangepast aan het seizoen. S = aangepast aan het seizoen; U = niet aangepast.
series_id	tekenreeks	16,683	CWURS400SA0E CWUR0100SA0E	Code die de specifieke reeks aangeeft. Een tijdreeks verwijst naar een reeks gegevens die gedurende een langere periode zijn waargenomen gedurende consistente tijdsintervallen (dat wil gezegd, maandelijks, kwartaal, halfjaarlijks, jaarlijks). BLS-tijdreeksgegevens worden meestal geproduceerd met maandelijkse intervallen en vertegenwoordigen gegevens van een specifiek consumentenitem in een specifiek geografisch gebied waarvan de prijs maandelijks wordt verzameld tot een categorie werknemers in een specifieke bedrijfstak waarvan het arbeidscijfer maandelijks wordt geregistreerd, enzovoort. Zie https://download.bls.gov/pub/time.series/cu/cu.txt voor meer informatie
series_title	tekenreeks	8,336	Alcoholische dranken in het Amerikaanse stadsgemiddelde, alle stedelijke consumenten, niet seizoensgebonden aangepast transport in Los Angeles-Long Beach-Kantoorruimte, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Reeksnaam van de bijbehorende series_id. Zie https://download.bls.gov/pub/time.series/cu/cu.series voor id's en namen van series.
waarde	zwevend	310,603	100.0 101.0999984741211	Prijsindex voor artikel.
jaar	geheel getal (int)	25	2018 2017	Geeft het jaar van de observatie aan.

Preview

area_code	item_code	series_id	jaar	Periode	waarde	footnote_codes	Seizoensgebonden	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Elektriciteit in San Diego-Carlsbad, CA, alle stedelijke consumenten, niet seizoensgebonden aangepast	Elektriciteit	San Diego-Carlsbad, CA

Toegang tot gegevens

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

Voorbeeld niet beschikbaar voor deze combinatie van platform/pakket.

# 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'))

Volgende stappen

Bekijk de rest van de gegevenssets in de catalogus Open Datasets.