Индекс потребительских цен США

Статья
12/06/2023

Индекс розничных цен (CPI) — это измерение среднего изменения цен на потребительскую корзину, выплачиваемых городскими потребителями, в динамике.

Примечание.

Корпорация Майкрософт предоставляет Открытые наборы данных Azure как есть. Корпорация Майкрософт не предоставляет никаких гарантий (явных или подразумеваемых) и не определяет никаких условий в связи с использованием этих наборов данных. В рамках, допускаемых местным законодательством, корпорация Майкрософт отказывается от ответственности за ущерб и убытки (в том числе прямые, косвенные, специальные, опосредованные, случайные и штрафные), понесенные в результате использования вами этих наборов данных.

Этот набор данных предоставляется на тех же условиях, на которых корпорация Майкрософт получила исходные данные. Этот набор может включать данные, полученные от корпорации Майкрософт.

README-файл с подробными сведениями об этом наборе данных доступен в его исходном расположении.

Этот набор данных создается на основе данных индекса потребительских цен, которые публикуются Бюро статистики труда США (BLS). Ознакомьтесь с условиями и положениями в разделе Информация о ссылках и авторских правах и Важные примечания к веб-сайтам.

Расположение хранилища

Этот набор данных хранится в регионе Azure "Восточная часть США". Мы рекомендуем размещать вычислительные ресурсы в восточной части США для соответствия.

Столбцы

Имя.	Тип данных	Уникальный	Значения (пример)	Description
area_code	строка	70	0000 0300	Уникальный код, используемый для идентификации определенной географической области. Полные коды городов можно найти здесь: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	строка	69	В среднем по городу, США, Юг	Название определенной географической области. Перейдите на страницу https://download.bls.gov/pub/time.series/cu/cu.area, чтобы получить доступ ко всем наименованиям и кодам регионов.
footnote_codes	строка	3	nan U	Определяет сноску к рядам данных. Принимает преимущественно значение NULL.
item_code	строка	515	SA0E SAF11	Определяет вид продукции, к которому относятся данные наблюдения. Смотрите https://download.bls.gov/pub/time.series/cu/cu.item для всех наименований и кодов.
item_name	строка	515	Энергетические продукты на дому	Полные наименования товаров. См. https://download.bls.gov/pub/time.series/cu/cu.txt для наименований и кодов.
Период	строка	16	S01 S02	Определяет период наблюдения данных. Формат: M01-M13 или S01-S03 (M=Monthly, M13=Annual Avg, S=Semi-Annual). Ex: M06=Июнь. См. https://download.bls.gov/pub/time.series/cu/cu.period названия периодов и коды.
periodicity_code	строка	3	R S	Частота наблюдения данных. S=раз в полгода; R=регулярно.
сезонные корректировки	строка	1,043	U S	Код корректировки данных на сезонные колебания. S=корректируются; U=не корректируются.
series_id	строка	16,683	CWURS400SA0E CWUR0100SA0E	Код, указывающий на определенные временные ряды. Временные ряды относятся к набору данных, наблюдаемых в течение длительного периода времени в согласованных временных интервалах (то есть ежемесячно, ежеквартально, раз в полгода, ежегодно). Данные временных рядов BLS обычно создаются с ежемесячными интервалами и представляют данные в диапазоне от конкретного потребительского товара в определенной географической области, цена которого собирается ежемесячно, до категории работников в конкретной отрасли, уровень занятости которой регистрируется ежемесячно, и так далее. Дополнительные сведения см. в разделе https://download.bls.gov/pub/time.series/cu/cu.txt.
series_title	строка	8336	Алкогольные напитки в среднем по городу США, все городские потребители, без сезонной корректировки Транспорт в Лос-Анджелесе-Лонг-Бич-Анахайме, Калифорния, все городские потребители, без сезонной корректировки	Название серии соответствующего series_id. Смотрите https://download.bls.gov/pub/time.series/cu/cu.series для идентификаторов серий и названий.
значение	с плавающей запятой	310,603	100.0 101.0999984741211	Индекс цен на вид продукции.
year	INT	25	2018 2017	Определяет год наблюдения.

Предварительная версия

area_code	item_code	series_id	year	Период	значение	footnote_codes	сезонные корректировки	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	не число	U	R	Электроэнергия в Сан-Диего-Карлсбаде, Калифорния, все городские потребители, без сезонной корректировки	Электричество	Сан-Диего-Карлсбад, Калифорния

Доступ к данным

Записные книжки Azure

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

usLaborCPI = UsLaborCPI()
usLaborCPI_df = usLaborCPI.to_pandas_dataframe()

usLaborCPI_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 = "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

Azure Databricks

# 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 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

Образец для комбинации платформа/пакет недоступен.

# 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'))

Следующие шаги

Ознакомьтесь с другими наборами в каталоге Открытых наборов данных.