Indice américain des prix à la consommation

L’indice des prix à la consommation (IPC) est une mesure de la variation moyenne dans le temps des prix payés par les consommateurs urbains pour un panier de biens et services à la consommation.

Notes

Microsoft fournit Azure Open Datasets « en l’état ». Microsoft n’offre aucune garantie, expresse ou implicite, ni de conditions relatives à votre utilisation des jeux de données. Dans la mesure autorisée par votre droit local, Microsoft décline toute responsabilité pour les dommages ou pertes, y compris directs, consécutifs, spéciaux, indirects ou punitifs, résultant de votre utilisation des jeux de données.

Ce jeu de données est fourni selon les conditions initiales par lesquelles Microsoft a reçu les données sources. Le jeu de données peut inclure des données provenant de Microsoft.

Le fichier README contenant des informations détaillées sur ce jeu de données est disponible à l’emplacement d’origine du jeu de données.

Ce jeu de données est produit à partir des données de l’Indice des prix à la consommation publiées par le Bureau of Labor Statistics (BLS) des États-Unis. Consultez Informations relatives aux liaisons et aux droits d’auteur et Remarques importantes relatives au site web pour connaître les conditions générales.

Emplacement de stockage

Ce jeu de données est stocké dans la région Azure USA Est. Nous vous recommandons de placer les ressources de calcul dans la région USA Est à des fins d’affinité.

Jeux de données associés

• Indice des prix producteur aux États-Unis - Industrie
• Indice des prix à la production aux États-Unis - Marchandises

Colonnes

Nom	Type de données	Unique	Valeurs (exemple)	Description
area_code	string	70	0000 0300	Code unique pour identifier une zone géographique spécifique. Les codes de zone complets se trouvent ici : http://download.bls.gov/pub/time.series/cu/cu.area
area_name	string	69	Moyenne des villes américaines du Sud	Nom de la zone géographique spécifique. Voir https://download.bls.gov/pub/time.series/cu/cu.area pour tous les noms et codes de zones.
footnote_codes	string	3	nan U	Identifie la note de bas de page pour la série de données. La plupart des valeurs sont Null.
item_code	string	515	SA0E SAF11	Identifie l’élément auquel les observations de données se rapportent. Voir https://download.bls.gov/pub/time.series/cu/cu.item pour tous les noms et codes d’éléments.
item_name	string	515	Energy Food at home	Noms complets des éléments. Voir https://download.bls.gov/pub/time.series/cu/cu.txt pour les noms et codes d’éléments.
period	string	16	S01 S02	Identifie la période pendant laquelle les données sont observées. Format : M01-M13 ou S01-S03 (M=Mensuel, M13=Moy. annuelle, S=Semi-annuel). Exemple : M06=June. Consultez https://download.bls.gov/pub/time.series/cu/cu.period pour les noms et codes de période.
periodicity_code	string	3	R S	Fréquence d’observation des données. S=Semi-annuelle; R=Régulière.
saisonnier	string	1 043	U S	Code identifiant si les données sont corrigées en fonction des variations saisonnières. S=Corrigées en fonction des variations saisonnières ; U=Non corrigées
series_id	string	16 683	CWURS400SA0E CWUR0100SA0E	Code identifiant les séries spécifiques. Une série chronologique fait référence à un jeu contenant des données observées sur une période de temps étendue avec des intervalles cohérents (par exemple mensuel, trimestriel, semi-annuel ou annuel). Les données de série chronologique BLS sont généralement produites à intervalles mensuels et représentent des données allant d’un produit de consommation spécifique dans une zone géographique spécifique dont le prix est collecté mensuellement à une catégorie de travailleurs d’un secteur spécifique dont le taux d’emploi est enregistré mensuellement, etc. Pour plus d'informations, consultez https://download.bls.gov/pub/time.series/cu/cu.txt
series_title	string	8 336	Boissons alcoolisées dans la moyenne des villes aux États-Unis, tous les consommateurs urbains, pas de transport ajusté par saison à Los Angeles-Long Beach-Anaheim, Californie, tous les consommateurs urbains, pas ajusté par saison	Nom de série du series_id correspondant. Voir https://download.bls.gov/pub/time.series/cu/cu.series pour les ID et noms de série.
valeur	float	310 603	100,0 101,0999984741211	Indice des prix pour l’élément.
year	int	25	2018 2017	Identifie l’année d’observation.

Préversion

area_code	item_code	series_id	year	period	valeur	footnote_codes	saisonnier	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279,974	NaN	U	R	Électricité à San Diego-Carlsbad, Californie, tous les consommateurs urbains, non ajustés par saison	Électricité	San Diego-Carlsbad, Californie

Accès aux données

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

Exemple non disponible pour cette combinaison de plateforme et de package.

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

Exemple non disponible pour cette combinaison de plateforme et de package.

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

Exemple non disponible pour cette combinaison de plateforme et de package.

azure-storage

Exemple non disponible pour cette combinaison de plateforme et de package.

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'))

Étapes suivantes

Consultez les autres jeux de données du catalogue Open Datasets.