diff --git a/aisenzhecode/沥青/沥青定性模型每日推送-ytj.ipynb b/aisenzhecode/沥青/沥青定性模型每日推送-ytj.ipynb index 2a88fb9..a9754b4 100644 --- a/aisenzhecode/沥青/沥青定性模型每日推送-ytj.ipynb +++ b/aisenzhecode/沥青/沥青定性模型每日推送-ytj.ipynb @@ -18,10 +18,22 @@ "import numpy as np\n", "# 变量定义\n", "login_url = \"http://10.200.32.39/jingbo-api/api/server/login\"\n", - "search_url = \"http://10.200.32.39/jingbo-api/api/warehouse/dwDataItem/queryByItemNos\"\n", + "# query_data_list_item_nos_url\n", + "search_url = \"http://10.200.32.39/jingbo-api/api/warehouse/dwDataItem/queryByItemNos\" #jingbo-dev/api/warehouse/dwDataItem/queryDataListItemNos\n", "upload_url = \"http://10.200.32.39/jingbo-api/api/dw/dataValue/pushDataValueList\"\n", "\n", "\n", + "query_data_list_item_nos_data = {\n", + " \"funcModule\": \"数据项\",\n", + " \"funcOperation\": \"查询\",\n", + " \"data\": {\n", + " \"dateStart\": \"20200101\",\n", + " \"dateEnd\": \"20241231\",\n", + " \"dataItemNoList\": [\"Brentzdj\", \"Brentzgj\"] # 数据项编码,代表 brent最低价和最高价\n", + " }\n", + "}\n", + "\n", + "\n", "login_data = {\n", " \"data\": {\n", " \"account\": \"api_dev\",\n", @@ -844,7 +856,7 @@ " # headers1 = {\"Authorization\": token_push}\n", " # res = requests.post(url=upload_url, headers=headers1, json=data1, timeout=(3, 5))\n", " \n", - " \n", + "\n", "\n", "\n", "\n", @@ -960,8 +972,6 @@ " # 保存新的xls文件\n", " new_workbook.save(\"定性模型数据项12-11.xlsx\")\n", "\n", - "\n", - "\n", "\n" ] }, diff --git a/aisenzhecode/沥青/沥青定量价格预测每日推送-ytj.ipynb b/aisenzhecode/沥青/沥青定量价格预测每日推送-ytj.ipynb index a6e4b52..b501c30 100644 --- a/aisenzhecode/沥青/沥青定量价格预测每日推送-ytj.ipynb +++ b/aisenzhecode/沥青/沥青定量价格预测每日推送-ytj.ipynb @@ -2,7 +2,7 @@ "cells": [ { "cell_type": "code", - "execution_count": 3, + "execution_count": null, "metadata": {}, "outputs": [ { diff --git a/aisenzhecode/液化石油气/化工品价格预测准确率.xlsx b/aisenzhecode/液化石油气/化工品价格预测准确率.xlsx new file mode 100644 index 0000000..31df769 Binary files /dev/null and b/aisenzhecode/液化石油气/化工品价格预测准确率.xlsx differ diff --git a/aisenzhecode/聚合级丙烯/丙烯价格预测yij.ipynb b/aisenzhecode/聚合级丙烯/丙烯价格预测yij.ipynb index 5460fd4..cbc8ade 100644 --- a/aisenzhecode/聚合级丙烯/丙烯价格预测yij.ipynb +++ b/aisenzhecode/聚合级丙烯/丙烯价格预测yij.ipynb @@ -2,7 +2,7 @@ "cells": [ { "cell_type": "code", - "execution_count": 27, + "execution_count": null, "metadata": {}, "outputs": [ { diff --git a/config_shiyoujiao.py b/config_shiyoujiao.py new file mode 100644 index 0000000..c6a6a5d --- /dev/null +++ b/config_shiyoujiao.py @@ -0,0 +1,320 @@ +import logging +import os +import logging.handlers +import datetime +from lib.tools import MySQLDB,SQLiteHandler + + +# eta 接口token +APPID = "XNLDvxZHHugj7wJ7" +SECRET = "iSeU4s6cKKBVbt94htVY1p0sqUMqb2xa" + +# eta 接口url +sourcelisturl = 'http://10.189.2.78:8108/v1/edb/source/list' +classifylisturl = 'http://10.189.2.78:8108/v1/edb/classify/list?ClassifyType=' +uniquecodedataurl = 'http://10.189.2.78:8108/v1/edb/data?UniqueCode=4991c37becba464609b409909fe4d992&StartDate=2024-02-01' +classifyidlisturl = 'http://10.189.2.78:8108/v1/edb/list?ClassifyId=' +edbcodedataurl = 'http://10.189.2.78:8108/v1/edb/data?EdbCode=' +edbdatapushurl = 'http://10.189.2.78:8108/v1/edb/push' +edbdeleteurl = 'http://10.189.2.78:8108/v1/edb/business/edb/del' +edbbusinessurl = 'http://10.189.2.78:8108/v1/edb/business/data/del' +edbcodelist = ['ID01385938','lmcads03 lme comdty', +'GC1 COMB Comdty', +'C2404171822', +'dxy curncy', +'S5443199 ', +'S5479800', +'S5443108', +'H7358586', +'LC3FM1 INDEX', +'CNY REGN Curncy', +'s0105897', +'M0067419', +'M0066351', +'S0266372', +'S0266438', +'S0266506', +'ID01384463'] + +# 临时写死用指定的列,与上面的edbcode对应，后面更改 +edbnamelist = [ + 'ds','y', + 'LME铜价', + '黄金连1合约', + 'Brent-WTI', + '美元指数', + '甲醇鲁南价格', + '甲醇太仓港口价格', + '山东丙烯主流价', + '丙烷（山东）', + 'FEI丙烷 M1', + '在岸人民币汇率', + '南华工业品指数', + 'PVC期货主力', + 'PE期货收盘价', +'PP连续-1月', +'PP连续-5月', +'PP连续-9月', +'PP：拉丝：L5E89：出厂价：华北（第二区域）：内蒙古久泰新材料（日）' + ] + +edbcodenamedict = { +'ID01385938':'PP：拉丝：1102K：市场价：青州：国家能源宁煤（日）', +'ID01384463':'PP：拉丝：L5E89：出厂价：华北（第二区域）：内蒙古久泰新材料（日）', +'lmcads03 lme comdty':'LME铜价', +'GC1 COMB Comdty':'黄金连1合约', +'C2404171822':'Brent-WTI', +'dxy curncy':'美元指数', +'S5443199 ':'甲醇鲁南价格', +'S5479800':'甲醇太仓港口价格', +'S5443108':'山东丙烯主流价', +'H7358586':'丙烷（山东）', +'LC3FM1 INDEX':'FEI丙烷 M1', +'CNY REGN Curncy':'在岸人民币汇率', +'s0105897':'南华工业品指数', +'M0067419':'PVC期货主力', +'M0066351':'PE期货收盘价', +'S0266372':'PP连续-1月', +'S0266438':'PP连续-5月', +'S0266506':'PP连续-9月', + +} + +# eta自有数据指标编码 +modelsindex = { + 'NHITS': 'SELF0000077', + 'Informer':'SELF0000078', + 'LSTM':'SELF0000079', + 'iTransformer':'SELF0000080', + 'TSMixer':'SELF0000081', + 'TSMixerx':'SELF0000082', + 'PatchTST':'SELF0000083', + 'RNN':'SELF0000084', + 'GRU':'SELF0000085', + 'TCN':'SELF0000086', + 'BiTCN':'SELF0000087', + 'DilatedRNN':'SELF0000088', + 'MLP':'SELF0000089', + 'DLinear':'SELF0000090', + 'NLinear':'SELF0000091', + 'TFT':'SELF0000092', + 'FEDformer':'SELF0000093', + 'StemGNN':'SELF0000094', + 'MLPMultivariate':'SELF0000095', + 'TiDE':'SELF0000096', + 'DeepNPTS':'SELF0000097' + } + + + +# eta 上传预测结果的请求体，后面发起请求的时候更改 model datalist 数据 +data = { + "IndexCode": "", + "IndexName": "价格预测模型", + "Unit": "无", + "Frequency": "日度", + "SourceName": f"价格预测", + "Remark": 'ddd', + "DataList": [ + { + "Date": "2024-05-02", + "Value": 333444 + } + ] + } + +# eta 分类 +# level：3才可以获取到数据，所以需要人工把能源化工下所有的level3级都找到 + # url = 'http://10.189.2.78:8108/v1/edb/list?ClassifyId=1214' + #ParentId ":1160, 能源化工 + # ClassifyId ":1214,原油 3912 石油焦 + #ParentId ":1214,"，就是原油下所有的数据。 +ClassifyId = 3707 + + + +############################################################################################################### 变量定义--测试环境 +server_host = '192.168.100.53' + +login_pushreport_url = f"http://{server_host}:8080/jingbo-dev/api/server/login" +upload_url = f"http://{server_host}:8080/jingbo-dev/api/analysis/reportInfo/researchUploadReportSave" +upload_warning_url = f"http://{server_host}:8080/jingbo-dev/api/basicBuiness/crudeOilWarning/save" +query_data_list_item_nos_url = f"http://{server_host}:8080/jingbo-dev/api/warehouse/dwDataItem/queryDataListItemNos" + +login_data = { + "data": { + "account": "api_test", + # "password": "MmVmNzNlOWI0MmY0ZDdjZGUwNzE3ZjFiMDJiZDZjZWU=", # Shihua@123456 + "password": "ZTEwYWRjMzk0OWJhNTlhYmJlNTZlMDU3ZjIwZjg4M2U=", # 123456 + "tenantHashCode": "8a4577dbd919675758d57999a1e891fe", + "terminal": "API" + }, + "funcModule": "API", + "funcOperation": "获取token" +} + +upload_data = { + "funcModule":'研究报告信息', + "funcOperation":'上传聚烯烃PP价格预测报告', + "data":{ + "groupNo":'000128', # 用户组编号 + "ownerAccount":'arui', #报告所属用户账号 + "reportType":'OIL_PRICE_FORECAST', # 报告类型，固定为OIL_PRICE_FORECAST + "fileName": '2000-40-5-50--100-原油指标数据.xlsx-Brent活跃合约--2024-09-06-15-01-29-预测报告.pdf', #文件名称 + "fileBase64": '' ,#文件内容base64 + "categoryNo":'yyjgycbg', # 研究报告分类编码 + "smartBusinessClassCode":'JXTJGYCBG', #分析报告分类编码 + "reportEmployeeCode":"E40116", # 报告人 + "reportDeptCode" :"D0044" ,# 报告部门 + "productGroupCode":"RAW_MATERIAL" # 商品分类 + } +} + + +warning_data = { + "groupNo":'000128', # 用户组编号 + "funcModule":'原油特征停更预警', + "funcOperation":'原油特征停更预警', + "data":{ + 'WARNING_TYPE_NAME':'特征数据停更预警', + 'WARNING_CONTENT':'', + 'WARNING_DATE':'' + } +} + +query_data_list_item_nos_data = { + "funcModule": "数据项", + "funcOperation": "查询", + "data": { + "dateStart":"20200101", + "dateEnd":"20241231", + "dataItemNoList":["Brentzdj","Brentzgj"] # 数据项编码,代表 brent最低价和最高价 + } +} + + +# 北京环境数据库 +host = '192.168.101.27' +port = 3306 +dbusername ='root' +password = '123456' +dbname = 'jingbo_test' +table_name = 'v_tbl_crude_oil_warning' + + +### 开关 +is_train = False # 是否训练 +is_debug = True # 是否调试 +is_eta = True # 是否使用eta接口 +is_market = False # 是否通过市场信息平台获取特征 ,在is_eta 为true 的情况下生效 +is_timefurture = True # 是否使用时间特征 +is_fivemodels = False # 是否使用之前保存的最佳的5个模型 +is_edbcode = False # 特征使用edbcoding列表中的 +is_edbnamelist = False # 自定义特征，对应上面的edbnamelist +is_update_eta = False # 预测结果上传到eta +is_update_report = True # 是否上传报告 +is_update_warning_data = False # 是否上传预警数据 +is_del_corr = 0.6 # 是否删除相关性高的特征,取值为 0-1 ，0 为不删除，0.6 表示删除相关性小于0.6的特征 +is_del_tow_month = True # 是否删除两个月不更新的特征 + + + +# 连接到数据库 +db_mysql = MySQLDB(host=host, user=dbusername, password=password, database=dbname) +db_mysql.connect() +print("数据库连接成功",host,dbname,dbusername) + + +# 数据截取日期 +start_year = 2020 # 数据开始年份 +end_time = '' # 数据截取日期 +freq = 'B' # 时间频率，"D": 天 "W": 周"M": 月"Q": 季度"A": 年 "H": 小时 "T": 分钟 "S": 秒 "B": 工作日 +delweekenday = True if freq == 'B' else False # 是否删除周末数据 +is_corr = False # 特征是否参与滞后领先提升相关系数 +add_kdj = False # 是否添加kdj指标 +if add_kdj and is_edbnamelist: + edbnamelist = edbnamelist+['K','D','J'] + +### 模型参数 +y = 'AVG-金能大唐久泰青州' +avg_cols = [ + 'PP：拉丝：1102K：出厂价：青州：国家能源宁煤（日）', + 'PP：拉丝：L5E89：出厂价：华北（第二区域）：内蒙古久泰新材料（日）', + 'PP：拉丝：L5E89：出厂价：河北、鲁北：大唐内蒙多伦（日）', + 'PP：拉丝：HP550J：市场价：青岛：金能化学（日）' +] +offsite = 80 +offsite_col = ['PP：拉丝：HP550J：市场价：青岛：金能化学（日）'] +horizon =5 # 预测的步长 +input_size = 40 # 输入序列长度 +train_steps = 50 if is_debug else 1000 # 训练步数,用来限定epoch次数 +val_check_steps = 30 # 评估频率 +early_stop_patience_steps = 5 # 早停的耐心步数 +# --- 交叉验证用的参数 +test_size = 200 # 测试集大小，定义100，后面使用的时候重新赋值 +val_size = test_size # 验证集大小,同测试集大小 + +### 特征筛选用到的参数 +k = 100 # 特征筛选数量，如果是0或者值比特征数量大，代表全部特征 +corr_threshold = 0.6 # 相关性大于0.6的特征 +rote = 0.06 # 绘图上下界阈值 + +### 计算准确率 +weight_dict = [0.4,0.15,0.1,0.1,0.25] # 权重 + + +### 文件 +data_set = '石油焦指标数据.xlsx' # 数据集文件 +dataset = 'shiyoujiaodataset' # 数据集文件夹 + +# 数据库名称 +db_name = os.path.join(dataset,'jbsh_juxiting.db') +sqlitedb = SQLiteHandler(db_name) +sqlitedb.connect() + +settings = f'{input_size}-{horizon}-{train_steps}--{k}-{data_set}-{y}' +# 获取日期时间 +# now = datetime.datetime.now().strftime('%Y%m%d%H%M%S') # 获取当前日期时间 +now = datetime.datetime.now().strftime('%Y-%m-%d') # 获取当前日期时间 +reportname = f'PP大模型预测报告--{end_time}.pdf' # 报告文件名 +reportname = reportname.replace(':', '-') # 替换冒号 +if end_time == '': + end_time = now +### 邮件配置 +username='1321340118@qq.com' +passwd='wgczgyhtyyyyjghi' +# recv=['liurui_test@163.com','52585119@qq.com'] +recv=['liurui_test@163.com'] +# recv=['liurui_test@163.com'] +title='reportname' +content=y+'预测报告请看附件' +file=os.path.join(dataset,'reportname') +# file=os.path.join(dataset,'14-7-50--100-原油指标数据.xlsx-Brent连1合约价格--20240731175936-预测报告.pdf') +ssl=True + + +### 日志配置 + +# 创建日志目录（如果不存在） +log_dir = 'logs' +if not os.path.exists(log_dir): + os.makedirs(log_dir) + +# 配置日志记录器 +logger = logging.getLogger('my_logger') +logger.setLevel(logging.INFO) + +# 配置文件处理器，将日志记录到文件 +file_handler = logging.handlers.RotatingFileHandler(os.path.join(log_dir, 'pricepredict.log'), maxBytes=1024 * 1024, backupCount=5) +file_handler.setFormatter(logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')) + +# 配置控制台处理器，将日志打印到控制台 +console_handler = logging.StreamHandler() +console_handler.setFormatter(logging.Formatter('%(message)s')) + +# 将处理器添加到日志记录器 +logger.addHandler(file_handler) +logger.addHandler(console_handler) + +# logger.info('当前配置：'+settings) + diff --git a/config_shiyoujiao_lvyong.py b/config_shiyoujiao_lvyong.py index 895a9b7..e83ea57 100644 --- a/config_shiyoujiao_lvyong.py +++ b/config_shiyoujiao_lvyong.py @@ -143,7 +143,7 @@ modelsindex = { } # 百川数据指标编码 -baicangidnamedict = { +baichuanidnamedict = { '1588348470396480000': '石油焦滨州-友泰', '1588348470396480000.00': '石油焦东营-海科瑞林', '1588348470396480000.00': '石油焦东营-华联2', @@ -160,6 +160,8 @@ baicangidnamedict = { } +# baichuanidnamedict = {'1588348470396475286': 'test1', '1666': 'test2'} # 北京环境测试用 + # eta 上传预测结果的请求体，后面发起请求的时候更改 model datalist 数据 data = { "IndexCode": "", @@ -272,14 +274,14 @@ push_data_value_list_data = { } # 八大维度数据项编码 bdwd_items = { - # 'ciri': 'yyycbdwdcr', - # 'benzhou': 'yyycbdwdbz', - # 'cizhou': 'yyycbdwdcz', - # 'gezhou': 'yyycbdwdgz', - # 'ciyue': 'yyycbdwdcy', - # 'cieryue': 'yyycbdwdcey', - # 'cisanyue': 'yyycbdwdcsy', - # 'cisiyue': 'yyycbdwdcsiy', + 'ciri': 'syjlyycbdwdcr', + 'benzhou': 'syjlyycbdwdbz', + 'cizhou': 'syjlyycbdwdcz', + 'gezhou': 'syjlyycbdwdgz', + 'ciyue': 'syjlyycbdwdcy', + 'cieryue': 'syjlyycbdwdcey', + 'cisanyue': 'syjlyycbdwdcsy', + 'cisiyue': 'syjlyycbdwdcsiy', } # 北京环境数据库 @@ -326,7 +328,7 @@ if add_kdj and is_edbnamelist: edbnamelist = edbnamelist+['K', 'D', 'J'] # 模型参数 -y = 'B46cc7d0a90155b5bfd' +y = '煅烧焦山东高硫(高端S < 3.5，普货)(元/吨)' avg_cols = [ ] diff --git a/lib/dataread.py b/lib/dataread.py index 84b85cf..6d75a58 100644 --- a/lib/dataread.py +++ b/lib/dataread.py @@ -57,6 +57,7 @@ global_config = { 'y': None, # 目标变量列名 'is_fivemodels': None, 'weight_dict': None, + 'baicangidnamedict': None, # 百川id名称映射 # 模型参数 'data_set': None, # 数据集名称 @@ -120,6 +121,8 @@ global_config = { # 数据库配置 'sqlitedb': None, + 'db_mysql': None, + 'baichuan_table_name': None, } # 定义函数 @@ -1199,6 +1202,8 @@ class Config: # 数据库配置 @property def sqlitedb(self): return global_config['sqlitedb'] + @property + def db_mysql(self): return global_config['db_mysql'] config = Config() @@ -2213,3 +2218,38 @@ def addtimecharacteristics(df, dataset): df.drop(columns=['quarter_start', 'quarter'], inplace=True) df.to_csv(os.path.join(dataset, '指标数据添加时间特征.csv'), index=False) return df + + +# 从数据库获取百川数据，接收一个百川id列表，返回df格式的数据 +def get_baichuan_data(baichuanidnamedict): + baichuanidlist = list(baichuanidnamedict.keys()) + # 连接数据库 + db = config.db_mysql + db.connect() + # 执行SQL查询 select BAICHUAN_ID,DATA_DATE,DATA_VALUE from V_TBL_BAICHUAN_YINGFU_VALUE where BAICHUAN_ID in ('1588348470396475286','1666'); + sql = f"SELECT BAICHUAN_ID,DATA_DATE,DATA_VALUE FROM {global_config['baichuan_table_name']} WHERE BAICHUAN_ID in ({','.join(baichuanidlist)})" + + # 获取查询结果 + results = db.execute_query(sql) + df = pd.DataFrame(results, columns=[ + 'BAICHUAN_ID', 'DATA_DATE', 'DATA_VALUE']) + + # 按BAICHUAN_ID 进行分组，然后按DATA_DATE合并 + df1 = pd.DataFrame(columns=['DATA_DATE']) + for baichuan_id, group in df.groupby('BAICHUAN_ID'): + # group 删除BAICHUAN_ID列 + group.drop(columns=['BAICHUAN_ID'], inplace=True) + # group DATA_value 转换为float类型,保留两位小数 + group['DATA_VALUE'] = group['DATA_VALUE'].astype(float).round(2) + # group 更改列名 + group.rename( + columns={'DATA_VALUE': baichuanidnamedict[baichuan_id]}, inplace=True) + # 按DATA_DATE合并 + df1 = pd.merge( + df1, group[['DATA_DATE', baichuanidnamedict[baichuan_id]]], on='DATA_DATE', how='outer') + # 把DATA_DATE 列转换成日期格式 + df1['date'] = pd.to_datetime( + df1['DATA_DATE']).dt.strftime('%Y-%m-%d') + df1.drop(columns=['DATA_DATE'], inplace=True) + + return df1 diff --git a/main_shiyoujiao.py b/main_shiyoujiao.py new file mode 100644 index 0000000..c706c9f --- /dev/null +++ b/main_shiyoujiao.py @@ -0,0 +1,301 @@ +# 读取配置 +from lib.dataread import * +from lib.tools import SendMail,exception_logger +from models.nerulforcastmodels import ex_Model_Juxiting,model_losss,model_losss_juxiting,brent_export_pdf,tansuanli_export_pdf,pp_export_pdf,model_losss_juxiting + +import glob +import torch +torch.set_float32_matmul_precision("high") + + + +def predict_main(): + """ + 主预测函数，用于从 ETA 获取数据、处理数据、训练模型并进行预测。 + + 参数: + signature (BinanceAPI): Binance API 实例。 + etadata (EtaReader): ETA 数据读取器实例。 + is_eta (bool): 是否从 ETA 获取数据。 + data_set (str): 数据集名称。 + dataset (str): 数据集路径。 + add_kdj (bool): 是否添加 KDJ 指标。 + is_timefurture (bool): 是否添加时间衍生特征。 + end_time (str): 结束时间。 + is_edbnamelist (bool): 是否使用 EDB 名称列表。 + edbnamelist (list): EDB 名称列表。 + y (str): 预测目标列名。 + sqlitedb (SQLiteDB): SQLite 数据库实例。 + is_corr (bool): 是否进行相关性分析。 + horizon (int): 预测时域。 + input_size (int): 输入数据大小。 + train_steps (int): 训练步数。 + val_check_steps (int): 验证检查步数。 + early_stop_patience_steps (int): 早停耐心步数。 + is_debug (bool): 是否调试模式。 + dataset (str): 数据集名称。 + is_train (bool): 是否训练模型。 + is_fivemodels (bool): 是否使用五个模型。 + val_size (float): 验证集大小。 + test_size (float): 测试集大小。 + settings (dict): 模型设置。 + now (str): 当前时间。 + etadata (EtaReader): ETA 数据读取器实例。 + modelsindex (list): 模型索引列表。 + data (str): 数据类型。 + is_eta (bool): 是否从 ETA 获取数据。 + + 返回: + None + """ + global end_time + signature = BinanceAPI(APPID, SECRET) + etadata = EtaReader(signature=signature, + classifylisturl=classifylisturl, + classifyidlisturl=classifyidlisturl, + edbcodedataurl=edbcodedataurl, + edbcodelist=edbcodelist, + edbdatapushurl=edbdatapushurl, + edbdeleteurl=edbdeleteurl, + edbbusinessurl=edbbusinessurl + ) + # 获取数据 + if is_eta: + logger.info('从eta获取数据...') + signature = BinanceAPI(APPID, SECRET) + etadata = EtaReader(signature=signature, + classifylisturl=classifylisturl, + classifyidlisturl=classifyidlisturl, + edbcodedataurl=edbcodedataurl, + edbcodelist=edbcodelist, + edbdatapushurl=edbdatapushurl, + edbdeleteurl=edbdeleteurl, + edbbusinessurl=edbbusinessurl, + ) + df_zhibiaoshuju, df_zhibiaoliebiao = etadata.get_eta_api_shiyoujiao_data(data_set=data_set, dataset=dataset) # 原始数据，未处理 + + if is_market: + logger.info('从市场信息平台获取数据...') + try: + # 如果是测试环境，最高价最低价取excel文档 + if server_host == '192.168.100.53': + logger.info('从excel文档获取最高价最低价') + df_zhibiaoshuju = get_high_low_data(df_zhibiaoshuju) + else: + logger.info('从市场信息平台获取数据') + df_zhibiaoshuju = get_market_data(end_time,df_zhibiaoshuju) + + except : + logger.info('最高最低价拼接失败') + + # 保存到xlsx文件的sheet表 + with pd.ExcelWriter(os.path.join(dataset,data_set)) as file: + df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False) + df_zhibiaoliebiao.to_excel(file, sheet_name='指标列表', index=False) + + + # 数据处理 + df = datachuli_juxiting(df_zhibiaoshuju, df_zhibiaoliebiao, y=y, dataset=dataset, add_kdj=add_kdj, is_timefurture=is_timefurture, + end_time=end_time) + + else: + # 读取数据 + logger.info('读取本地数据：' + os.path.join(dataset, data_set)) + df,df_zhibiaoliebiao = getdata_juxiting(filename=os.path.join(dataset, data_set), y=y, dataset=dataset, add_kdj=add_kdj, + is_timefurture=is_timefurture, end_time=end_time) # 原始数据，未处理 + + # 更改预测列名称 + df.rename(columns={y: 'y'}, inplace=True) + + if is_edbnamelist: + df = df[edbnamelist] + df.to_csv(os.path.join(dataset, '指标数据.csv'), index=False) + # 保存最新日期的y值到数据库 + # 取第一行数据存储到数据库中 + first_row = df[['ds', 'y']].tail(1) + # 判断y的类型是否为float + if not isinstance(first_row['y'].values[0], float): + logger.info(f'{end_time}预测目标数据为空，跳过') + return None + + # 将最新真实值保存到数据库 + if not sqlitedb.check_table_exists('trueandpredict'): + first_row.to_sql('trueandpredict', sqlitedb.connection, index=False) + else: + for row in first_row.itertuples(index=False): + row_dict = row._asdict() + row_dict['ds'] = row_dict['ds'].strftime('%Y-%m-%d %H:%M:%S') + check_query = sqlitedb.select_data('trueandpredict', where_condition=f"ds = '{row.ds}'") + if len(check_query) > 0: + set_clause = ", ".join([f"{key} = '{value}'" for key, value in row_dict.items()]) + sqlitedb.update_data('trueandpredict', set_clause, where_condition=f"ds = '{row.ds}'") + continue + sqlitedb.insert_data('trueandpredict', tuple(row_dict.values()), columns=row_dict.keys()) + + # 更新accuracy表的y值 + if not sqlitedb.check_table_exists('accuracy'): + pass + else: + update_y = sqlitedb.select_data('accuracy',where_condition="y is null") + if len(update_y) > 0: + logger.info('更新accuracy表的y值') + # 找到update_y 中ds且df中的y的行 + update_y = update_y[update_y['ds']<=end_time] + logger.info(f'要更新y的信息：{update_y}') + # try: + for row in update_y.itertuples(index=False): + try: + row_dict = row._asdict() + yy = df[df['ds']==row_dict['ds']]['y'].values[0] + LOW = df[df['ds']==row_dict['ds']]['Brentzdj'].values[0] + HIGH = df[df['ds']==row_dict['ds']]['Brentzgj'].values[0] + sqlitedb.update_data('accuracy', f"y = {yy},LOW_PRICE = {LOW},HIGH_PRICE = {HIGH}", where_condition=f"ds = '{row_dict['ds']}'") + except: + logger.info(f'更新accuracy表的y值失败：{row_dict}') + # except Exception as e: + # logger.info(f'更新accuracy表的y值失败：{e}') + + import datetime + # 判断当前日期是不是周一 + is_weekday = datetime.datetime.now().weekday() == 0 + if is_weekday: + logger.info('今天是周一，更新预测模型') + # 计算最近60天预测残差最低的模型名称 + model_results = sqlitedb.select_data('trueandpredict', order_by="ds DESC", limit="60") + # 删除空值率为90%以上的列 + if len(model_results) > 10: + model_results = model_results.dropna(thresh=len(model_results)*0.1,axis=1) + # 删除空行 + model_results = model_results.dropna() + modelnames = model_results.columns.to_list()[2:-1] + for col in model_results[modelnames].select_dtypes(include=['object']).columns: + model_results[col] = model_results[col].astype(np.float32) + # 计算每个预测值与真实值之间的偏差率 + for model in modelnames: + model_results[f'{model}_abs_error_rate'] = abs(model_results['y'] - model_results[model]) / model_results['y'] + # 获取每行对应的最小偏差率值 + min_abs_error_rate_values = model_results.apply(lambda row: row[[f'{model}_abs_error_rate' for model in modelnames]].min(), axis=1) + # 获取每行对应的最小偏差率值对应的列名 + min_abs_error_rate_column_name = model_results.apply(lambda row: row[[f'{model}_abs_error_rate' for model in modelnames]].idxmin(), axis=1) + # 将列名索引转换为列名 + min_abs_error_rate_column_name = min_abs_error_rate_column_name.map(lambda x: x.split('_')[0]) + # 取出现次数最多的模型名称 + most_common_model = min_abs_error_rate_column_name.value_counts().idxmax() + logger.info(f"最近60天预测残差最低的模型名称：{most_common_model}") + # 保存结果到数据库 + if not sqlitedb.check_table_exists('most_model'): + sqlitedb.create_table('most_model', columns="ds datetime, most_common_model TEXT") + sqlitedb.insert_data('most_model', (datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'), most_common_model,), columns=('ds', 'most_common_model',)) + + try: + if is_weekday: + # if True: + logger.info('今天是周一，发送特征预警') + # 上传预警信息到数据库 + warning_data_df = df_zhibiaoliebiao.copy() + warning_data_df = warning_data_df[warning_data_df['停更周期']> 3 ][['指标名称', '指标id', '频度','更新周期','指标来源','最后更新时间','停更周期']] + # 重命名列名 + warning_data_df = warning_data_df.rename(columns={'指标名称': 'INDICATOR_NAME', '指标id': 'INDICATOR_ID', '频度': 'FREQUENCY', '更新周期': 'UPDATE_FREQUENCY', '指标来源': 'DATA_SOURCE', '最后更新时间': 'LAST_UPDATE_DATE', '停更周期': 'UPDATE_SUSPENSION_CYCLE'}) + from sqlalchemy import create_engine + import urllib + global password + if '@' in password: + password = urllib.parse.quote_plus(password) + + engine = create_engine(f'mysql+pymysql://{dbusername}:{password}@{host}:{port}/{dbname}') + warning_data_df['WARNING_DATE'] = datetime.date.today().strftime("%Y-%m-%d %H:%M:%S") + warning_data_df['TENANT_CODE'] = 'T0004' + # 插入数据之前查询表数据然后新增id列 + existing_data = pd.read_sql(f"SELECT * FROM {table_name}", engine) + if not existing_data.empty: + max_id = existing_data['ID'].astype(int).max() + warning_data_df['ID'] = range(max_id + 1, max_id + 1 + len(warning_data_df)) + else: + warning_data_df['ID'] = range(1, 1 + len(warning_data_df)) + warning_data_df.to_sql(table_name, con=engine, if_exists='append', index=False) + if is_update_warning_data: + upload_warning_info(len(warning_data_df)) + except: + logger.info('上传预警信息到数据库失败') + + if is_corr: + df = corr_feature(df=df) + + df1 = df.copy() # 备份一下，后面特征筛选完之后加入ds y 列用 + logger.info(f"开始训练模型...") + row, col = df.shape + + now = datetime.datetime.now().strftime('%Y%m%d%H%M%S') + ex_Model_Juxiting(df, + horizon=horizon, + input_size=input_size, + train_steps=train_steps, + val_check_steps=val_check_steps, + early_stop_patience_steps=early_stop_patience_steps, + is_debug=is_debug, + dataset=dataset, + is_train=is_train, + is_fivemodels=is_fivemodels, + val_size=val_size, + test_size=test_size, + settings=settings, + now=now, + etadata=etadata, + modelsindex=modelsindex, + data=data, + is_eta=is_eta, + end_time=end_time, + ) + + + logger.info('模型训练完成') + + logger.info('训练数据绘图ing') + model_results3 = model_losss_juxiting(sqlitedb) + logger.info('训练数据绘图end') + + # 模型报告 + logger.info('制作报告ing') + title = f'{settings}--{end_time}-预测报告' # 报告标题 + reportname = f'PP大模型预测报告--{end_time}.pdf' # 报告文件名 + reportname = reportname.replace(':', '-') # 替换冒号 + pp_export_pdf(dataset=dataset,num_models = 5 if is_fivemodels else 22,time=end_time, + reportname=reportname,sqlitedb=sqlitedb), + + logger.info('制作报告end') + logger.info('模型训练完成') + + # # LSTM 单变量模型 + # ex_Lstm(df,input_seq_len=input_size,output_seq_len=horizon,is_debug=is_debug,dataset=dataset) + + # # lstm 多变量模型 + # ex_Lstm_M(df,n_days=input_size,out_days=horizon,is_debug=is_debug,datasetpath=dataset) + + # # GRU 模型 + # # ex_GRU(df) + + # 发送邮件 + m = SendMail( + username=username, + passwd=passwd, + recv=recv, + title=title, + content=content, + file=max(glob.glob(os.path.join(dataset,'*.pdf')), key=os.path.getctime), + ssl=ssl, + ) + # m.send_mail() + + +if __name__ == '__main__': + # global end_time + # is_on = True + # # 遍历2024-11-25 到 2024-12-3 之间的工作日日期 + # for i_time in pd.date_range('2025-1-20', '2025-2-6', freq='B'): + # end_time = i_time.strftime('%Y-%m-%d') + # try: + # predict_main() + # except: + # pass + + predict_main() \ No newline at end of file diff --git a/main_shiyoujiao_lvyong.py b/main_shiyoujiao_lvyong.py index 63bb087..896c28d 100644 --- a/main_shiyoujiao_lvyong.py +++ b/main_shiyoujiao_lvyong.py @@ -18,6 +18,7 @@ global_config.update({ 'is_fivemodels': is_fivemodels, 'settings': settings, 'weight_dict': weight_dict, + 'baichuanidnamedict': baichuanidnamedict, # 模型参数 @@ -72,11 +73,14 @@ global_config.update({ 'edbdatapushurl': edbdatapushurl, 'edbdeleteurl': edbdeleteurl, 'edbbusinessurl': edbbusinessurl, + 'edbcodenamedict': edbcodenamedict, 'ClassifyId': ClassifyId, 'classifylisturl': classifylisturl, # 数据库配置 'sqlitedb': sqlitedb, + 'db_mysql': db_mysql, + 'baichuan_table_name': baichuan_table_name, }) @@ -173,6 +177,7 @@ def predict_main(): 返回: None """ + end_time = global_config['end_time'] # 获取数据 if is_eta: @@ -206,6 +211,19 @@ def predict_main(): except: logger.info('最高最低价拼接失败') + if len(global_config['baichuanidnamedict']) > 0: + logger.info('从市场数据库获取百川数据...') + baichuandf = get_baichuan_data(global_config['baichuanidnamedict']) + df_zhibiaoshuju = pd.merge( + df_zhibiaoshuju, baichuandf, on='date', how='outer') + # 指标列表添加百川数据 + df_baichuanliebiao = pd.DataFrame( + global_config['baichuanidnamedict'].items(), columns=['指标id', '指标名称']) + df_baichuanliebiao['指标分类'] = '百川' + df_baichuanliebiao['频度'] = '其他' + df_zhibiaoliebiao = pd.concat( + [df_zhibiaoliebiao, df_baichuanliebiao], axis=0) + # 保存到xlsx文件的sheet表 with pd.ExcelWriter(os.path.join(dataset, data_set)) as file: df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False) diff --git a/test/ETA获取数据.py b/test/ETA获取数据.py index 4ae8f78..8d476b6 100644 --- a/test/ETA获取数据.py +++ b/test/ETA获取数据.py @@ -11,9 +11,11 @@ import logging.handlers import os import re import requests +import json + class EtaReader(): - def __init__(self,signature,classifylisturl,classifyidlisturl,edbcodedataurl,edbcodelist,edbdatapushurl,edbdeleteurl,edbbusinessurl): + def __init__(self, signature, classifylisturl, classifyidlisturl, edbcodedataurl, edbcodelist, edbdatapushurl, edbdeleteurl, edbbusinessurl): ''' 初始化 EtaReader 类的实例。 @@ -33,40 +35,39 @@ class EtaReader(): self.signature = signature self.classifylisturl = classifylisturl self.classifyidlisturl = classifyidlisturl - self.edbcodedataurl = edbcodedataurl + self.edbcodedataurl = edbcodedataurl self.edbdatapushurl = edbdatapushurl - self.edbcodelist = edbcodelist - self.edbdeleteurl = edbdeleteurl + self.edbcodelist = edbcodelist + self.edbdeleteurl = edbdeleteurl self.edbbusinessurl = edbbusinessurl - - def filter_yuanyou_data(self,ClassifyName,data): + def filter_yuanyou_data(self, ClassifyName, data): ''' 指标名称保留规则 ''' - + # 包含 关键词 去除， 返回flase - if any(keyword in data for keyword in ['运费','检修','波动率','地缘政治','股价', - '同比','环比','环差','裂差','4WMA','变频','道琼斯','标普500','纳斯达克', - '四周均值','名占比','残差','DMA', - '连7-连9','4周平均','4周均值','滚动相关性','日本']): + if any(keyword in data for keyword in ['运费', '检修', '波动率', '地缘政治', '股价', + '同比', '环比', '环差', '裂差', '4WMA', '变频', '道琼斯', '标普500', '纳斯达克', + '四周均值', '名占比', '残差', 'DMA', + '连7-连9', '4周平均', '4周均值', '滚动相关性', '日本']): return False - - # 检查需要的特征 + + # 检查需要的特征 # 去掉 分析 分类下的数据 if ClassifyName == '分析': return False - + # 保留 库存中特殊关键词 if ClassifyName == '库存': - if any(keyword in data for keyword in ['原油' , '美国' ,'全球' ,'中国' ,'富查伊拉','ARA' ]): + if any(keyword in data for keyword in ['原油', '美国', '全球', '中国', '富查伊拉', 'ARA']): return True else: pass else: pass - - # 去掉 持仓中不是基金的数据 + + # 去掉 持仓中不是基金的数据 if ClassifyName == '持仓': if '基金' not in data: return False @@ -74,11 +75,11 @@ class EtaReader(): pass else: pass - - # 去掉 航班中不是中国、美国 的数据 + + # 去掉 航班中不是中国、美国 的数据 if ClassifyName == '需求': - if '航班' in data : - if '中国' in data or '美国' in data : + if '航班' in data: + if '中国' in data or '美国' in data: return True else: return False @@ -86,7 +87,7 @@ class EtaReader(): pass else: pass - + # 分类为 期货市场，同质性数据取第一个 if ClassifyName == '期货市场': # 去掉c1-9 以后的 @@ -95,33 +96,33 @@ class EtaReader(): c = int(data.split('c1-c')[1]) except: return False - if c > 9 : + if c > 9: return False else: pass - + else: pass - + # 判断 同质性数据， 字符串开头 - strstartdict = {'ICE Brent c':"ICE Brent c14", - 'NYMWX WTI c':"NYMWX WTI c5", - 'INE SC c':"INE SC c1", - 'EFS c':"EFS c", - 'Dubai Swap c':"Dubai Swap c1", - 'Oman Swap c':"Oman Swap c1", - 'DME Oman c':"DME Oman c1", - 'Murban Futures c':"Murban Futures c1", - 'Dubai连合约价格':'Dubai连1合约价格', - '美国RBOB期货月份合约价格':'美国RBOB期货2309月份合约价格', - 'Brent连合约价格':'Brent连1合约价格', - 'WTI连合约价格':'WTI连1合约价格', - '布伦特连合约价格':'Brent连1合约价格', - 'Brent 连合约价格':'Brent连1合约价格', - 'Dubai连合约价格':'Dubai连1合约价格', - 'Brent连':'Brent连1合约价格', - 'brent连':'Brent连1合约价格', - } + strstartdict = {'ICE Brent c': "ICE Brent c14", + 'NYMWX WTI c': "NYMWX WTI c5", + 'INE SC c': "INE SC c1", + 'EFS c': "EFS c", + 'Dubai Swap c': "Dubai Swap c1", + 'Oman Swap c': "Oman Swap c1", + 'DME Oman c': "DME Oman c1", + 'Murban Futures c': "Murban Futures c1", + 'Dubai连合约价格': 'Dubai连1合约价格', + '美国RBOB期货月份合约价格': '美国RBOB期货2309月份合约价格', + 'Brent连合约价格': 'Brent连1合约价格', + 'WTI连合约价格': 'WTI连1合约价格', + '布伦特连合约价格': 'Brent连1合约价格', + 'Brent 连合约价格': 'Brent连1合约价格', + 'Dubai连合约价格': 'Dubai连1合约价格', + 'Brent连': 'Brent连1合约价格', + 'brent连': 'Brent连1合约价格', + } # 判断名称字符串开头是否在 strstartdict.keys中 match = re.match(r'([a-zA-Z\s]+)(\d+)', data) if match: @@ -135,11 +136,11 @@ class EtaReader(): # data = 'Brent 连7合约价格' # 判断名称字符串去掉数字后是否在 strstartdict.keys中 match = re.findall(r'\D+', data) - if match : + if match: if len(match) == 2: part1 = match[0] part2 = match[1] - if part1+part2 in [i for i in strstartdict.keys()]: + if part1+part2 in [i for i in strstartdict.keys()]: if data == strstartdict[part1+part2]: return True else: @@ -149,8 +150,8 @@ class EtaReader(): elif len(match) == 1: match = re.findall(r'\D+', data) part1 = match[0] - - if part1 in [i for i in strstartdict.keys()]: + + if part1 in [i for i in strstartdict.keys()]: if data == strstartdict[part1]: return True else: @@ -166,11 +167,11 @@ class EtaReader(): return True - def filter_pp_data(self,ClassifyName,data): + def filter_pp_data(self, ClassifyName, data): ''' 指标名称保留规则 ''' - + # 包含 关键词 去除， 返回flase # if any(keyword in data for keyword in ['运费','检修','波动率','地缘政治','股价', # '同比','环比','环差','裂差','4WMA','变频','道琼斯','标普500','纳斯达克', @@ -180,16 +181,14 @@ class EtaReader(): # 包含 关键词 保留， 返回True if any(keyword in data for keyword in ['拉丝']): return True - - - # 检查需要的特征 + # 检查需要的特征 # 去掉 期货市场 分类下的数据 if ClassifyName == '期货市场': return False else: pass - + # 保留 库存 下所有指标 if ClassifyName == '库存': return True @@ -213,7 +212,6 @@ class EtaReader(): return True else: pass - # 保留 需求 下所有指标 if ClassifyName == '需求': @@ -221,22 +219,22 @@ class EtaReader(): else: pass - return True # 通过edbcode 获取指标数据 - def edbcodegetdata(self,df,EdbCode,EdbName): + def edbcodegetdata(self, df, EdbCode, EdbName): # 根据指标id，获取指标数据 url = self.edbcodedataurl+str(EdbCode) - # 发送GET请求 - response = requests.get(url, headers=self.headers) + # 发送GET请求 + response = requests.get(url, headers=self.headers) - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: data = response.json() # 假设接口返回的是JSON数据 all_data_items = data.get('Data') # 列表转换为DataFrame - df3 = pd.DataFrame(all_data_items, columns=['DataTime', 'Value', 'UpdateTime']) + df3 = pd.DataFrame(all_data_items, columns=[ + 'DataTime', 'Value', 'UpdateTime']) # df3 = pd.read_json(all_data_items, orient='records') # 去掉UpdateTime 列 @@ -244,18 +242,19 @@ class EtaReader(): # df3.set_index('DataTime') df3.rename(columns={'Value': EdbName}, inplace=True) # 将数据存储df1 - df = pd.merge(df, df3, how='outer',on='DataTime',suffixes= ('', '_y')) + df = pd.merge(df, df3, how='outer', + on='DataTime', suffixes=('', '_y')) # 按时间排序 df = df.sort_values(by='DataTime', ascending=True) return df - + else: # 请求失败，打印错误信息 logger.info(f'Error: {response.status_code}, {response.text}') # 主动抛出异常 raise Exception(f'Error: {response.status_code}, {response.text}') - def get_eta_api_yuanyou_data(self,data_set,dataset=''): + def get_eta_api_yuanyou_data(self, data_set, dataset=''): ''' 从ETA API获取原油数据 @@ -267,11 +266,12 @@ class EtaReader(): None ''' today = datetime.date.today().strftime("%Y-%m-%d") - - # 定义你的headers，这里可以包含多个参数 - self.headers = { - 'nonce': self.signature.nonce, # 例如，一个认证令牌 - 'timestamp': str(self.signature.timestamp), # 自定义的header参数 + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), 'appid': self.signature.APPID, # 另一个自定义的header参数 'signature': self.signature.signature } @@ -285,110 +285,122 @@ class EtaReader(): ''' # 构建新的DataFrame df df1 - df = pd.DataFrame(columns=['指标分类', '指标名称', '指标id', '频度','指标来源','来源id','最后更新时间','更新周期','预警日期','停更周期']) + df = pd.DataFrame(columns=[ + '指标分类', '指标名称', '指标id', '频度', '指标来源', '来源id', '最后更新时间', '更新周期', '预警日期', '停更周期']) df1 = pd.DataFrame(columns=['DataTime']) - # 外网环境无法访问，请确认是否为内网环境 try: # 发送GET请求 获取指标分类列表 - response = requests.get(self.classifylisturl, headers=self.headers) + response = requests.get(self.classifylisturl, headers=self.headers) except requests.exceptions.RequestException as e: - raise Exception(f"请求失败,请确认是否为内网环境: {e}","\033[0m") + raise Exception(f"请求失败,请确认是否为内网环境: {e}", "\033[0m") - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: # 获取成功， 处理响应内容 - data = response.json() # 假设接口返回的是JSON数据 - - # 请求成功，处理响应内容 - # logger.info(data.get('Data')) - # 定义你想要保留的固定值 - fixed_value = 1214 - - # 遍历列表，只保留那些'category' key的值为固定值的数据项 - filtered_data = [item for item in data.get('Data') if item.get('ParentId') == fixed_value] + data = response.json() # 假设接口返回的是JSON数据 - #然后循环filtered_data去获取list数据，才能获取到想要获取的ClassifyId + # 请求成功，处理响应内容 + # logger.info(data.get('Data')) + # 定义你想要保留的固定值 + fixed_value = 1193 + + # 遍历列表，只保留那些'category' key的值为固定值的数据项 + filtered_data = [item for item in data.get( + 'Data') if item.get('ParentId') == fixed_value] + + # 然后循环filtered_data去获取list数据，才能获取到想要获取的ClassifyId n = 0 for item in filtered_data: - n+= 1 + n += 1 # if n>50: # break - ClassifyId = item["ClassifyId"] #分类id，分类下的指标列表接口的请求参数 - ClassifyName = item["ClassifyName"] #分类名称，要保存到df的指标分类列 + ClassifyId = item["ClassifyId"] # 分类id，分类下的指标列表接口的请求参数 + ClassifyName = item["ClassifyName"] # 分类名称，要保存到df的指标分类列 # 根据分类id，获取指标列表 url = self.classifyidlisturl+str(ClassifyId) response = requests.get(url, headers=self.headers) - if response.status_code == 200: + if response.status_code == 200: # logger.info(response.text) data2 = response.json() Data = data2.get('Data') for i in Data: # s+= 1 EdbCode = i.get('EdbCode') - EdbName = i.get('EdbName') # 指标名称，要保存到df2的指标名称列,df的指标名称列 + # 指标名称，要保存到df2的指标名称列,df的指标名称列 + EdbName = i.get('EdbName') Frequency = i.get('Frequency') # 频度，要保存到df的频度列 SourceName = i.get('SourceName') # 来源名称，要保存到df的频度列 Source = i.get('Source') # 来源ID，要保存到df的频度列 # 频度不是 日 或者 周的 跳过 - if Frequency not in ['日度','周度','日','周']: + if Frequency not in ['日度', '周度', '日', '周']: continue - + # 只保留手工数据中，名称带有 海运出口 海运进口 if Source == 9 and not ('海运出口' in EdbName or '海运进口' in EdbName): continue - + # 不要wind数据 if Source == 2: continue - # 判断名称是否需要保存 - isSave = self.filter_yuanyou_data(ClassifyName,EdbName) + isSave = self.filter_yuanyou_data( + ClassifyName, EdbName) if isSave: # 保存到df - df1 = self.edbcodegetdata(df1,EdbCode,EdbName) + df1 = self.edbcodegetdata(df1, EdbCode, EdbName) # 取df1所有行最后一列 - edbname_df = df1[['DataTime',f'{EdbName}']] + edbname_df = df1[['DataTime', f'{EdbName}']] edbname_df = edbname_df.dropna() - + if len(edbname_df) == 0: logger.info(f'指标名称：{EdbName} 没有数据') continue try: - time_sequence = edbname_df['DataTime'].values.tolist()[-10:] + time_sequence = edbname_df['DataTime'].values.tolist( + )[-10:] except IndexError: - time_sequence = edbname_df['DataTime'].values.tolist() + time_sequence = edbname_df['DataTime'].values.tolist( + ) # 使用Counter来统计每个星期几的出现次数 from collections import Counter - weekday_counter = Counter(datetime.datetime.strptime(time_str, "%Y-%m-%d").strftime('%A') for time_str in time_sequence) + weekday_counter = Counter(datetime.datetime.strptime( + time_str, "%Y-%m-%d").strftime('%A') for time_str in time_sequence) # 打印出现次数最多的星期几 try: - most_common_weekday = weekday_counter.most_common(1)[0][0] + most_common_weekday = weekday_counter.most_common(1)[ + 0][0] # 计算两周后的日期 - warning_date = (datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(weeks=2)).strftime("%Y-%m-%d") - stop_update_period = (datetime.datetime.strptime(today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days // 7 + warning_date = (datetime.datetime.strptime( + time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(weeks=2)).strftime("%Y-%m-%d") + stop_update_period = (datetime.datetime.strptime( + today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days // 7 except IndexError: most_common_weekday = '其他' stop_update_period = 0 if '日' in Frequency: most_common_weekday = '每天' - warning_date = (datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(days=3)).strftime("%Y-%m-%d") - stop_update_period = (datetime.datetime.strptime(today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days + warning_date = (datetime.datetime.strptime( + time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(days=3)).strftime("%Y-%m-%d") + stop_update_period = (datetime.datetime.strptime( + today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days # 保存频度 指标名称 分类 指标id 到 df - df2 = pd.DataFrame({'指标分类': ClassifyName, '指标名称': EdbName, '指标id': EdbCode, '频度': Frequency,'指标来源':SourceName,'来源id':Source,'最后更新时间':edbname_df['DataTime'].values[-1],'更新周期':most_common_weekday,'预警日期':warning_date,'停更周期':stop_update_period},index=[0]) - - # df = pd.merge(df, df2, how='outer') + df2 = pd.DataFrame({'指标分类': ClassifyName, '指标名称': EdbName, '指标id': EdbCode, '频度': Frequency, '指标来源': SourceName, '来源id': Source, + '最后更新时间': edbname_df['DataTime'].values[-1], '更新周期': most_common_weekday, '预警日期': warning_date, '停更周期': stop_update_period}, index=[0]) + + # df = pd.merge(df, df2, how='outer') df = pd.concat([df, df2]) else: logger.info(f'跳过指标 {EdbName}') # 找到列表中不在指标列中的指标id，保存成新的list - new_list = [item for item in self.edbcodelist if item not in df['指标id'].tolist()] + new_list = [ + item for item in self.edbcodelist if item not in df['指标id'].tolist()] logger.info(new_list) # 遍历new_list，获取指标数据，保存到df1 for item in new_list: @@ -399,33 +411,196 @@ class EtaReader(): except: itemname = item - df1 = self.edbcodegetdata(df1,item,itemname) - df = pd.concat([df, pd.DataFrame({'指标分类': '其他', '指标名称': itemname, '指标id': item, '频度': '其他','指标来源':'其他','来源id':'其他'},index=[0])]) + df1 = self.edbcodegetdata(df1, item, itemname) + df = pd.concat([df, pd.DataFrame( + {'指标分类': '其他', '指标名称': itemname, '指标id': item, '频度': '其他', '指标来源': '其他', '来源id': '其他'}, index=[0])]) # 按时间排序 - df1.sort_values('DataTime',inplace=True,ascending=False) - df1.rename(columns={'DataTime': 'date'},inplace=True) + df1.sort_values('DataTime', inplace=True, ascending=False) + df1.rename(columns={'DataTime': 'date'}, inplace=True) # df1.dropna(inplace=True) # 去掉大于今天日期的行 df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')] logger.info(df1.head()) # logger.info(f'{df1.head()}') # 保存到xlsx文件的sheet表 - with pd.ExcelWriter(os.path.join(dataset,data_set)) as file: + with pd.ExcelWriter(os.path.join(dataset, data_set)) as file: df1.to_excel(file, sheet_name='指标数据', index=False) df.to_excel(file, sheet_name='指标列表', index=False) df_zhibiaoshuju = df1.copy() df_zhibiaoliebiao = df.copy() - return df_zhibiaoshuju,df_zhibiaoliebiao + return df_zhibiaoshuju, df_zhibiaoliebiao - def get_eta_api_pp_data(self,data_set,dataset=''): + def get_eta_api_chengpinyou_data(self, data_set, dataset=''): + ''' + 从ETA API获取原油数据 + + 参数: + data_set (str): 数据集名称 + dataset (str): 数据集ID，默认为空 + + 返回: + None + ''' + today = datetime.date.today().strftime("%Y-%m-%d") + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), + 'appid': self.signature.APPID, # 另一个自定义的header参数 + 'signature': self.signature.signature + } + + # 从列表数据中获取指标名称，判断指标名称频度是否为日 ，如果是，则获取UniqueCode，然后获取指标数据，保存到xlat文件中的sheet表。 + + ''' + df = sheetname 指标列表，存储 指标分类-指标名称-指标id-频度 + df1 = sheetname 指标数据 ,存储 时间-指标名称1-指标名称2... + + ''' + + # 构建新的DataFrame df df1 + df = pd.DataFrame(columns=[ + '指标分类', '指标名称', '指标id', '频度', '指标来源', '来源id', '最后更新时间', '更新周期', '预警日期', '停更周期']) + df1 = pd.DataFrame(columns=['DataTime']) + + # 外网环境无法访问，请确认是否为内网环境 + try: + # 发送GET请求 获取指标分类列表 + response = requests.get(self.classifylisturl, headers=self.headers) + except requests.exceptions.RequestException as e: + raise Exception(f"请求失败,请确认是否为内网环境: {e}", "\033[0m") + + # 检查响应状态码 + if response.status_code == 200: + # 获取成功， 处理响应内容 + data = response.json() # 假设接口返回的是JSON数据 + + # 请求成功，处理响应内容 + # logger.info(data.get('Data')) + # 定义你想要保留的固定值 + # fixed_value = 1193 # 成品油 + fixed_value = 1285 # 沥青 + + # 遍历列表，只保留那些'category' key的值为固定值的数据项 + filtered_data = [item for item in data.get( + 'Data') if item.get('ParentId') == fixed_value] + + # 然后循环filtered_data去获取list数据，才能获取到想要获取的ClassifyId + n = 0 + for item in filtered_data: + n += 1 + # if n>50: + # break + ClassifyId = item["ClassifyId"] # 分类id，分类下的指标列表接口的请求参数 + ClassifyName = item["ClassifyName"] # 分类名称，要保存到df的指标分类列 + # 根据分类id，获取指标列表 + url = self.classifyidlisturl+str(ClassifyId) + response = requests.get(url, headers=self.headers) + if response.status_code == 200: + # logger.info(response.text) + data2 = response.json() + Data = data2.get('Data') + for i in Data: + # s+= 1 + EdbCode = i.get('EdbCode') + # 指标名称，要保存到df2的指标名称列,df的指标名称列 + EdbName = i.get('EdbName') + Frequency = i.get('Frequency') # 频度，要保存到df的频度列 + SourceName = i.get('SourceName') # 来源名称，要保存到df的频度列 + Source = i.get('Source') # 来源ID，要保存到df的频度列 + + # 保存到df + df1 = self.edbcodegetdata(df1, EdbCode, EdbName) + # 取df1所有行最后一列 + edbname_df = df1[['DataTime', f'{EdbName}']] + edbname_df = edbname_df.dropna() + + if len(edbname_df) == 0: + logger.info(f'指标名称：{EdbName} 没有数据') + continue + try: + time_sequence = edbname_df['DataTime'].values.tolist( + )[-10:] + except IndexError: + time_sequence = edbname_df['DataTime'].values.tolist( + ) + # 使用Counter来统计每个星期几的出现次数 + from collections import Counter + weekday_counter = Counter(datetime.datetime.strptime( + time_str, "%Y-%m-%d").strftime('%A') for time_str in time_sequence) + + # 打印出现次数最多的星期几 + try: + most_common_weekday = weekday_counter.most_common(1)[ + 0][0] + # 计算两周后的日期 + warning_date = (datetime.datetime.strptime( + time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(weeks=2)).strftime("%Y-%m-%d") + stop_update_period = (datetime.datetime.strptime( + today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days // 7 + + except IndexError: + most_common_weekday = '其他' + stop_update_period = 0 + if '日' in Frequency: + most_common_weekday = '每天' + warning_date = (datetime.datetime.strptime( + time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(days=3)).strftime("%Y-%m-%d") + stop_update_period = (datetime.datetime.strptime( + today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days + + # 保存频度 指标名称 分类 指标id 到 df + df2 = pd.DataFrame({'指标分类': ClassifyName, '指标名称': EdbName, '指标id': EdbCode, '频度': Frequency, '指标来源': SourceName, '来源id': Source, + '最后更新时间': edbname_df['DataTime'].values[-1], '更新周期': most_common_weekday, '预警日期': warning_date, '停更周期': stop_update_period}, index=[0]) + + # df = pd.merge(df, df2, how='outer') + df = pd.concat([df, df2]) + + # 找到列表中不在指标列中的指标id，保存成新的list + new_list = [ + item for item in self.edbcodelist if item not in df['指标id'].tolist()] + logger.info(new_list) + # 遍历new_list，获取指标数据，保存到df1 + for item in new_list: + logger.info(item) + # 将item 加入到 df['指标id']中 + try: + itemname = edbcodenamedict[item] + except: + itemname = item + + df1 = self.edbcodegetdata(df1, item, itemname) + df = pd.concat([df, pd.DataFrame( + {'指标分类': '其他', '指标名称': itemname, '指标id': item, '频度': '其他', '指标来源': '其他', '来源id': '其他'}, index=[0])]) + + # 按时间排序 + df1.sort_values('DataTime', inplace=True, ascending=False) + df1.rename(columns={'DataTime': 'date'}, inplace=True) + # df1.dropna(inplace=True) + # 去掉大于今天日期的行 + df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')] + logger.info(df1.head()) + # logger.info(f'{df1.head()}') + # 保存到xlsx文件的sheet表 + with pd.ExcelWriter(os.path.join(dataset, data_set)) as file: + df1.to_excel(file, sheet_name='指标数据', index=False) + df.to_excel(file, sheet_name='指标列表', index=False) + df_zhibiaoshuju = df1.copy() + df_zhibiaoliebiao = df.copy() + return df_zhibiaoshuju, df_zhibiaoliebiao + + def get_eta_api_pp_data(self, data_set, dataset=''): global ClassifyId today = datetime.date.today().strftime("%Y-%m-%d") - - # 定义你的headers，这里可以包含多个参数 - self.headers = { - 'nonce': self.signature.nonce, # 例如，一个认证令牌 - 'timestamp': str(self.signature.timestamp), # 自定义的header参数 + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), 'appid': self.signature.APPID, # 另一个自定义的header参数 'signature': self.signature.signature } @@ -442,66 +617,69 @@ class EtaReader(): df = pd.DataFrame(columns=['指标分类', '指标名称', '指标id', '频度']) df1 = pd.DataFrame(columns=['DataTime']) - # 外网环境无法访问，请确认是否为内网环境 try: # 发送GET请求 获取指标分类列表 - response = requests.get(self.classifylisturl, headers=self.headers) + response = requests.get(self.classifylisturl, headers=self.headers) except requests.exceptions.RequestException as e: - raise Exception(f"请求失败,请确认是否为内网环境: {e}","\033[0m") + raise Exception(f"请求失败,请确认是否为内网环境: {e}", "\033[0m") - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: # 获取成功， 处理响应内容 - data = response.json() # 假设接口返回的是JSON数据 - - # 请求成功，处理响应内容 - # logger.info(data.get('Data')) - # 定义你想要保留的固定值 - fixed_value = ClassifyId - - # 遍历列表，只保留那些'category' key的值为固定值的数据项 - filtered_data = [item for item in data.get('Data') if item.get('ParentId') == fixed_value] + data = response.json() # 假设接口返回的是JSON数据 - #然后循环filtered_data去获取list数据，才能获取到想要获取的ClassifyId + # 请求成功，处理响应内容 + # logger.info(data.get('Data')) + # 定义你想要保留的固定值 + fixed_value = ClassifyId + + # 遍历列表，只保留那些'category' key的值为固定值的数据项 + filtered_data = [item for item in data.get( + 'Data') if item.get('ParentId') == fixed_value] + + # 然后循环filtered_data去获取list数据，才能获取到想要获取的ClassifyId n = 0 for item in filtered_data: - n+= 1 + n += 1 # if n>50: # break - ClassifyId = item["ClassifyId"] #分类id，分类下的指标列表接口的请求参数 - ClassifyName = item["ClassifyName"] #分类名称，要保存到df的指标分类列 + ClassifyId = item["ClassifyId"] # 分类id，分类下的指标列表接口的请求参数 + ClassifyName = item["ClassifyName"] # 分类名称，要保存到df的指标分类列 # 根据分类id，获取指标列表 url = self.classifyidlisturl+str(ClassifyId) response = requests.get(url, headers=self.headers) - if response.status_code == 200: + if response.status_code == 200: # logger.info(response.text) data2 = response.json() Data = data2.get('Data') for i in Data: # s+= 1 EdbCode = i.get('EdbCode') - EdbName = i.get('EdbName') # 指标名称，要保存到df2的指标名称列,df的指标名称列 + # 指标名称，要保存到df2的指标名称列,df的指标名称列 + EdbName = i.get('EdbName') Frequency = i.get('Frequency') # 频度，要保存到df的频度列 # 频度不是 日 或者 周的 跳过 - if Frequency not in ['日度','周度','日','周']: + if Frequency not in ['日度', '周度', '日', '周']: continue - + # 判断名称是否需要保存 - isSave = self.filter_pp_data(ClassifyName,EdbName) + isSave = self.filter_pp_data(ClassifyName, EdbName) if isSave: # 保存到df # 保存频度 指标名称 分类 指标id 到 df - df2 = pd.DataFrame({'指标分类': ClassifyName, '指标名称': EdbName, '指标id': EdbCode, '频度': Frequency},index=[0]) - - # df = pd.merge(df, df2, how='outer') + df2 = pd.DataFrame( + {'指标分类': ClassifyName, '指标名称': EdbName, '指标id': EdbCode, '频度': Frequency}, index=[0]) + + # df = pd.merge(df, df2, how='outer') df = pd.concat([df, df2]) - df1 = self.edbcodegetdata(df1,EdbCode,EdbName) + df1 = self.edbcodegetdata(df1, EdbCode, EdbName) else: logger.info(f'跳过指标 {EdbName}') # 找到列表中不在指标列中的指标id，保存成新的list - new_list = [item for item in self.edbcodelist if item not in df['指标id'].tolist()] + new_list = [ + item for item in self.edbcodelist if item not in df['指标id'].tolist()] logger.info(new_list) # 遍历new_list，获取指标数据，保存到df1 for item in new_list: @@ -512,85 +690,89 @@ class EtaReader(): except: itemname = item - df1 = self.edbcodegetdata(df1,item,itemname) - df = pd.concat([df, pd.DataFrame({'指标分类': '其他', '指标名称': itemname, '指标id': item, '频度': '其他'},index=[0])]) + df1 = self.edbcodegetdata(df1, item, itemname) + df = pd.concat([df, pd.DataFrame( + {'指标分类': '其他', '指标名称': itemname, '指标id': item, '频度': '其他'}, index=[0])]) # 按时间排序 - df1.sort_values('DataTime',inplace=True,ascending=False) - df1.rename(columns={'DataTime': 'date'},inplace=True) + df1.sort_values('DataTime', inplace=True, ascending=False) + df1.rename(columns={'DataTime': 'date'}, inplace=True) # df1.dropna(inplace=True) # 去掉大于今天日期的行 df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')] logger.info(df1.head()) # logger.info(f'{df1.head()}') # 保存到xlsx文件的sheet表 - with pd.ExcelWriter(os.path.join(dataset,data_set)) as file: + with pd.ExcelWriter(os.path.join(dataset, data_set)) as file: df1.to_excel(file, sheet_name='指标数据', index=False) df.to_excel(file, sheet_name='指标列表', index=False) df_zhibiaoshuju = df1.copy() df_zhibiaoliebiao = df.copy() - return df_zhibiaoshuju,df_zhibiaoliebiao + return df_zhibiaoshuju, df_zhibiaoliebiao - def push_data(self,data): + def push_data(self, data): today = datetime.date.today().strftime("%Y-%m-%d") - - # 定义你的headers，这里可以包含多个参数 - self.headers = { - 'nonce': self.signature.nonce, # 例如，一个认证令牌 - 'timestamp': str(self.signature.timestamp), # 自定义的header参数 + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), 'appid': self.signature.APPID, # 另一个自定义的header参数 'signature': self.signature.signature } # 发送post请求 上传数据 - logger.info('请求参数：',data) - response = requests.post(self.edbdatapushurl, headers=self.headers,data=json.dumps(data)) + logger.info('请求参数：', data) + response = requests.post( + self.edbdatapushurl, headers=self.headers, data=json.dumps(data)) - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: data = response.json() # 假设接口返回的是JSON数据 - + logger.info('上传成功，响应为：', data) - + else: # 请求失败，打印错误信息 logger.info(f'Error: {response.status_code}, {response.text}') # 主动抛出异常 raise Exception(f'Error: {response.status_code}, {response.text}') - def del_zhibiao(self,IndexCodeList): + def del_zhibiao(self, IndexCodeList): today = datetime.date.today().strftime("%Y-%m-%d") - - # 定义你的headers，这里可以包含多个参数 - self.headers = { - 'nonce': self.signature.nonce, # 例如，一个认证令牌 - 'timestamp': str(self.signature.timestamp), # 自定义的header参数 + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), 'appid': self.signature.APPID, # 另一个自定义的header参数 'signature': self.signature.signature } data = { - "IndexCodeList": IndexCodeList #指标编码列表 - } + "IndexCodeList": IndexCodeList # 指标编码列表 + } # 发送post请求 上传数据 - response = requests.post(self.edbdeleteurl, headers=self.headers,data=json.dumps(data)) + response = requests.post( + self.edbdeleteurl, headers=self.headers, data=json.dumps(data)) - - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: data = response.json() # 假设接口返回的是JSON数据 - + logger.info('删除成功，响应为：', data) - + else: # 请求失败，打印错误信息 logger.info(f'Error: {response.status_code}, {response.text}') # 主动抛出异常 raise Exception(f'Error: {response.status_code}, {response.text}') - def del_business(self,data): + def del_business(self, data): '''' 接口地址 https://console-docs.apipost.cn/preview/fce869601d0be1d9/9a637c2f9ed0c589?target_id=d3cafcbf-a68c-42b3-b105-7bbd0e95a9cd @@ -603,26 +785,26 @@ class EtaReader(): } ''' today = datetime.date.today().strftime("%Y-%m-%d") - - # 定义你的headers，这里可以包含多个参数 - self.headers = { - 'nonce': self.signature.nonce, # 例如，一个认证令牌 - 'timestamp': str(self.signature.timestamp), # 自定义的header参数 + + # 定义你的headers，这里可以包含多个参数 + self.headers = { + 'nonce': self.signature.nonce, # 例如，一个认证令牌 + # 自定义的header参数 + 'timestamp': str(self.signature.timestamp), 'appid': self.signature.APPID, # 另一个自定义的header参数 'signature': self.signature.signature } - # 发送post请求 上传数据 - response = requests.post(self.edbbusinessurl, headers=self.headers,data=json.dumps(data)) + response = requests.post( + self.edbbusinessurl, headers=self.headers, data=json.dumps(data)) - - # 检查响应状态码 - if response.status_code == 200: + # 检查响应状态码 + if response.status_code == 200: data = response.json() # 假设接口返回的是JSON数据 - + logger.info('删除成功，响应为：', data) - + else: # 请求失败，打印错误信息 logger.info(f'Error: {response.status_code}, {response.text}') @@ -634,6 +816,7 @@ class BinanceAPI: ''' 获取 Binance API 请求头签名 ''' + def __init__(self, APPID, SECRET): self.APPID = APPID self.SECRET = SECRET @@ -641,7 +824,8 @@ class BinanceAPI: # 生成随机字符串作为 nonce def generate_nonce(self, length=32): - self.nonce = ''.join(random.choices(string.ascii_letters + string.digits, k=length)) + self.nonce = ''.join(random.choices( + string.ascii_letters + string.digits, k=length)) return self.nonce # 获取当前时间戳（秒） @@ -664,7 +848,8 @@ class BinanceAPI: self.signature = self.calculate_signature(self.SECRET, self.sign_str) # return self.signature -### 日志配置 +# 日志配置 + # 创建日志目录（如果不存在） log_dir = 'logs' @@ -676,8 +861,10 @@ logger = logging.getLogger('pricepredict') logger.setLevel(logging.INFO) # 配置文件处理器，将日志记录到文件 -file_handler = logging.handlers.RotatingFileHandler(os.path.join(log_dir, 'pricepredict.log'), maxBytes=1024 * 1024, backupCount=5) -file_handler.setFormatter(logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')) +file_handler = logging.handlers.RotatingFileHandler(os.path.join( + log_dir, 'pricepredict.log'), maxBytes=1024 * 1024, backupCount=5) +file_handler.setFormatter(logging.Formatter( + '%(asctime)s - %(name)s - %(levelname)s - %(message)s')) # 配置控制台处理器，将日志打印到控制台 console_handler = logging.StreamHandler() @@ -688,57 +875,57 @@ logger.addHandler(file_handler) logger.addHandler(console_handler) - # eta 接口url -sourcelisturl = 'http://10.189.2.78:8108/v1/edb/source/list' +sourcelisturl = 'http://10.189.2.78:8108/v1/edb/source/list' classifylisturl = 'http://10.189.2.78:8108/v1/edb/classify/list?ClassifyType=' uniquecodedataurl = 'http://10.189.2.78:8108/v1/edb/data?UniqueCode=4991c37becba464609b409909fe4d992&StartDate=2024-02-01' classifyidlisturl = 'http://10.189.2.78:8108/v1/edb/list?ClassifyId=' edbcodedataurl = 'http://10.189.2.78:8108/v1/edb/data?EdbCode=' -edbdatapushurl = 'http://10.189.2.78:8108/v1/edb/push' -edbdeleteurl = 'http://10.189.2.78:8108/v1/edb/business/edb/del' -edbbusinessurl = 'http://10.189.2.78:8108/v1/edb/business/data/del' -edbcodelist = ['CO1 Comdty', 'ovx index', 'C2404194834', 'C2404199738', 'dxy curncy', 'C2403128043', 'C2403150124', - 'DOESCRUD Index', 'WTRBM1 EEGC Index', 'FVHCM1 INDEX', 'doedtprd index', 'CFFDQMMN INDEX', - 'C2403083739', 'C2404167878', 'C2403250571', 'lmcads03 lme comdty', 'GC1 COMB Comdty', - 'C2404171822','C2404167855', - # 'W000825','W000826','G.IPE', # 美国汽柴油 - # 'S5131019','ID00135604','FSGAM1 Index','S5120408','ID00136724', # 新加坡汽柴油 - ] +edbdatapushurl = 'http://10.189.2.78:8108/v1/edb/push' +edbdeleteurl = 'http://10.189.2.78:8108/v1/edb/business/edb/del' +edbbusinessurl = 'http://10.189.2.78:8108/v1/edb/business/data/del' +edbcodelist = [ + # 'CO1 Comdty', 'ovx index', 'C2404194834', 'C2404199738', 'dxy curncy', 'C2403128043', 'C2403150124', + # 'DOESCRUD Index', 'WTRBM1 EEGC Index', 'FVHCM1 INDEX', 'doedtprd index', 'CFFDQMMN INDEX', + # 'C2403083739', 'C2404167878', 'C2403250571', 'lmcads03 lme comdty', 'GC1 COMB Comdty', + # 'C2404171822', 'C2404167855', + # 'W000825','W000826','G.IPE', # 美国汽柴油 + # 'S5131019','ID00135604','FSGAM1 Index','S5120408','ID00136724', # 新加坡汽柴油 +] # eta自有数据指标编码 modelsindex = { - 'NHITS': 'SELF0000001', - 'Informer':'SELF0000057', - 'LSTM':'SELF0000058', - 'iTransformer':'SELF0000059', - 'TSMixer':'SELF0000060', - 'TSMixerx':'SELF0000061', - 'PatchTST':'SELF0000062', - 'RNN':'SELF0000063', - 'GRU':'SELF0000064', - 'TCN':'SELF0000065', - 'BiTCN':'SELF0000066', - 'DilatedRNN':'SELF0000067', - 'MLP':'SELF0000068', - 'DLinear':'SELF0000069', - 'NLinear':'SELF0000070', - 'TFT':'SELF0000071', - 'FEDformer':'SELF0000072', - 'StemGNN':'SELF0000073', - 'MLPMultivariate':'SELF0000074', - 'TiDE':'SELF0000075', - 'DeepNPTS':'SELF0000076' - } + # 'NHITS': 'SELF0000001', + # 'Informer': 'SELF0000057', + # 'LSTM': 'SELF0000058', + # 'iTransformer': 'SELF0000059', + # 'TSMixer': 'SELF0000060', + # 'TSMixerx': 'SELF0000061', + # 'PatchTST': 'SELF0000062', + # 'RNN': 'SELF0000063', + # 'GRU': 'SELF0000064', + # 'TCN': 'SELF0000065', + # 'BiTCN': 'SELF0000066', + # 'DilatedRNN': 'SELF0000067', + # 'MLP': 'SELF0000068', + # 'DLinear': 'SELF0000069', + # 'NLinear': 'SELF0000070', + # 'TFT': 'SELF0000071', + # 'FEDformer': 'SELF0000072', + # 'StemGNN': 'SELF0000073', + # 'MLPMultivariate': 'SELF0000074', + # 'TiDE': 'SELF0000075', + # 'DeepNPTS': 'SELF0000076' +} edbcodelist = edbcodelist+list(modelsindex.values()) -### 文件 -data_set = '历史预测结果.xlsx' # 数据集文件 +# 文件 +data_set = '沥青eta数据.xlsx' # 数据集文件 # data_set = 'INE_OIL(1).csv' -### 文件夹 -dataset = 'yuanyoudataset' # 数据集文件夹 +# 文件夹 +dataset = 'yuanyoudataset' # 数据集文件夹 # eta 接口token @@ -754,4 +941,10 @@ etadata = EtaReader(signature=signature, edbdeleteurl=edbdeleteurl, edbbusinessurl=edbbusinessurl, ) -df_zhibiaoshuju, df_zhibiaoliebiao = etadata.get_eta_api_yuanyou_data(data_set=data_set, dataset=dataset) # 原始数据，未处理 \ No newline at end of file +df_zhibiaoshuju, df_zhibiaoliebiao = etadata.get_eta_api_chengpinyou_data( + data_set=data_set, dataset=dataset) # 原始数据，未处理 + +# 保存到xlsx文件的sheet表 +with pd.ExcelWriter(os.path.join(data_set)) as file: + df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False) + df_zhibiaoliebiao.to_excel(file, sheet_name='指标列表', index=False) diff --git a/成品油eta数据.xlsx b/成品油eta数据.xlsx new file mode 100644 index 0000000..6d0a121 Binary files /dev/null and b/成品油eta数据.xlsx differ diff --git a/沥青eta数据.xlsx b/沥青eta数据.xlsx new file mode 100644 index 0000000..40c6d35 Binary files /dev/null and b/沥青eta数据.xlsx differ