Passer la navigation

US Producer Price Index - Commodities

labor statistics ppi commodity

L’indice des prix à la production (IPP) est une mesure de la variation moyenne dans le temps des prix de vente perçus par les producteurs nationaux pour leur production. Les prix inclus dans l’IPP sont ceux de la première transaction commerciale pour les produits et services couverts.

Environ 10 000 indices des prix à la production pour des produits individuels et des groupes de produits sont publiés chaque mois. Les indices des prix à la production sont disponibles pour presque toutes les industries des secteurs producteurs de biens de l’économie américaine (industries extractives, industries manufacturières, agriculture, pêche et foresterie) ainsi que pour le gaz naturel, l’électricité, la construction et les biens concurrents avec ceux fabriqués dans les secteurs de production, tels que les déchets et les mises au rebut. Le programme d’indices des prix à la production couvre environ 72 % de la production du secteur des services, telle que mesurée par les recettes déclarées lors du recensement économique de 2007. Les données incluent les industries des secteurs suivants : commerce de gros et de détail ; transport et entreposage; information; finances et assurances ; courtage immobilier, location et crédit-bail ; services professionnels, scientifiques et techniques ; services administratifs, de soutien et de gestion des déchets ; soins de santé et assistance sociale ; et hébergement.

Le fichier README contenant des informations détaillées sur ce jeu de données est disponible à l’emplacement d’origine du jeu de données. Des informations supplémentaires sont disponibles dans les FAQ.

Ce jeu de données est produit à partir des données d’indice de prix producteur publiées par le US Bureau of Labor Statistics (BLS). Consultez les informations de liaison et de copyright et les avis importants de site web pour connaître les conditions générales relatives à l’utilisation de ce jeu de données.

Emplacement de stockage

Ce jeu de données est stocké dans la région Azure USA Est. L’allocation de ressources de calcul dans la région USA Est est recommandée à des fins d’affinité.

Jeux de données associés

Remarques

MICROSOFT FOURNIT AZURE OPEN DATASETS “EN L’ÉTAT”. MICROSOFT N’OFFRE AUCUNE GARANTIE, EXPRESSE OU IMPLICITE, DE GARANTIE NI DE CONDITIONS RELATIVES À VOTRE UTILISATION DES JEUX DE DONNÉES. DANS LA MESURE AUTORISÉE PAR VOTRE DROIT LOCAL, MICROSOFT DÉCLINE TOUTE RESPONSABILITÉ POUR TOUT DOMMAGE OU PERTES, Y COMPRIS LES DIRECTIVES, CONSEQUENTIELLES, SPÉCIALES, INDIRECTES OU PUNITIVES, 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.

Access

Available inWhen to use
Azure Notebooks

Quickly explore the dataset with Jupyter notebooks hosted on Azure or your local machine.

Azure Databricks

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Azure Synapse

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Preview

item_code group_code series_id year period value footnote_codes seasonal series_title group_name item_name
120922 05 WPU05120922 2008 M06 100 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M07 104.6 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M08 104.4 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M09 98.3 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M10 101.5 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M11 95.2 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2008 M12 96.7 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2009 M01 104.2 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2009 M02 113.2 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
120922 05 WPU05120922 2009 M03 121 nan U PPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjusted Fuels and related products and power Prepared bituminous coal underground mine, mechanically crushed/screened/sized only
Name Data type Unique Values (sample) Description
footnote_codes string 3 nan
P

Identifie les notes de bas de page pour la série de données. La plupart des valeurs sont Null. Consultez https://download.bls.gov/pub/time.series/wp/wp.footnote.

group_code string 56 02
01

Code identifiant le principal groupe de produits couvert par l’indice. Voir https://download.bls.gov/pub/time.series/wp/wp.group pour les codes et noms de groupes.

group_name string 56 Processed foods and feeds
Farm products

Nom du principal groupe de produits couvert par l’indice. Voir https://download.bls.gov/pub/time.series/wp/wp.group pour les codes et noms de groupes.

item_code string 2,949 1
11

Identifie l’élément auquel les observations de données se rapportent. Voir https://download.bls.gov/pub/time.series/wp/wp.item pour les codes et noms d’éléments.

item_name string 3,410 Warehousing, storage, and related services
Passenger car rental

Noms complets des éléments. Voir https://download.bls.gov/pub/time.series/wp/wp.item pour les codes et noms d’éléments.

period string 13 M06
M07

Identifie la période pendant laquelle les données sont observées. Voir https://download.bls.gov/pub/time.series/wp/wp.period pour la liste des valeurs de périodes.

seasonal string 2 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 5,458 WPU131
WPU591

Code identifiant les séries spécifiques. Une série chronologique fait référence à un jeu contenant des données observées sur une période étendue sur des intervalles cohérents. Voir https://download.bls.gov/pub/time.series/wp/wp.series pour des informations sur les séries telles que le code, le nom, l’année de début et de fin, etc.

series_title string 4,379 PPI Commodity data for Mining services, not seasonally adjusted
PPI Commodity data for Metal treatment services, not seasonally adjusted

Titre des séries spécifiques. Une série chronologique fait référence à un jeu contenant des données observées sur une période étendue sur des intervalles cohérents. Voir https://download.bls.gov/pub/time.series/wp/wp.series pour des informations sur les séries telles que l’ID, le nom, l’année de début et de fin, etc.

value float 6,788 100.0
99.0999984741211

Indice des prix pour l’élément.

year int 26 2018
2017

Identifie l’année d’observation.

Select your preferred service:

Azure Notebooks

Azure Databricks

Azure Synapse

Azure Notebooks

Package: Language: Python Python
In [1]:
# This is a package in preview.
from azureml.opendatasets import UsLaborPPICommodity

labor = UsLaborPPICommodity()
labor_df = labor.to_pandas_dataframe()
ActivityStarted, to_pandas_dataframe
ActivityStarted, to_pandas_dataframe_in_worker
Looking for parquet files...
Reading them into Pandas dataframe...
Reading ppi_commodity/part-00000-tid-160579496407747812-077bf440-b39a-4520-9373-0a3f021dd59e-5654-1-c000.snappy.parquet under container laborstatisticscontainer
Done.
ActivityCompleted: Activity=to_pandas_dataframe_in_worker, HowEnded=Success, Duration=20409.23 [ms]
ActivityCompleted: Activity=to_pandas_dataframe, HowEnded=Success, Duration=20434.79 [ms]
In [2]:
labor_df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6825676 entries, 0 to 6825675
Data columns (total 11 columns):
item_code         object
group_code        object
series_id         object
year              int32
period            object
value             float32
footnote_codes    object
seasonal          object
series_title      object
group_name        object
item_name         object
dtypes: float32(1), int32(1), object(9)
memory usage: 520.8+ MB
In [1]:
# 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
In [2]:
# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "laborstatisticscontainer"
folder_name = "ppi_commodity/"
In [3]:
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)
In [4]:
# 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)
In [5]:
# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df
In [6]:
 

Azure Databricks

Package: Language: Python Python
In [1]:
# This is a package in preview.
from azureml.opendatasets import UsLaborPPICommodity

labor = UsLaborPPICommodity()
labor_df = labor.to_spark_dataframe()
ActivityStarted, to_spark_dataframe ActivityStarted, to_spark_dataframe_in_worker ActivityCompleted: Activity=to_spark_dataframe_in_worker, HowEnded=Success, Duration=2871.21 [ms] ActivityCompleted: Activity=to_spark_dataframe, HowEnded=Success, Duration=2875.06 [ms]
In [2]:
display(labor_df.limit(5))
item_codegroup_codeseries_idyearperiodvaluefootnote_codesseasonalseries_titlegroup_nameitem_name
12092205WPU05120922 2008M06100.0nanUPPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjustedFuels and related products and powerPrepared bituminous coal underground mine, mechanically crushed/screened/sized only
12092205WPU05120922 2008M07104.6nanUPPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjustedFuels and related products and powerPrepared bituminous coal underground mine, mechanically crushed/screened/sized only
12092205WPU05120922 2008M08104.4nanUPPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjustedFuels and related products and powerPrepared bituminous coal underground mine, mechanically crushed/screened/sized only
12092205WPU05120922 2008M0998.3nanUPPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjustedFuels and related products and powerPrepared bituminous coal underground mine, mechanically crushed/screened/sized only
12092205WPU05120922 2008M10101.5nanUPPI Commodity data for Fuels and related products and power-Prepared bituminous coal underground mine, mechanically crushed/screened/sized only, not seasonally adjustedFuels and related products and powerPrepared bituminous coal underground mine, mechanically crushed/screened/sized only
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ppi_commodity/"
blob_sas_token = r""
In [2]:
# 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)
In [3]:
# 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')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

Package: Language: Python
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "laborstatisticscontainer"
blob_relative_path = "ppi_commodity/"
blob_sas_token = r""
In [2]:
# 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)
In [3]:
# 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')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))