ABD Üretici Fiyat Endeksi - Emtia

Makale
12/06/2023

Üretici Fiyat Endeksi (ÜFE), yurt içi üreticilerin çıktıları için aldığı satış fiyatlarında zaman içinde görülen ortalama değişikliğin ölçüsüdür. ÜFE’ye dahil edilen fiyatlar, kapsama alınan ürün ve hizmetlerin ilk ticari işlemine aittir.

Dekont

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.

Her ay tek ürünler ve ürün grupları için yaklaşık 10.000 ÜFE yayınlanır. PPI'ler, ABD ekonomisinin madencilik, üretim, tarım, balıkçılık ve ormancılık gibi mal üreten sektörlerinin yanı sıra doğal gaz, elektrik, inşaat ve atık ve hurda malzemeleri gibi üretim sektörlerinde yapılanlarla rekabet eden malların çıkışı için kullanılabilir. PPI programı, 2007 Ekonomik Sayımı'nda bildirilen gelire göre ölçülen hizmet sektörünün çıkışının yaklaşık yüzde 72'sini kapsar. Veriler şu sektörlerdeki endüstrileri içerir: toptan ve perakende satış; taşımacılık ve büyük mağazacılık; bilgi; finans ve sigorta; gayrimenkul aracılığı, kiralama ve leasing; profesyonel, bilimsel ve teknik hizmetler; idari, destek ve atık yönetimi hizmetleri; sağlık hizmeti ve sosyal destek ile konaklama.

Bu veri kümesi hakkında ayrıntılı bilgilerin bulunduğu dosyayı içeren BENİOKU dosyasını orijinal veri kümesi konumunda bulabilirsiniz. SSS bölümünde ek bilgiler mevcuttur.

Bu veri kümesi ABD İşgücü İstatistikleri Bürosu (BLS) tarafından yayımlanan Üretici Fiyat Endeksleri verilerinden oluşturulur. Bu veri kümesinin kullanımıyla ilgili 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’deki işlem kaynaklarının ayrılması önerilir.

Sütunlar

Adı	Veri türü	Benzersiz	Değerler (örnek)	Açıklama
footnote_codes	Dize	3	nan P	Veri serisinin dipnotlarını tanımlar. Çoğu değer null şeklindedir. Bkz. https://download.bls.gov/pub/time.series/wp/wp.footnote.
group_code	Dize	56	02 01	Dizin kapsamındaki başlıca emtia grubunu tanımlayan kod. Grup kodları ve adları için bkz. https://download.bls.gov/pub/time.series/wp/wp.group
group_name	Dize	56	İşlenmiş gıdalar ve yemler Çiftlik ürünleri	Dizin kapsamındaki başlıca emtia grubunun adı. Grup kodları ve adları için bkz. https://download.bls.gov/pub/time.series/wp/wp.group
item_code	Dize	2,949	1 11	Veri gözlemlerinin ilgili olduğu öğeyi tanımlar. Öğe kodları ve adları için bkz. https://download.bls.gov/pub/time.series/wp/wp.item
item_name	Dize	3,410	Depolama, depolama ve ilgili hizmetler Yolcu araba kiralama	Öğelerin tam adları. Öğe kodları ve adları için bkz. https://download.bls.gov/pub/time.series/wp/wp.item
Dönem	Dize	13	M06 M07	Verilerin gözlemlendiği dönemi tanımlar. Dönem değerlerinin listesi için bkz. https://download.bls.gov/pub/time.series/wp/wp.period
Mevsim -lik	Dize	2	ABD	Verilerin sezona göre ayarlanıp ayarlanmadığını tanımlayan kod. S= Sezona Göre Ayarlanmış; U= Ayarlanmamış
series_id	Dize	5,458	WPU101 WPU091	Belirli bir seriyi tanımlayan kod. Zaman serisi, geniş bir zamandaki tutarlı zaman aralıklarında gözlemlenen bir veri kümesini ifade eder. Kod, ad, başlangıç ve bitiş yılı gibi seri ayrıntıları için bkz. https://download.bls.gov/pub/time.series/wp/wp.series
series_title	Dize	4,379	Madencilik hizmetleri için PPI Emtia verileri, Metal işleme hizmetleri için mevsimsel olarak ayarlanmamış PPI Emtia verileri, mevsimsel olarak ayarlanmamış	Belirli bir serinin başlığı. Zaman serisi, geniş bir zamandaki tutarlı zaman aralıklarında gözlemlenen bir veri kümesini ifade eder. Kimlik, ad, başlangıç ve bitiş yılı gibi serilerin ayrıntıları için bkz https://download.bls.gov/pub/time.series/wp/wp.series .
değer	kayan noktalı sayı	6,788	100.0 99.0999984741211	Öğenin fiyat endeksi.
yıl	int	26	2018 2017	Gözlem yılını tanımlar.

Önizleme

item_code	group_code	series_id	yıl	Dönem	değer	footnote_codes	Mevsim -lik	series_title	group_name	item_name
120922	05	WPU05120922	2008	M06	Kategori 100	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış
120922	05	WPU05120922	2008	M07	104.6	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış
120922	05	WPU05120922	2008	M08	104.4	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış
120922	05	WPU05120922	2008	M09	98.3	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış
120922	05	WPU05120922	2008	M10	101.5	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış
120922	05	WPU05120922	2008	M11	95,2	Nan	U	PpI Emtia verileri yakıtlar ve ilgili ürünler ve güç-Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/taramalı/sadece boyutlandırılmış, mevsimsel olarak ayarlanmamış	Yakıtlar ve ilgili ürünler ve güç	Hazırlanmış bitümlü kömür yeraltı madeni, mekanik olarak ezilmiş/elemeli/sadece boyutlandırılmış

Veri erişimi

Azure Notebooks

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

labor = UsLaborPPICommodity()
labor_df = labor.to_pandas_dataframe()

labor_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 = "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

Azure Databricks

# 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 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

Bu platform/paket bileşimi için örnek kullanılamıyor.

# 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'))

Sonraki adımlar

Açık Veri Kümeleri kataloğundaki diğer veri kümelerini görüntüleyin.