liurui/PriceForecast
Template
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

石油焦铝用日度预测调试完成

Browse Source
This commit is contained in:
workpc 2025-03-25 10:38:29 +08:00
parent 313e9e229d
commit 5191ff7c69
12 changed files with 1138 additions and 254 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

18
aisenzhecode/沥青/沥青定性模型每日推送-ytj.ipynb
View File

@ -18,10 +18,22 @@
"import numpy as np\n", "import numpy as np\n",
"# 变量定义\n", "# 变量定义\n",
"login_url = \"http://10.200.32.39/jingbo-api/api/server/login\"\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", "upload_url = \"http://10.200.32.39/jingbo-api/api/dw/dataValue/pushDataValueList\"\n",
"\n", "\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", "login_data = {\n",
" \"data\": {\n", " \"data\": {\n",
" \"account\": \"api_dev\",\n", " \"account\": \"api_dev\",\n",
@ -844,7 +856,7 @@
" # headers1 = {\"Authorization\": token_push}\n", " # headers1 = {\"Authorization\": token_push}\n",
" # res = requests.post(url=upload_url, headers=headers1, json=data1, timeout=(3, 5))\n", " # res = requests.post(url=upload_url, headers=headers1, json=data1, timeout=(3, 5))\n",
" \n", " \n",
" \n", "\n",
"\n", "\n",
"\n", "\n",
"\n", "\n",
@ -960,8 +972,6 @@
" # 保存新的xls文件\n", " # 保存新的xls文件\n",
" new_workbook.save(\"定性模型数据项12-11.xlsx\")\n", " new_workbook.save(\"定性模型数据项12-11.xlsx\")\n",
"\n", "\n",
"\n",
"\n",
"\n" "\n"
] ]
}, },

2
aisenzhecode/沥青/沥青定量价格预测每日推送-ytj.ipynb
View File

@ -2,7 +2,7 @@
"cells": [ "cells": [
{ {
"cell_type": "code", "cell_type": "code",
"execution_count": 3, "execution_count": null,
"metadata": {}, "metadata": {},
"outputs": [ "outputs": [
{ {

BIN
aisenzhecode/液化石油气/化工品价格预测准确率.xlsx Normal file
View File

Binary file not shown.

2
aisenzhecode/聚合级丙烯/丙烯价格预测yij.ipynb
View File

@ -2,7 +2,7 @@
"cells": [ "cells": [
{ {
"cell_type": "code", "cell_type": "code",
"execution_count": 27, "execution_count": null,
"metadata": {}, "metadata": {},
"outputs": [ "outputs": [
{ {

320
config_shiyoujiao.py Normal file
View File

@ -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)

22
config_shiyoujiao_lvyong.py
View File

@ -143,7 +143,7 @@ modelsindex = {
} }
# 百川数据指标编码 # 百川数据指标编码
baicangidnamedict = { baichuanidnamedict = {
'1588348470396480000': '石油焦滨州-友泰', '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-海科瑞林',
'1588348470396480000.00': '石油焦东营-华联2', '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 # 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 = { data = {
"IndexCode": "", "IndexCode": "",
@ -272,14 +274,14 @@ push_data_value_list_data = {
} }
# 八大维度数据项编码 # 八大维度数据项编码
bdwd_items = { bdwd_items = {
# 'ciri': 'yyycbdwdcr', 'ciri': 'syjlyycbdwdcr',
# 'benzhou': 'yyycbdwdbz', 'benzhou': 'syjlyycbdwdbz',
# 'cizhou': 'yyycbdwdcz', 'cizhou': 'syjlyycbdwdcz',
# 'gezhou': 'yyycbdwdgz', 'gezhou': 'syjlyycbdwdgz',
# 'ciyue': 'yyycbdwdcy', 'ciyue': 'syjlyycbdwdcy',
# 'cieryue': 'yyycbdwdcey', 'cieryue': 'syjlyycbdwdcey',
# 'cisanyue': 'yyycbdwdcsy', 'cisanyue': 'syjlyycbdwdcsy',
# 'cisiyue': 'yyycbdwdcsiy', 'cisiyue': 'syjlyycbdwdcsiy',
} }
# 北京环境数据库 # 北京环境数据库
@ -326,7 +328,7 @@ if add_kdj and is_edbnamelist:
edbnamelist = edbnamelist+['K', 'D', 'J'] edbnamelist = edbnamelist+['K', 'D', 'J']
# 模型参数 # 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 = [ avg_cols = [
] ]

40
lib/dataread.py
View File

@ -57,6 +57,7 @@ global_config = {
'y': None, # 目标变量列名 'y': None, # 目标变量列名
'is_fivemodels': None, 'is_fivemodels': None,
'weight_dict': None, 'weight_dict': None,
'baicangidnamedict': None, # 百川id名称映射
# 模型参数 # 模型参数
'data_set': None, # 数据集名称 'data_set': None, # 数据集名称
@ -120,6 +121,8 @@ global_config = {
# 数据库配置 # 数据库配置
'sqlitedb': None, 'sqlitedb': None,
'db_mysql': None,
'baichuan_table_name': None,
} }
# 定义函数 # 定义函数
@ -1199,6 +1202,8 @@ class Config:
# 数据库配置 # 数据库配置
@property @property
def sqlitedb(self): return global_config['sqlitedb'] def sqlitedb(self): return global_config['sqlitedb']
@property
def db_mysql(self): return global_config['db_mysql']
config = Config() config = Config()
@ -2213,3 +2218,38 @@ def addtimecharacteristics(df, dataset):
df.drop(columns=['quarter_start', 'quarter'], inplace=True) 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) df.to_csv(os.path.join(dataset, '指标数据添加时间特征.csv'), index=False)
return df 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

301
main_shiyoujiao.py Normal file
View File

@ -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()

18
main_shiyoujiao_lvyong.py
View File

@ -18,6 +18,7 @@ global_config.update({
'is_fivemodels': is_fivemodels, 'is_fivemodels': is_fivemodels,
'settings': settings, 'settings': settings,
'weight_dict': weight_dict, 'weight_dict': weight_dict,
'baichuanidnamedict': baichuanidnamedict,
# 模型参数 # 模型参数
@ -72,11 +73,14 @@ global_config.update({
'edbdatapushurl': edbdatapushurl, 'edbdatapushurl': edbdatapushurl,
'edbdeleteurl': edbdeleteurl, 'edbdeleteurl': edbdeleteurl,
'edbbusinessurl': edbbusinessurl, 'edbbusinessurl': edbbusinessurl,
'edbcodenamedict': edbcodenamedict,
'ClassifyId': ClassifyId, 'ClassifyId': ClassifyId,
'classifylisturl': classifylisturl, 'classifylisturl': classifylisturl,
# 数据库配置 # 数据库配置
'sqlitedb': sqlitedb, 'sqlitedb': sqlitedb,
'db_mysql': db_mysql,
'baichuan_table_name': baichuan_table_name,
}) })
@ -173,6 +177,7 @@ def predict_main():
返回: 返回:
None None
""" """
end_time = global_config['end_time'] end_time = global_config['end_time']
# 获取数据 # 获取数据
if is_eta: if is_eta:
@ -206,6 +211,19 @@ def predict_main():
except: except:
logger.info('最高最低价拼接失败') 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 # 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:
df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False) df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False)

475
test/ETA获取数据.py
View File

@ -11,9 +11,11 @@ import logging.handlers
import os import os
import re import re
import requests import requests
import json
class EtaReader(): 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。 初始化 EtaReader 类的实例。
@ -39,17 +41,16 @@ class EtaReader():
self.edbdeleteurl = edbdeleteurl self.edbdeleteurl = edbdeleteurl
self.edbbusinessurl = edbbusinessurl 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 指标名称保留规则
''' '''
# 包含 关键词 去除， 返回flase # 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', 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', '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', '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']): '连7-连9', '4周平均', '4周均值', '滚动相关性', '日本']):
return False return False
# 检查需要的特征 # 检查需要的特征
@ -59,7 +60,7 @@ class EtaReader():
# 保留 库存中特殊关键词 # 保留 库存中特殊关键词
if ClassifyName == '库存': 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 return True
else: else:
pass pass
@ -77,8 +78,8 @@ class EtaReader():
# 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 ClassifyName == '需求':
if '航班' in data : if '航班' in data:
if '中国' in data or '美国' in data : if '中国' in data or '美国' in data:
return True return True
else: else:
return False return False
@ -95,7 +96,7 @@ class EtaReader():
c = int(data.split('c1-c')[1]) c = int(data.split('c1-c')[1])
except: except:
return False return False
if c > 9 : if c > 9:
return False return False
else: else:
pass pass
@ -104,23 +105,23 @@ class EtaReader():
pass pass
# 判断 同质性数据， 字符串开头 # 判断 同质性数据， 字符串开头
strstartdict = {'ICE Brent c':"ICE Brent c14", strstartdict = {'ICE Brent c': "ICE Brent c14",
'NYMWX WTI c':"NYMWX WTI c5", 'NYMWX WTI c': "NYMWX WTI c5",
'INE SC c':"INE SC c1", 'INE SC c': "INE SC c1",
'EFS c':"EFS c", 'EFS c': "EFS c",
'Dubai Swap c':"Dubai Swap c1", 'Dubai Swap c': "Dubai Swap c1",
'Oman Swap c':"Oman Swap c1", 'Oman Swap c': "Oman Swap c1",
'DME Oman c':"DME Oman c1", 'DME Oman c': "DME Oman c1",
'Murban Futures c':"Murban Futures c1", 'Murban Futures c': "Murban Futures c1",
'Dubai连合约价格':'Dubai连1合约价格', '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', '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', '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', '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', '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', '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', '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',
'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 # 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) match = re.match(r'([a-zA-Z\s]+)(\d+)', data)
@ -135,7 +136,7 @@ class EtaReader():
# data = 'Brent 连7合约价格' # 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 # 判断名称字符串去掉数字后是否在 strstartdict.keys中
match = re.findall(r'\D+', data) match = re.findall(r'\D+', data)
if match : if match:
if len(match) == 2: if len(match) == 2:
part1 = match[0] part1 = match[0]
part2 = match[1] part2 = match[1]
@ -166,7 +167,7 @@ class EtaReader():
return True return True
def filter_pp_data(self,ClassifyName,data): def filter_pp_data(self, ClassifyName, data):
''' '''
指标名称保留规则 指标名称保留规则
''' '''
@ -181,8 +182,6 @@ class EtaReader():
if any(keyword in data for keyword in ['拉丝']): if any(keyword in data for keyword in ['拉丝']):
return True 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 # 去掉 期货市场 分类下的数据
if ClassifyName == '期货市场': if ClassifyName == '期货市场':
@ -214,18 +213,16 @@ class EtaReader():
else: else:
pass pass
# 保留 需求 下所有指标 # 保留 需求 下所有指标
if ClassifyName == '需求': if ClassifyName == '需求':
return True return True
else: else:
pass pass
return True return True
# 通过edbcode 获取指标数据 # 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 # 根据指标id，获取指标数据
url = self.edbcodedataurl+str(EdbCode) url = self.edbcodedataurl+str(EdbCode)
# 发送GET请求 # 发送GET请求
@ -236,7 +233,8 @@ class EtaReader():
data = response.json() # 假设接口返回的是JSON数据 data = response.json() # 假设接口返回的是JSON数据
all_data_items = data.get('Data') all_data_items = data.get('Data')
# 列表转换为DataFrame # 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') # df3 = pd.read_json(all_data_items, orient='records')
# 去掉UpdateTime 列 # 去掉UpdateTime 列
@ -244,7 +242,8 @@ class EtaReader():
# df3.set_index('DataTime') # df3.set_index('DataTime')
df3.rename(columns={'Value': EdbName}, inplace=True) df3.rename(columns={'Value': EdbName}, inplace=True)
# 将数据存储df1 # 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 # 按时间排序
df = df.sort_values(by='DataTime', ascending=True) df = df.sort_values(by='DataTime', ascending=True)
return df return df
@ -255,7 +254,7 @@ class EtaReader():
# 主动抛出异常 # 主动抛出异常
raise Exception(f'Error: {response.status_code}, {response.text}') 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 从ETA API获取原油数据
@ -271,7 +270,8 @@ class EtaReader():
# 定义你的headers，这里可以包含多个参数 # 定义你的headers，这里可以包含多个参数
self.headers = { self.headers = {
'nonce': self.signature.nonce, # 例如，一个认证令牌 'nonce': self.signature.nonce, # 例如，一个认证令牌
'timestamp': str(self.signature.timestamp), # 自定义的header参数 # 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 'appid': self.signature.APPID, # 另一个自定义的header参数
'signature': self.signature.signature 'signature': self.signature.signature
} }
@ -285,16 +285,16 @@ class EtaReader():
''' '''
# 构建新的DataFrame df df1 # 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']) df1 = pd.DataFrame(columns=['DataTime'])
# 外网环境无法访问，请确认是否为内网环境 # 外网环境无法访问，请确认是否为内网环境
try: try:
# 发送GET请求 获取指标分类列表 # 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: 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 # 检查响应状态码
if response.status_code == 200: if response.status_code == 200:
@ -304,19 +304,20 @@ class EtaReader():
# 请求成功，处理响应内容 # 请求成功，处理响应内容
# logger.info(data.get('Data')) # logger.info(data.get('Data'))
# 定义你想要保留的固定值 # 定义你想要保留的固定值
fixed_value = 1214 fixed_value = 1193
# 遍历列表，只保留那些'category' key的值为固定值的数据项 # 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] 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 # 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 n = 0
for item in filtered_data: for item in filtered_data:
n+= 1 n += 1
# if n>50: # if n>50:
# break # break
ClassifyId = item["ClassifyId"] #分类id，分类下的指标列表接口的请求参数 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 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 # 根据分类id，获取指标列表
url = self.classifyidlisturl+str(ClassifyId) url = self.classifyidlisturl+str(ClassifyId)
response = requests.get(url, headers=self.headers) response = requests.get(url, headers=self.headers)
@ -327,12 +328,13 @@ class EtaReader():
for i in Data: for i in Data:
# s+= 1 # s+= 1
EdbCode = i.get('EdbCode') 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 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 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 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 # 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 continue
# 只保留手工数据中，名称带有 海运出口 海运进口 # 只保留手工数据中，名称带有 海运出口 海运进口
@ -343,44 +345,53 @@ class EtaReader():
if Source == 2: if Source == 2:
continue continue
# 判断名称是否需要保存 # 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: if isSave:
# 保存到df # 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 # 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() edbname_df = edbname_df.dropna()
if len(edbname_df) == 0: if len(edbname_df) == 0:
logger.info(f'指标名称：{EdbName} 没有数据') logger.info(f'指标名称：{EdbName} 没有数据')
continue continue
try: try:
time_sequence = edbname_df['DataTime'].values.tolist()[-10:] time_sequence = edbname_df['DataTime'].values.tolist(
)[-10:]
except IndexError: 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 # 使用Counter来统计每个星期几的出现次数
from collections import Counter 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 # 打印出现次数最多的星期几
try: 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 # 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") warning_date = (datetime.datetime.strptime(
stop_update_period = (datetime.datetime.strptime(today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days // 7 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: except IndexError:
most_common_weekday = '其他' most_common_weekday = '其他'
stop_update_period = 0 stop_update_period = 0
if '日' in Frequency: if '日' in Frequency:
most_common_weekday = '每天' most_common_weekday = '每天'
warning_date = (datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d") + datetime.timedelta(days=3)).strftime("%Y-%m-%d") warning_date = (datetime.datetime.strptime(
stop_update_period = (datetime.datetime.strptime(today, "%Y-%m-%d") - datetime.datetime.strptime(time_sequence[-1], "%Y-%m-%d")).days 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 # 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]) 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.merge(df, df2, how='outer')
df = pd.concat([df, df2]) df = pd.concat([df, df2])
@ -388,7 +399,8 @@ class EtaReader():
logger.info(f'跳过指标 {EdbName}') 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 # 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) logger.info(new_list)
# 遍历new_list，获取指标数据，保存到df1 # 遍历new_list，获取指标数据，保存到df1
for item in new_list: for item in new_list:
@ -399,33 +411,196 @@ class EtaReader():
except: except:
itemname = item itemname = item
df1 = self.edbcodegetdata(df1,item,itemname) 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])]) 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 # 按时间排序
df1.sort_values('DataTime',inplace=True,ascending=False) df1.sort_values('DataTime', inplace=True, ascending=False)
df1.rename(columns={'DataTime': 'date'},inplace=True) df1.rename(columns={'DataTime': 'date'}, inplace=True)
# df1.dropna(inplace=True) # df1.dropna(inplace=True)
# 去掉大于今天日期的行 # 去掉大于今天日期的行
df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')] df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')]
logger.info(df1.head()) logger.info(df1.head())
# logger.info(f'{df1.head()}') # logger.info(f'{df1.head()}')
# 保存到xlsx文件的sheet表 # 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) 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.to_excel(file, sheet_name='指标列表', index=False)
df_zhibiaoshuju = df1.copy() df_zhibiaoshuju = df1.copy()
df_zhibiaoliebiao = df.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 global ClassifyId
today = datetime.date.today().strftime("%Y-%m-%d") today = datetime.date.today().strftime("%Y-%m-%d")
# 定义你的headers，这里可以包含多个参数 # 定义你的headers，这里可以包含多个参数
self.headers = { self.headers = {
'nonce': self.signature.nonce, # 例如，一个认证令牌 'nonce': self.signature.nonce, # 例如，一个认证令牌
'timestamp': str(self.signature.timestamp), # 自定义的header参数 # 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 'appid': self.signature.APPID, # 另一个自定义的header参数
'signature': self.signature.signature 'signature': self.signature.signature
} }
@ -442,13 +617,12 @@ class EtaReader():
df = pd.DataFrame(columns=['指标分类', '指标名称', '指标id', '频度']) df = pd.DataFrame(columns=['指标分类', '指标名称', '指标id', '频度'])
df1 = pd.DataFrame(columns=['DataTime']) df1 = pd.DataFrame(columns=['DataTime'])
# 外网环境无法访问，请确认是否为内网环境 # 外网环境无法访问，请确认是否为内网环境
try: try:
# 发送GET请求 获取指标分类列表 # 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: 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 # 检查响应状态码
if response.status_code == 200: if response.status_code == 200:
@ -461,16 +635,17 @@ class EtaReader():
fixed_value = ClassifyId fixed_value = ClassifyId
# 遍历列表，只保留那些'category' key的值为固定值的数据项 # 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] 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 # 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 n = 0
for item in filtered_data: for item in filtered_data:
n+= 1 n += 1
# if n>50: # if n>50:
# break # break
ClassifyId = item["ClassifyId"] #分类id，分类下的指标列表接口的请求参数 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 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 # 根据分类id，获取指标列表
url = self.classifyidlisturl+str(ClassifyId) url = self.classifyidlisturl+str(ClassifyId)
response = requests.get(url, headers=self.headers) response = requests.get(url, headers=self.headers)
@ -481,27 +656,30 @@ class EtaReader():
for i in Data: for i in Data:
# s+= 1 # s+= 1
EdbCode = i.get('EdbCode') 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 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 # 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 continue
# 判断名称是否需要保存 # 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: if isSave:
# 保存到df # 保存到df
# 保存频度 指标名称 分类 指标id 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]) 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.merge(df, df2, how='outer')
df = pd.concat([df, df2]) df = pd.concat([df, df2])
df1 = self.edbcodegetdata(df1,EdbCode,EdbName) df1 = self.edbcodegetdata(df1, EdbCode, EdbName)
else: else:
logger.info(f'跳过指标 {EdbName}') 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 # 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) logger.info(new_list)
# 遍历new_list，获取指标数据，保存到df1 # 遍历new_list，获取指标数据，保存到df1
for item in new_list: for item in new_list:
@ -512,41 +690,44 @@ class EtaReader():
except: except:
itemname = item itemname = item
df1 = self.edbcodegetdata(df1,item,itemname) 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])]) 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 # 按时间排序
df1.sort_values('DataTime',inplace=True,ascending=False) df1.sort_values('DataTime', inplace=True, ascending=False)
df1.rename(columns={'DataTime': 'date'},inplace=True) df1.rename(columns={'DataTime': 'date'}, inplace=True)
# df1.dropna(inplace=True) # df1.dropna(inplace=True)
# 去掉大于今天日期的行 # 去掉大于今天日期的行
df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')] df1 = df1[df1['date'] <= datetime.datetime.now().strftime('%Y-%m-%d')]
logger.info(df1.head()) logger.info(df1.head())
# logger.info(f'{df1.head()}') # logger.info(f'{df1.head()}')
# 保存到xlsx文件的sheet表 # 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) 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.to_excel(file, sheet_name='指标列表', index=False)
df_zhibiaoshuju = df1.copy() df_zhibiaoshuju = df1.copy()
df_zhibiaoliebiao = df.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") today = datetime.date.today().strftime("%Y-%m-%d")
# 定义你的headers，这里可以包含多个参数 # 定义你的headers，这里可以包含多个参数
self.headers = { self.headers = {
'nonce': self.signature.nonce, # 例如，一个认证令牌 'nonce': self.signature.nonce, # 例如，一个认证令牌
'timestamp': str(self.signature.timestamp), # 自定义的header参数 # 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 'appid': self.signature.APPID, # 另一个自定义的header参数
'signature': self.signature.signature 'signature': self.signature.signature
} }
# 发送post请求 上传数据 # 发送post请求 上传数据
logger.info('请求参数：',data) logger.info('请求参数：', data)
response = requests.post(self.edbdatapushurl, headers=self.headers,data=json.dumps(data)) response = requests.post(
self.edbdatapushurl, headers=self.headers, data=json.dumps(data))
# 检查响应状态码 # 检查响应状态码
if response.status_code == 200: if response.status_code == 200:
@ -560,23 +741,24 @@ class EtaReader():
# 主动抛出异常 # 主动抛出异常
raise Exception(f'Error: {response.status_code}, {response.text}') 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") today = datetime.date.today().strftime("%Y-%m-%d")
# 定义你的headers，这里可以包含多个参数 # 定义你的headers，这里可以包含多个参数
self.headers = { self.headers = {
'nonce': self.signature.nonce, # 例如，一个认证令牌 'nonce': self.signature.nonce, # 例如，一个认证令牌
'timestamp': str(self.signature.timestamp), # 自定义的header参数 # 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 'appid': self.signature.APPID, # 另一个自定义的header参数
'signature': self.signature.signature 'signature': self.signature.signature
} }
data = { 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 # 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 # 检查响应状态码
if response.status_code == 200: if response.status_code == 200:
@ -590,7 +772,7 @@ class EtaReader():
# 主动抛出异常 # 主动抛出异常
raise Exception(f'Error: {response.status_code}, {response.text}') raise Exception(f'Error: {response.status_code}, {response.text}')
def del_business(self,data): def del_business(self, data):
'''' ''''
接口地址 接口地址
https://console-docs.apipost.cn/preview/fce869601d0be1d9/9a637c2f9ed0c589?target_id=d3cafcbf-a68c-42b3-b105-7bbd0e95a9cd https://console-docs.apipost.cn/preview/fce869601d0be1d9/9a637c2f9ed0c589?target_id=d3cafcbf-a68c-42b3-b105-7bbd0e95a9cd
@ -607,15 +789,15 @@ class EtaReader():
# 定义你的headers，这里可以包含多个参数 # 定义你的headers，这里可以包含多个参数
self.headers = { self.headers = {
'nonce': self.signature.nonce, # 例如，一个认证令牌 'nonce': self.signature.nonce, # 例如，一个认证令牌
'timestamp': str(self.signature.timestamp), # 自定义的header参数 # 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 'appid': self.signature.APPID, # 另一个自定义的header参数
'signature': self.signature.signature 'signature': self.signature.signature
} }
# 发送post请求 上传数据 # 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 # 检查响应状态码
if response.status_code == 200: if response.status_code == 200:
@ -634,6 +816,7 @@ class BinanceAPI:
''' '''
获取 Binance API 请求头签名 获取 Binance API 请求头签名
''' '''
def __init__(self, APPID, SECRET): def __init__(self, APPID, SECRET):
self.APPID = APPID self.APPID = APPID
self.SECRET = SECRET self.SECRET = SECRET
@ -641,7 +824,8 @@ class BinanceAPI:
# 生成随机字符串作为 nonce # 生成随机字符串作为 nonce
def generate_nonce(self, length=32): 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 return self.nonce
# 获取当前时间戳（秒） # 获取当前时间戳（秒）
@ -664,7 +848,8 @@ class BinanceAPI:
self.signature = self.calculate_signature(self.SECRET, self.sign_str) self.signature = self.calculate_signature(self.SECRET, self.sign_str)
# return self.signature # return self.signature
### 日志配置 # 日志配置
# 创建日志目录（如果不存在） # 创建日志目录（如果不存在）
log_dir = 'logs' log_dir = 'logs'
@ -676,8 +861,10 @@ logger = logging.getLogger('pricepredict')
logger.setLevel(logging.INFO) logger.setLevel(logging.INFO)
# 配置文件处理器，将日志记录到文件 # 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 = logging.handlers.RotatingFileHandler(os.path.join(
file_handler.setFormatter(logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')) 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 # 配置控制台处理器，将日志打印到控制台
console_handler = logging.StreamHandler() console_handler = logging.StreamHandler()
@ -688,7 +875,6 @@ logger.addHandler(file_handler)
logger.addHandler(console_handler) logger.addHandler(console_handler)
# eta 接口url # 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=' classifylisturl = 'http://10.189.2.78:8108/v1/edb/classify/list?ClassifyType='
@ -698,46 +884,47 @@ edbcodedataurl = 'http://10.189.2.78:8108/v1/edb/data?EdbCode='
edbdatapushurl = 'http://10.189.2.78:8108/v1/edb/push' edbdatapushurl = 'http://10.189.2.78:8108/v1/edb/push'
edbdeleteurl = 'http://10.189.2.78:8108/v1/edb/business/edb/del' edbdeleteurl = 'http://10.189.2.78:8108/v1/edb/business/edb/del'
edbbusinessurl = 'http://10.189.2.78:8108/v1/edb/business/data/del' edbbusinessurl = 'http://10.189.2.78:8108/v1/edb/business/data/del'
edbcodelist = ['CO1 Comdty', 'ovx index', 'C2404194834', 'C2404199738', 'dxy curncy', 'C2403128043', 'C2403150124', edbcodelist = [
'DOESCRUD Index', 'WTRBM1 EEGC Index', 'FVHCM1 INDEX', 'doedtprd index', 'CFFDQMMN INDEX', # 'CO1 Comdty', 'ovx index', 'C2404194834', 'C2404199738', 'dxy curncy', 'C2403128043', 'C2403150124',
'C2403083739', 'C2404167878', 'C2403250571', 'lmcads03 lme comdty', 'GC1 COMB Comdty', # 'DOESCRUD Index', 'WTRBM1 EEGC Index', 'FVHCM1 INDEX', 'doedtprd index', 'CFFDQMMN INDEX',
'C2404171822','C2404167855', # 'C2403083739', 'C2404167878', 'C2403250571', 'lmcads03 lme comdty', 'GC1 COMB Comdty',
# 'C2404171822', 'C2404167855',
# 'W000825','W000826','G.IPE', # 美国汽柴油 # 'W000825','W000826','G.IPE', # 美国汽柴油
# 'S5131019','ID00135604','FSGAM1 Index','S5120408','ID00136724', # 新加坡汽柴油 # 'S5131019','ID00135604','FSGAM1 Index','S5120408','ID00136724', # 新加坡汽柴油
] ]
# eta自有数据指标编码 # eta自有数据指标编码
modelsindex = { modelsindex = {
'NHITS': 'SELF0000001', # 'NHITS': 'SELF0000001',
'Informer':'SELF0000057', # 'Informer': 'SELF0000057',
'LSTM':'SELF0000058', # 'LSTM': 'SELF0000058',
'iTransformer':'SELF0000059', # 'iTransformer': 'SELF0000059',
'TSMixer':'SELF0000060', # 'TSMixer': 'SELF0000060',
'TSMixerx':'SELF0000061', # 'TSMixerx': 'SELF0000061',
'PatchTST':'SELF0000062', # 'PatchTST': 'SELF0000062',
'RNN':'SELF0000063', # 'RNN': 'SELF0000063',
'GRU':'SELF0000064', # 'GRU': 'SELF0000064',
'TCN':'SELF0000065', # 'TCN': 'SELF0000065',
'BiTCN':'SELF0000066', # 'BiTCN': 'SELF0000066',
'DilatedRNN':'SELF0000067', # 'DilatedRNN': 'SELF0000067',
'MLP':'SELF0000068', # 'MLP': 'SELF0000068',
'DLinear':'SELF0000069', # 'DLinear': 'SELF0000069',
'NLinear':'SELF0000070', # 'NLinear': 'SELF0000070',
'TFT':'SELF0000071', # 'TFT': 'SELF0000071',
'FEDformer':'SELF0000072', # 'FEDformer': 'SELF0000072',
'StemGNN':'SELF0000073', # 'StemGNN': 'SELF0000073',
'MLPMultivariate':'SELF0000074', # 'MLPMultivariate': 'SELF0000074',
'TiDE':'SELF0000075', # 'TiDE': 'SELF0000075',
'DeepNPTS':'SELF0000076' # 'DeepNPTS': 'SELF0000076'
} }
edbcodelist = edbcodelist+list(modelsindex.values()) edbcodelist = edbcodelist+list(modelsindex.values())
### 文件 # 文件
data_set = '历史预测结果.xlsx' # 数据集文件 data_set = '沥青eta数据.xlsx' # 数据集文件
# data_set = 'INE_OIL(1).csv' # data_set = 'INE_OIL(1).csv'
### 文件夹 # 文件夹
dataset = 'yuanyoudataset' # 数据集文件夹 dataset = 'yuanyoudataset' # 数据集文件夹
@ -754,4 +941,10 @@ etadata = EtaReader(signature=signature,
edbdeleteurl=edbdeleteurl, edbdeleteurl=edbdeleteurl,
edbbusinessurl=edbbusinessurl, 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 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)

BIN
成品油eta数据.xlsx Normal file
View File

Binary file not shown.

BIN
沥青eta数据.xlsx Normal file
View File

Binary file not shown.