Índice de preços ao consumidor dos EUA

O CPI (Índice de Preços ao Consumidor) é a medida da média de alteração ao longo do tempo dos preços pagos por consumidores urbanos por uma cesta básica de bens e serviços.

Observação

A Microsoft fornece o Azure Open Datasets no estado em que se encontra. A Microsoft não oferece garantias nem coberturas, expressas ou implícitas, em relação ao uso dos conjuntos de dados. Até o limite permitido pela legislação local, a Microsoft se exime de toda a obrigação por danos ou perdas, inclusive diretos, consequentes, especiais, indiretos, acidentais ou punitivos, resultantes do uso dos conjuntos de dados.

Esse conjunto de dados é fornecido de acordo com os termos originais com que a Microsoft recebeu os dados de origem. O conjunto de dados pode incluir dados originados da Microsoft.

O LEIAME contendo um arquivo com informações detalhadas sobre este conjunto de dados está disponível no local do conjunto de dados original.

Este conjunto de dados foi produzido com base nos dados dos Índices de preços ao consumidor, publicados pela BLS (Secretaria de Estatísticas Trabalhistas) dos EUA. Analise as informações de vinculação e direitos autorais e os avisos importantes do site para conhecer os termos e condições.

Local de armazenamento

Este conjunto de dados está armazenado na região Leste dos EUA do Azure. Recomenda-se alocar recursos de computação no Leste dos EUA para afinidade.

Conjuntos de dados relacionados

• Índice de preços ao produtor dos EUA – indústria
• Índice de preços ao produtor dos EUA – mercadorias

Colunas

Nome	Tipo de dados	Exclusivo	Valores (exemplo)	Descrição
area_code	string	70	0000 0300	Código exclusivo usado para identificar uma área geográfica específica. Códigos de área completos encontrados aqui: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	string	69	Média das cidades do sul dos EUA	Nome de uma área geográfica específica. Confira https://download.bls.gov/pub/time.series/cu/cu.area para ver todos os nomes e os códigos da área.
footnote_codes	string	3	nan U	Identifica a nota de rodapé da série de dados. A maioria dos valores é nula.
item_code	string	515	SA0E SAF11	Identifica o item a que pertencem as observações de dados. Confira https://download.bls.gov/pub/time.series/cu/cu.item para ver todos os nomes e os códigos dos itens.
item_name	string	515	Alimentação de energia em casa	Nomes completos dos itens. Confira https://download.bls.gov/pub/time.series/cu/cu.txt para ver os nomes e os códigos dos itens.
period	string	16	S01 S02	Identifica o período em que os dados foram observados. Formato: M01-M13 ou S01-S03 (M = mensalmente, M13 = média anual, S = semestralmente). Por exemplo: M06 = junho. Confira https://download.bls.gov/pub/time.series/cu/cu.period para ver os nomes e os códigos dos períodos.
periodicity_code	string	3	R S	Frequência da observação de dados. S=Semi-Annual; R=Regular.
sazonais	string	1,043	U S	Código que identifica se os dados são ajustados sazonalmente. S = ajustados sazonalmente; U = não ajustados.
series_id	string	16,683	CWURS400SA0E CWUR0100SA0E	Código que identifica a série específica. Uma série temporal é um conjunto de dados observados durante um período de tempo estendido em intervalos de tempo constantes (por exemplo, mensalmente, trimestralmente, semestralmente, anualmente). Normalmente, os dados de série temporal BLS são produzidos em intervalos mensais e representam dados que vão de um item de consumidor específico em uma área geográfica específica cujo preço é coletado mensalmente, até uma categoria de função de trabalho em um setor específico cuja taxa de emprego é registrada mensalmente etc. Para obter mais informações, consulte https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	string	8,336	Média de bebidas alcóolicas nas cidades dos EUA, todos os consumidores urbanos, não ajustados sazonalmente Transporte em los Angeles-Long praia-Anaheim, CA, todos os consumidores urbanos, não ajustados sazonalmente	Nome de série da series_id correspondente. Confira https://download.bls.gov/pub/time.series/cu/cu.series para ver os nomes e as IDs da série.
value	FLOAT	310,603	100.0 101.0999984741211	Índice de preços do item.
ano	INT	25	2018 2017	Identifica o ano de observação.

Versão Prévia

area_code	item_code	series_id	ano	period	value	footnote_codes	sazonais	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	nan	U	R	Eletricidade em San Antonio-Carlsbad, CA, todos os consumidores urbanos, não ajustados sazonalmente	Eletricidade	San Diego-Carlsbad, CA

Acesso de dados

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

Exemplo não disponível para essa combinação de plataforma/pacote.

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

Exemplo não disponível para essa combinação de plataforma/pacote.

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

Exemplo não disponível para essa combinação de plataforma/pacote.

azure-storage

Exemplo não disponível para essa combinação de plataforma/pacote.

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'))

Próximas etapas

Exiba o restante dos conjuntos de dados no catálogo do Open Datasets.