US Consumer Price Index (Índice de Preço do Consumidor dos EUA)

O Índice de Preços no Consumidor (CPI) é uma medida da alteração média ao longo do tempo nos preços que os consumidores urbanos pagam para um cabaz de compras de bens e serviços de consumo.

Nota

A Microsoft fornece os Conjuntos de Dados Abertos do Azure "no estado em que se encontram". A Microsoft não oferece garantias, expressas ou implícitas, garantias ou condições em relação ao seu uso dos conjuntos de dados. Na medida permitida pela legislação local, a Microsoft se isenta de qualquer responsabilidade por quaisquer danos ou perdas, incluindo diretos, consequenciais, especiais, indiretos, incidentais ou punitivos, resultantes do uso dos conjuntos de dados por parte do cliente.

Este conjunto de dados é disponibilizado de acordo com os termos originais em que a Microsoft recebeu os dados de origem. O conjunto de dados pode incluir dados obtidos junto da Microsoft.

O README que contém o ficheiro com informações detalhadas sobre este conjunto de dados está disponível na localização do conjunto de dados original.

Este conjunto de dados é produzido a partir dos dados do Índice de Preços no Consumidor, que são publicados pelo Bureau of Labor Statistics (BLS) dos EUA. Revise Links e Informações de Direitos Autorais e Avisos Importantes do Web Site para obter os termos e condições.

Localização do armazenamento

Este conjunto de dados é armazenado na região do Azure E.U.A. Leste. Recomendamos localizar recursos de computação no leste dos EUA por afinidade.

Conjuntos de dados relacionados

• US Producer Price Index - Industry (Índice de Preços do Produtor dos EUA - Indústria)
• US Producer Price Index - Commodities (Índice de Preços do Produtor dos EUA - Matérias-primas)

Colunas

Name	Tipo de dados	Exclusivo	Values (sample)	Description
area_code	string	70	0000 0300	O código exclusivo utilizado para identificar uma área geográfica específica. Pode encontrar os indicativos completos aqui: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	string	69	Média das cidades dos EUA Sul	O nome da área geográfica específica. Veja https://download.bls.gov/pub/time.series/cu/cu.area para obter todos os nomes de área e indicativos.
footnote_codes	string	3	nan U	Identifica nota de rodapé na série de dados. A maioria dos valores são nulos.
item_code	string	515	SA0E SAF11	Identifica o item ao qual as observações de dados pertencem. Veja https://download.bls.gov/pub/time.series/cu/cu.item para obter todos os nomes e códigos dos itens.
item_name	string	515	Energia Alimentos em casa	Os nomes completos dos artigos. Veja https://download.bls.gov/pub/time.series/cu/cu.txt para obter os nomes e códigos dos itens.
período	string	16	S01 S02	Identifica o período em que os dados foram observados. Formato: M01-M13 ou S01-S03 (M=Mensal, M13=Média anual, S=Semestral). Ex: M06=junho. Consulte https://download.bls.gov/pub/time.series/cu/cu.period os nomes e códigos dos períodos.
periodicity_code	string	3	R S	A frequência da observação de dados. S=Semi-Annual; R=Regular.
Sazonal	string	1,043	U S	Código que identifica se os dados são ajustados sazonalmente. S = Ajustados Sazonalmente; U = Não Ajustados.
series_id	string	16,683	CWURS400SA0E CWUR0100SA0E	O código que identifica a série específica. Uma série temporal refere-se a um conjunto de dados observados ao longo de um longo período de tempo em intervalos de tempo consistentes (ou seja, mensal, trimestral, semestral, anual). Os dados das séries cronológicas BLS são normalmente produzidos a intervalos mensais e representam dados que vão desde um item de consumo específico numa área geográfica específica, cujo preço é recolhido mensalmente, até uma categoria de trabalhadores num setor específico cuja taxa de emprego está a ser registada mensalmente, e assim por diante. Para mais informações, consulte https://download.bls.gov/pub/time.series/cu/cu.txt
series_title	string	8,336	Bebidas alcoólicas na média da cidade dos EUA, todos os consumidores urbanos, não ajustados sazonalmente Transporte em Los Angeles-Long Beach-Anaheim, CA, todos os consumidores urbanos, não ajustados sazonalmente	Nome da série do series_id correspondente. Veja https://download.bls.gov/pub/time.series/cu/cu.series para obter os IDs e nomes das séries.
valor	flutuante	310,603	100.0 101.0999984741211	O índice de preços de um artigo.
ano	número inteiro	25	2018 2017	Identifica o ano da observação.

Pré-visualizar

area_code	item_code	series_id	ano	período	valor	footnote_codes	Sazonal	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Eletricidade em San Diego-Carlsbad, Califórnia, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, Califórnia

Acesso a dados

Azure Notebooks

Azureml-OpenDataSets

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

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

usLaborCPI_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 = "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

Pyspark

Amostra não disponível para esta combinação de plataforma/pacote.

Azure Databricks

Azureml-OpenDataSets

# 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

Amostra não disponível para esta combinação de plataforma/pacote.

Pyspark

# 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

Azureml-OpenDataSets

Amostra não disponível para esta combinação de plataforma/pacote.

azure-storage

Amostra não disponível para esta combinação de plataforma/pacote.

Pyspark

# 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'))

Próximos passos

Exiba o restante dos conjuntos de dados no catálogo Open Datasets.