ABD Tüketici Fiyat Endeksi

Makale
09/01/2024

Tüketici Fiyat Endeksi (CPI), şehirli tüketicilerin tüketici ürün ve hizmetlerinden oluşan bir market arabası için ödediği fiyatta zaman içinde meydana gelen değişikliğin ölçümüdür.

Not

Microsoft, Azure Open Datasets'i "olduğu gibi" sağlar. Microsoft, veri kümelerini kullanımınızla ilgili olarak açık veya zımni hiçbir garanti veya koşul sağlamaz. Yerel yasalarınız kapsamında izin verilen ölçüde, Microsoft veri kümelerini kullanımınızdan kaynaklanan doğrudan, sonuçsal, özel, dolaylı, arızi veya cezai dahil olmak üzere tüm zarar veya kayıplar için tüm sorumluluğu kabul etmez.

Bu veri kümesi Microsoft’un kaynak verileri aldığı orijinal hükümler kapsamında sağlanır. Veri kümesi Microsoft’tan alınan verileri içerebilir.

Bu veri kümesi hakkında ayrıntılı bilgilerin bulunduğu dosyayı içeren BENİOKU dosyasını orijinal veri kümesi konumunda bulabilirsiniz.

Bu veri kümesi, ABD İşgücü İstatistikleri Bürosu (BLS) tarafından yayımlanan Tüketici Fiyat Endeksi verilerinden oluşturulur. Hüküm ve koşullar için Bağlama ve Telif Hakkı Bilgileri ile Önemli Web Sitesi Bildirimleri'ni gözden geçirin.

Depolama konumu

Bu veri kümesi Doğu ABD Azure bölgesinde depolanır. Benzeşim için Doğu ABD'de işlem kaynaklarını bulmanızı öneririz.

Sütunlar

Veri Akışı Adı	Veri türü	Benzersiz	Değerler (örnek)	Açıklama
area_code	Dize	70	0000 0300	Belirli bir coğrafi alanı tanımlamak için kullanılan benzersiz kod. Tam alan kodları burada bulunabilir: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	Dize	69	ABD şehir ortalaması Güney	Belirli bir coğrafi alanın adı. Tüm alan adları ve kodları için bkz. https://download.bls.gov/pub/time.series/cu/cu.area
footnote_codes	Dize	3	nan U	Veri serisinin dipnotunu tanımlar. Çoğu değer null şeklindedir.
item_code	Dize	515	SA0E SAF11	Veri gözlemlerinin ilgili olduğu öğeyi tanımlar. Tüm öğe adları ve kodları için bkz. https://download.bls.gov/pub/time.series/cu/cu.item
item_name	Dize	515	Evde Enerji Gıda	Öğelerin tam adları. Öğe adları ve kodları için bkz. https://download.bls.gov/pub/time.series/cu/cu.txt
dönem	Dize	16	S01 S02	Verilerin gözlemlendiği dönemi tanımlar. Biçim: M01-M13 veya S01-S03 (M=Aylık, M13=Yıllık Ort, S=Altı Aylık). Örn: M06=Haziran. Dönem adları ve kodları için bkz https://download.bls.gov/pub/time.series/cu/cu.period .
periodicity_code	Dize	3	R S	Veri gözleminin sıklığı. S=Altı Aylık; R=Düzenli.
mevsimlik	Dize	1,043	ABD	Verilerin sezona göre ayarlanıp ayarlanmadığını tanımlayan kod. S= Sezona Göre Ayarlanmış; U= Ayarlanmamış.
series_id	Dize	16,683	CWURS400SA0E CWUR0100SA0E	Belirli bir seriyi tanımlayan kod. Zaman serisi, tutarlı zaman aralıkları (aylık, üç aylık, altı aylık, yıllık) üzerinden uzun bir süre boyunca gözlemlenen bir veri kümesini ifade eder. BLS zaman serisi verileri genellikle aylık aralıklarla üretilir ve fiyatı aylık olarak toplanan belirli bir coğrafi alandaki belirli bir tüketici öğesinden, istihdam oranı aylık olarak kaydedilen belirli bir sektördeki bir çalışan kategorisine kadar değişen verileri temsil eder. Daha fazla bilgi için bkz. https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	Dize	8,336	ABD şehir ortalamasında alkollü içecekler, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış Ulaşım Los Angeles-Long Beach-Anaheim, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	karşılık gelen series_id seri adı. Seri kimlikleri ve adları için bkz. https://download.bls.gov/pub/time.series/cu/cu.series
değer	kayan noktalı sayı	310,603	100.0 101.0999984741211	Öğenin fiyat endeksi.
yıl	int	25	2018 2017	Gözlem yılını tanımlar.

Önizle

area_code	item_code	series_id	yıl	dönem	değer	footnote_codes	mevsimlik	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	San Diego'da elektrik-Carlsbad, CA, tüm kentsel tüketiciler, mevsimsel olarak ayarlanmamış	Elektrik	San Diego-Carlsbad, CA

Veri erişimi

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

Bu platform/paket bileşimi için örnek kullanılamıyor.

# 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'))

Sonraki adımlar

Açık Veri Kümeleri kataloğundaki diğer veri kümelerini görüntüleyin.

Aracılığıyla paylaş

ABD Tüketici Fiyat Endeksi

Depolama konumu

Sütunlar

Önizle

Veri erişimi

Azure Notebooks

Azure Databricks

Azure Synapse

Sonraki adımlar

Geri Bildirim

Ek kaynaklar

Aracılığıyla paylaş

ABD Tüketici Fiyat Endeksi

Depolama konumu

İlgili Veri Kümeleri

Sütunlar

Önizle

Veri erişimi

Azure Notebooks

Azure Databricks

Azure Synapse

Sonraki adımlar

Geri Bildirim

Ek kaynaklar