Amerykański wskaźnik cen towarów i usług konsumpcyjnych

Wskaźnik cen towarów i usług konsumpcyjnych (CPI) mierzy średnią zmianę w czasie cen zakupu rynkowego koszyka towarów i usług konsumpcyjnych dla konsumentów mieszkających w miastach.

Uwaga

Firma Microsoft udostępnia zestawy danych Platformy Azure open na zasadzie "tak, jak to jest". Firma Microsoft nie udziela żadnych gwarancji, wyraźnych lub domniemanych, gwarancji ani warunków w odniesieniu do korzystania z zestawów danych. W zakresie dozwolonym zgodnie z prawem lokalnym firma Microsoft nie ponosi odpowiedzialności za wszelkie szkody lub straty, w tym bezpośrednie, wtórne, specjalne, pośrednie, przypadkowe lub karne wynikające z korzystania z zestawów danych.

Zestaw danych jest udostępniany zgodnie z pierwotnymi warunkami, na jakich firma Microsoft otrzymała dane źródłowe. Zestaw danych może zawierać dane pozyskane z firmy Microsoft.

Plik README ze szczegółowymi informacjami na temat tego zestawu jest dostępny w pierwotnej lokalizacji zestawu danych.

Ten zestaw danych jest generowany na podstawie danych indeksu cen konsumpcyjnych, który jest publikowany przez US Bureau of Labor Statistics (BLS). Zapoznaj się z informacjami o łączeniu i prawach autorskich oraz ważnymi informacjami o witrynach sieci Web, aby zapoznać się z warunkami i postanowieniami .

Lokalizacja usługi Storage

Ten zestaw danych jest przechowywany w regionie platformy Azure Wschodnie stany USA. Zalecamy lokalizowanie zasobów obliczeniowych w regionie Wschodnie stany USA pod kątem koligacji.

Powiązane zestawy danych

• Amerykański wskaźnik cen dóbr produkcyjnych — przemysł
• Amerykański wskaźnik cen dóbr produkcyjnych — towary

Kolumny

Nazwisko	Typ danych	Unikatowe	Wartości (przykładowe)	opis
area_code	string	70	0000 0300	Unikatowe kody używane w celu określenia konkretnego obszaru geograficznego. Pełne kody obszarów można znaleźć tutaj: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	string	69	Średnie miasto USA Na Południe	Nazwa określonego obszaru geograficznego. Zobacz https://download.bls.gov/pub/time.series/cu/cu.area, aby zapoznać się z nazwami i kodami wszystkich obszarów.
footnote_codes	string	3	nan U	Określa przypis do serii danych. Są to w większości wartości null.
item_code	string	515	SA0E SAF11	Określa element, którego dotyczą obserwacje danych. Zobacz https://download.bls.gov/pub/time.series/cu/cu.item, aby zapoznać się z nazwami i kodami wszystkich elementów.
item_name	string	515	Energy Food w domu	Pełne nazwy elementów. Zobacz https://download.bls.gov/pub/time.series/cu/cu.txt, aby zapoznać się z nazwami i kodami elementów.
okres	string	16	S01 S02	Określa okres, w którym obserwowano dane. Format: M01-M13 lub S01-S03 (M=Monthly, M13=Annual Avg, S=Semi-Annual). Na przykład: M06=czerwiec. Zobacz, aby zapoznać się https://download.bls.gov/pub/time.series/cu/cu.period z nazwami i kodami okresów.
periodicity_code	string	3	R S	Częstotliwość obserwacji danych. S = co pół roku, R = regularnie.
Sezonowe	string	1,043	Stany Zjednoczone	Kod określający, czy dane są dostosowywane sezonowo. S=sezonowo dostosowywane; U=niedostosywane.
series_id	string	16,683	CWURS400SA0E CWUR0100SA0E	Kod określający szereg czasowy. Szereg czasowy odnosi się do zestawu danych obserwowanych w dłuższym okresie czasu w spójnych przedziałach czasu (czyli miesięcznych, kwartalnych, półrocznych, rocznie). Dane szeregów czasowych usługi BLS są zwykle tworzone w odstępach miesięcznych i reprezentują dane od określonego elementu konsumenta w określonym obszarze geograficznym, którego cena jest zbierana co miesiąc do kategorii pracowników w określonej branży, której wskaźnik zatrudnienia jest rejestrowany co miesiąc itd. Aby uzyskać więcej informacji, zobacz https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	string	8,336	Napoje alkoholowe w średniej miasta USA, wszystkich konsumentów miejskich, a nie sezonowo dostosowane Transport w Los Angeles-Long Beach-Anaheim, CA, wszystkich konsumentów miejskich, a nie sezonowo dostosowane	Nazwa serii odpowiadającej series_id. Zobacz https://download.bls.gov/pub/time.series/cu/cu.series, aby zapoznać się z identyfikatorami i nazwami szeregów.
wartość	liczba zmiennoprzecinkowa	310,603	100.0 101.0999984741211	Wskaźnik cen dla elementu.
rok	int	25	2018 2017	Określa rok obserwacji.

Podgląd

area_code	item_code	series_id	rok	okres	wartość	footnote_codes	Sezonowe	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	Energia elektryczna w San Diego-Carlsbad, CA, wszystkich konsumentów miejskich, a nie sezonowo skorygowanych	Elektryczność	San Diego-Carlsbad, CA

Dostęp do danych

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

azure-storage

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

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'))

Następne kroki

Wyświetl pozostałe zestawy danych w katalogu Open Datasets (Otwieranie zestawów danych).