Amerikai fogyasztói árindex iparág

Cikk
12/06/2023

A termelői árindex (PPI) méri a belföldi termelők eladási árainak átlagos változását egy meghatározott időintervallumon belül. A PPI-ben foglalt árak a megfelelő termékek és szolgáltatások első kereskedelmi tranzakciójára vonatkoznak.

Megjegyzés:

A Microsoft az Azure Open Datasets szolgáltatást "adott módon" biztosítja. A Microsoft nem vállal kifejezett vagy vélelmezett garanciát vagy feltételeket az adathalmazok Ön általi használatára vonatkozóan. A microsoft a helyi jogszabályok által megengedett mértékben kizár minden felelősséget az adathalmazok használatából eredő károkért vagy veszteségekért, beleértve a közvetlen, következményi, különleges, közvetett, incidenses vagy büntető jellegű károkat is.

Az adatkészletet a Microsoft forrásadataihoz tartozó eredeti feltételek szerint szolgáltatjuk. A készlet tartalmazhat Microsofttól származó adatokat.

A Termelői árindex átdolgozott kiadás aktuális sorozatindexei a termelők nettó termelésének árváltozásait szemléltetik az Észak-amerikai iparági besorolási rendszer (North American Industry Classification System – NAICS) alapján. A PC-s adathalmaz számos NAICS-alapú gazdasági idősorral kompatibilis, többek között: termelékenység, termelés, foglalkoztatottság, bérek, és bevételek.

A PPI-halmaz az Egyesült Államok árutermelői szektorainak (bányászat, gyártás, mezőgazdaság, halászat, erdőgazdálkodás) minden iparágát lefedi, beleértve a földgáz, az elektromos áram, az építkezés területeit is, a termelői szektorokkal (például hulladékanyagokkal foglalkozó iparágakkal) együtt. Ezen túlmenően 2011 januárjától a PPI program a szolgáltatási ágazat kibocsátásának több mint háromnegyedét lefedte, és a következő iparági ágazatok kiválasztott iparágainak adatait tette közzé: nagykereskedelmi és kiskereskedelmi kereskedelem; szállítás és raktározás; Információ; pénzügy és biztosítás; ingatlanközvetítés, bérbeadás és bérbeadás; szakmai, tudományos és műszaki szolgáltatások; adminisztratív, támogatási és hulladékkezelési szolgáltatások; egészségügyi ellátás és szociális segítségnyújtás; és a szállás.

A README részletes adatokat tartalmaz erről az adatkészletről, az adatkészlet pedig letölthető az adatkészlet eredeti helyén. További információt a gyakori kérdések között találhat.

Ez az adatkészlet az Egyesült Államok Munkastatisztikai részlege (BLS) által közzétett termelői árindexadatok alapján készült. Az adatkészlet használatával kapcsolatos feltételekért tekintse meg a hivatkozási és szerzői jogi tudnivalókat és a fontos webhelyközleményeket.

Tárolási hely

Az adatkészlet tárolási helye a Kelet-USA Azure-régió. Az affinitás érdekében Kelet-USA régión belüli számítási erőforrások lefoglalását javasoljuk.

Oszlopok

Név	Adattípus	Egyedi	Values (sample)	Leírás
footnote_codes	sztring	3	nan P	Az adatsorozathoz tartozó lábjegyzeteket azonosítja. A legtöbb érték null. Lásd: https://download.bls.gov/pub/time.series/pc/pc.footnote.
industry_code	sztring	1,064	221122 325412	Az iparág NAICS-kódja. A kódokat és neveket itt találja: https://download.bls.gov/pub/time.series/pc/pc.industry.
industry_name	sztring	842	Villamos energia forgalmazás Gyógyszerkészítmények gyártása	Az iparág kódjához tartozó név. A kódokat és neveket itt találja: https://download.bls.gov/pub/time.series/pc/pc.industry.
Időszak	sztring	13	M06 M07	Az adatmegfigyelés időszakát azonosítja. A teljes lista itt található: https://download.bls.gov/pub/time.series/pc/pc.period.
product_code	sztring	4,822	324121P 316---	A termék azonosító kódja, amelyre az adatmegfigyelés vonatkozik. Tekintse meg https://download.bls.gov/pub/time.series/pc/pc.product az iparági kódok, termékkódok és terméknevek leképezését.
product_name	sztring	3,313	Elsődleges termékek Másodlagos termékek	A termék neve, amelyre az adatmegfigyelés vonatkozik. Tekintse meg https://download.bls.gov/pub/time.series/pc/pc.product az iparági kódok, termékkódok és terméknevek leképezését.
Szezonális	sztring	1	U	A szezonálisan igazított adatokat azonosító kód. S = szezonálisan igazított; U = nem igazított
series_id	sztring	4,822	PCU332323332323M PCU333415333415C	Az adott sorozatot azonosító kód. Az idősor konzisztens időintervallumokban egy hosszabb időtartam alatt megfigyelt adatokra vonatkozik. A sorozatokhoz tartozó kódot, nevet, kezdő és záró dátumot és más részleteket itt találhatja: https://download.bls.gov/pub/time.series/pc/pc.series.
series_title	sztring	4,588	PPI-iparági adatok az elektromos energiaeloszlás nyugat-déli középső régiója esetében, nem szezonálisan igazított PPI-iparági adatok a csendes-óceáni villamosenergia-elosztáshoz, nem szezonálisan kiigazítva
Érték	float	7,658	100.0 100.4000015258789	A tétel árindexe.
Év	egész	22	2015 2017	A megfigyelés évét azonosítja.

Előnézet megtekintése

product_code	industry_code	series_id	Év	Időszak	Érték	footnote_codes	Szezonális	series_title	industry_name	product_name
2123240	212324	PCU2123242123240	1998	M01	117	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M02	116.9	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M03	116.3	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M04	116	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M05	116.2	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M06	116.3	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag
2123240	212324	PCU2123242123240	1998	M07	116.6	Nan	U	PPI iparági adatok a Kaolin és a golyós agyagbányászat-Kaolin és golyós agyag esetében, nem szezonálisan kiigazítva	Kaolin- és golyós agyagbányászat	Kaolin és golyós agyag

Az adatok elérése

Azure Notebooks

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

labor = UsLaborPPIIndustry()
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_industry/"

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 UsLaborPPIIndustry

labor = UsLaborPPIIndustry()
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_industry/"
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

A minta nem érhető el ehhez a platform-/csomagkombinációhoz.

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ppi_industry/"
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'))

További lépések

Tekintse meg a többi adathalmazt az Open Datasets katalógusban.