US Consumer Price Index

Artikel
12/06/2023

Konsumentprisindex är ett mått på den genomsnittliga förändringen över tid av de priser som betalas av urbana konsumenter för en varukorg med konsumtionsvaror och tjänster.

Kommentar

Microsoft tillhandahåller Azure Open Datasets i befintligt fall. Microsoft ger inga garantier, uttryckliga eller underförstådda garantier eller villkor för din användning av datauppsättningarna. I den utsträckning som tillåts enligt din lokala lag frånsäger sig Microsoft allt ansvar för eventuella skador eller förluster, inklusive direkt, följdriktig, särskild, indirekt, tillfällig eller straffbar, till följd av din användning av datauppsättningarna.

Datamängden tillhandahålls enligt de ursprungliga villkor som gällde när Microsoft tog emot källdatan. Datamängden kan innehålla data från Microsoft.

README som innehåller filen med detaljerad information om den här datamängden finns på platsen för den ursprungliga datamängden.

Den här datamängden produceras från konsumentprisindexdata, som publiceras av US Bureau of Labor Statistics (BLS). Läs länkar och copyrightinformation och viktiga webbplatsmeddelanden för villkoren.

Lagringsplats

Datamängden lagras i Azure-regionen Östra USA. Vi rekommenderar att du letar upp beräkningsresurser i USA, östra för tillhörighet.

Kolumner

Name	Datatyp	Unik	Värden (exempel)	beskrivning
area_code	sträng	70	0000 0300	Unik kod som används för att identifiera ett specifikt geografiskt område. Fullständiga områdeskoder finns här: http://download.bls.gov/pub/time.series/cu/cu.area
area_name	sträng	69	Usa:s stadsgenomsnitt, södra	Namn på ett specifikt geografiskt område. Alla områdesnamn och koder finns i https://download.bls.gov/pub/time.series/cu/cu.area.
footnote_codes	sträng	3	nan U	Identifierar fotnoten för dataserien. De flesta värdena är null.
item_code	sträng	515	SA0E SAF11	Identifierar det objekt som dataobservationerna avser. Objektnamn och koder finns i https://download.bls.gov/pub/time.series/cu/cu.item.
item_name	sträng	515	Energimat hemma	Objektens fullständiga namn. Objektnamn och koder finns i https://download.bls.gov/pub/time.series/cu/cu.txt.
Period	sträng	16	S01 S02	Identifierar den period då data observerades. Format: M01-M13 eller S01-S03 (M=Monthly, M13=Annual Avg, S=Semi-Annually). Ex: M06=Juni. Se https://download.bls.gov/pub/time.series/cu/cu.period för periodnamn och koder.
periodicity_code	sträng	3	R S	Frekvens för dataobservation. S = Halvår; R = Regelbunden.
Säsongsbetonade	sträng	1,043	U S	Kod som identifierar om datan är säsongsanpassad. S = Säsongsanpassad; U = Ej anpassad.
series_id	sträng	16,683	CWURS400SA0E CWUR0100SA0E	Kod som identifierar den specifika serien. En tidsserie refererar till en uppsättning data som observerats under en längre tidsperiod över konsekventa tidsintervall (det vill: månadsvis, kvartalsvis, halvårsvis, årligen). BLS-tidsseriedata produceras vanligtvis med månadsintervall och representerar data som sträcker sig från en specifik konsumentpost i ett specifikt geografiskt område vars pris samlas in varje månad till en kategori av arbetstagare i en viss bransch vars sysselsättningsgrad registreras varje månad och så vidare. Mer information finns i https://download.bls.gov/pub/time.series/cu/cu.txt
series_title	sträng	8,336	Alkoholhaltiga drycker i usa stadsgenomsnitt, alla urbana konsumenter, inte säsongsrensade transport i Los Angeles-Long Beach-Anaheim, CA, alla urbana konsumenter, inte säsongsrensade	Serienamn för motsvarande series_id. Serie-id och namn finns i https://download.bls.gov/pub/time.series/cu/cu.series.
värde	flyttal	310,603	100.0 101.0999984741211	Prisindex för objekt.
år	heltal	25	2018 2017	Identifierar observationsåret.

Förhandsgranskning

area_code	item_code	series_id	år	Period	värde	footnote_codes	Säsongsbetonade	periodicity_code	series_title	item_name	area_name
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA
S49E	SEHF01	CUURS49ESEHF01	2017	M12	279.974	Nan	U	R	El i San Diego-Carlsbad, CA, alla urbana konsumenter, inte säsongsrensade	Elektricitet	San Diego-Carlsbad, CA

Dataåtkomst

Azure Notebooks

# 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

Exempel är inte tillgängligt för den här kombinationen av plattform/paket.

# 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'))

Nästa steg

Visa resten av datauppsättningarna i katalogen Öppna datamängder.