根据配置选择报告函数名称

config_juxiting.py

@@ -211,7 +211,7 @@ upload_data = {
 ### 开关
 is_train = True # 是否训练
 is_debug = False # 是否调试
-is_eta = True # 是否使用eta接口
+is_eta = False # 是否使用eta接口
 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

main.py

@@ -106,11 +106,6 @@ def predict_main():
             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',))
 
-
-
-
-
-
     if is_corr:
         df = corr_feature(df=df)
 
@@ -119,25 +114,25 @@ def predict_main():
     row,col = df.shape
     
     now = datetime.datetime.now().strftime('%Y%m%d%H%M%S')
-    ex_Model(df,
+    # ex_Model(df,
-            horizon=horizon,
+    #         horizon=horizon,
-            input_size=input_size,
+    #         input_size=input_size,
-            train_steps=train_steps,
+    #         train_steps=train_steps,
-            val_check_steps=val_check_steps,
+    #         val_check_steps=val_check_steps,
-            early_stop_patience_steps=early_stop_patience_steps,
+    #         early_stop_patience_steps=early_stop_patience_steps,
-            is_debug=is_debug,
+    #         is_debug=is_debug,
-            dataset=dataset,
+    #         dataset=dataset,
-            is_train=is_train,
+    #         is_train=is_train,
-            is_fivemodels=is_fivemodels,
+    #         is_fivemodels=is_fivemodels,
-            val_size=val_size,
+    #         val_size=val_size,
-            test_size=test_size,
+    #         test_size=test_size,
-            settings=settings,
+    #         settings=settings,
-            now=now,
+    #         now=now,
-            etadata = etadata,
+    #         etadata = etadata,
-            modelsindex = modelsindex,
+    #         modelsindex = modelsindex,
-            data = data,
+    #         data = data,
-            is_eta=is_eta,
+    #         is_eta=is_eta,
-            )
+    #         )
 
 
     logger.info('模型训练完成')
@@ -151,10 +146,13 @@ def predict_main():
     
     logger.info('制作报告ing')
     title = f'{settings}--{now}-预测报告' # 报告标题
+    if 'Brent' in y:
         brent_export_pdf(dataset=dataset,num_models = 5 if is_fivemodels else 22,time=end_time,
                 reportname=reportname,sqlitedb=sqlitedb),
-    # pp_export_pdf(dataset=dataset,num_models = 5 if is_fivemodels else 22,time=end_time,
+    else:
-                # reportname=reportname),
+        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')
     

models/nerulforcastmodels.py

@@ -950,6 +950,7 @@ def brent_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inpu
     content.append(Graphs.draw_little_title('一、预测结果：'))
     # 添加历史走势及预测价格的走势图片
     content.append(Graphs.draw_img(os.path.join(dataset,'历史价格-预测值.png')))
+    # 波动率画图逻辑
     content.append(Graphs.draw_text('图示说明：'))
     content.append(Graphs.draw_text('1. 确定波动率置信区间：统计近60个交易日的真实价格波动率，找出在 10% ，90% 的分位值作为波动率置信区间;'))
     content.append(Graphs.draw_text('2. 确定通道上界：在所有模型的预测结果中 <= 前一天真实价格 乘以 90%的置信波动分位数'))
@@ -1393,8 +1394,526 @@ def brent_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inpu
         print(f"请求超时: {e}")
 
         
+def pp_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inputsize=5,dataset='dataset',time = '2024-07-30',reportname='report.pdf',sqlitedb='jbsh_yuanyou.db'):    
+    global y
+    # 创建内容对应的空列表
+    content = list()
+    # 获取特征的近一月值
+    import pandas as pd
+    feature_data_df = pd.read_csv(f'dataset/指标数据添加时间特征.csv', parse_dates=['ds']).tail(20)
+    def draw_feature_trend(feature_data_df, features):
+            # 画特征近一周的趋势图
+            feature_df = feature_data_df[['ds','y']+features]
+            # 遍历X每一列，和yy画散点图 ，
             
-def pp_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inputsize=5,dataset='dataset',time = '2024-07-30',reportname='report.pdf'):    
+            for i, col in enumerate(features):
+                # try:
+                print(f'正在绘制第{i+1}个特征{col}与价格散点图...')
+                if col not in ['ds', 'y']:
+                    fig, ax1 = plt.subplots(figsize=(10, 6))
+                    # 在第一个坐标轴上绘制数据
+                    sns.lineplot(data=feature_df, x='ds', y='y', ax=ax1, color='b')
+                    ax1.set_xlabel('日期')
+                    ax1.set_ylabel('y', color='b')
+                    ax1.tick_params('y', colors='b')
+                    # 在 ax1 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+                    for j in range(1, len(feature_df), 2):
+                        value = feature_df['y'].iloc[j]
+                        date = feature_df['ds'].iloc[j]
+                        offset = 1.001
+                        ax1.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='b', fontsize=10)
+                    # 创建第二个坐标轴
+                    ax2 = ax1.twinx()
+                    # 在第二个坐标轴上绘制数据
+                    sns.lineplot(data=feature_df, x='ds', y=col, ax=ax2, color='r')
+                    ax2.set_ylabel(col, color='r')
+                    ax2.tick_params('y', colors='r')
+                    # 在 ax2 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+                    for j in range(0, len(feature_df), 2):
+                        value = feature_df[col].iloc[j]
+                        date = feature_df['ds'].iloc[j]
+                        offset = 1.0003
+                        ax2.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='r', fontsize=10)
+                    # 添加标题
+                    plt.title(col)
+                    # 设置横坐标为日期格式并自动调整
+                    locator = mdates.AutoDateLocator()
+                    formatter = mdates.AutoDateFormatter(locator)
+                    ax1.xaxis.set_major_locator(locator)
+                    ax1.xaxis.set_major_formatter(formatter)
+                    # 文件名特殊字符处理
+                    col = col.replace('*', '-')
+                    col = col.replace(':', '-')
+                    col = col.replace(r'/', '-')
+                    plt.savefig(os.path.join(dataset, f'{col}与价格散点图.png'))
+                    content.append(Graphs.draw_img(os.path.join(dataset, f'{col}与价格散点图.png')))
+                    plt.close()
+                # except Exception as e:
+                #     print(f'绘制第{i+1}个特征{col}与价格散点图时出错：{e}')
+            
+            
+            
+    ### 添加标题
+    content.append(Graphs.draw_title(f'{y}{time}预测报告'))
+
+    ### 预测结果
+    content.append(Graphs.draw_little_title('一、预测结果：'))
+    # 添加历史走势及预测价格的走势图片
+    content.append(Graphs.draw_img(os.path.join(dataset,'历史价格-预测值.png')))
+    # 根据真实值分组，去掉最高最小预测值画图逻辑
+    content.append(Graphs.draw_text('图示说明：'))
+    content.append(Graphs.draw_text('1. 将所有模型的预测结果进行分组，大于真实值的为一组，小于真实值的为一组，去掉最高的预测值，去掉最小的预测值'))
+    content.append(Graphs.draw_text('2. 确定通道上界：在大于真实值的分组中，取最大的预测值'))
+    content.append(Graphs.draw_text('3. 确定通道下界：在小于真实值的分组中，取第二小的预测值'))
+    content.append(Graphs.draw_text('4. 预测结果没有真实值作为参考依据，通道上界取近20个交易日内预测在上界值的模型对应的预测值，通道下界同理；'))
+    content.append(Graphs.draw_text('5. 预测结果选用近20个交易日内，最多接近真实值的模型的预测值对应的预测结果；'))
+    content.append(Graphs.draw_text('6. 预测结果在通道外的，代表最接近真实值的预测结果不在置信波动范围内。'))
+    # 波动率画图逻辑
+    # content.append(Graphs.draw_text('图示说明：'))
+    # content.append(Graphs.draw_text('1. 确定波动率置信区间：统计近60个交易日的真实价格波动率，找出在 10% ，90% 的分位值作为波动率置信区间;'))
+    # content.append(Graphs.draw_text('2. 确定通道上界：在所有模型的预测结果中 <= 前一天真实价格 乘以 90%的置信波动分位数'))
+    # content.append(Graphs.draw_text('3. 确定通道下界：在所有模型的预测结果中 >= 前一天真实价格 乘以 10%的置信波动分位数'))
+    # content.append(Graphs.draw_text('4. 预测结果没有真实值作为参考依据，通道上界取近20个交易日内预测在上界值的模型对应的预测值，通道下界同理；'))
+    # content.append(Graphs.draw_text('5. 预测结果选用近20个交易日内，最多接近真实值的模型的预测值对应的预测结果；'))
+    # content.append(Graphs.draw_text('6. 预测结果在通道外的，代表最接近真实值的预测结果不在置信波动范围内。'))
+
+
+    # 取df中y列为空的行
+    import pandas as pd
+    df = pd.read_csv(os.path.join(dataset,'predict.csv'),encoding='gbk') 
+    df_true = pd.read_csv(os.path.join(dataset,'指标数据添加时间特征.csv'),encoding='utf-8')  # 获取预测日期对应的真实值
+    df_true = df_true[['ds','y']]
+    eval_df = pd.read_csv(os.path.join(dataset,'model_evaluation.csv'),encoding='utf-8') 
+    # 按评估指标排序，取前五
+    fivemodels_list = eval_df['模型(Model)'].values  # 列表形式，后面当作列名索引使用
+    # 取 fivemodels_list 和 ds 列
+    df = df[['ds'] + fivemodels_list.tolist() ]
+    # 拼接预测日期对应的真实值
+    df = pd.merge(df, df_true, on='ds', how='left')
+    # 删除全部为nan的列
+    df = df.dropna(how='all', axis=1)
+    # 选择除 'ds' 列外的数值列，并进行类型转换和四舍五入
+    num_cols = [col for col in df.columns if col!= 'ds' and pd.api.types.is_numeric_dtype(df[col])]
+    for col in num_cols:
+        df[col] = df[col].astype(float).round(2)
+    # 添加最大值、最小值、平均值三列
+    df['平均值'] = df[num_cols].mean(axis=1).round(2)
+    df['最大值'] = df[num_cols].max(axis=1)
+    df['最小值'] = df[num_cols].min(axis=1)
+    # df转置
+    df = df.T
+    # df重置索引
+    df = df.reset_index()
+    # 添加预测值表格
+    data = df.values.tolist()
+    col_width = 500/len(df.columns)
+    content.append(Graphs.draw_table(col_width,*data))
+    content.append(Graphs.draw_little_title('二、上一预测周期偏差率分析：'))
+    df = pd.read_csv(os.path.join(dataset,'testandpredict_groupby.csv'),encoding='utf-8')
+    df4 = df.copy() # 计算偏差率使用
+    # 计算模型偏差率
+    #计算各列对于y列的差值百分比
+    df3 = pd.DataFrame()  # 存储偏差率
+    
+    # 删除有null的行
+    df4 = df4.dropna()
+    df3['ds'] = df4['ds']
+    for col in fivemodels_list:
+        df3[col] = round(abs(df4[col] - df4['y']) / df4['y'] * 100,2)  
+    # 找出决定系数前五的偏差率
+    df3 = df3[['ds']+fivemodels_list.tolist()][-inputsize:]
+    # 找出上一预测区间的时间
+    stime = df3['ds'].iloc[0]
+    etime = df3['ds'].iloc[-1]
+    # 添加偏差率表格
+    fivemodels = '、'.join(eval_df['模型(Model)'].values[:5]) # 字符串形式，后面写入字符串使用
+    content.append(Graphs.draw_text(f'预测使用了{num_models}个模型进行训练，使用评估结果MAE前五的模型分别是 {fivemodels} ，模型上一预测区间 {stime} -- {etime}的偏差率(%)分别是：'))
+    # # 添加偏差率表格
+    df3 = df3.T
+    df3 = df3.reset_index()
+    data = df3.values.tolist()
+    col_width = 500/len(df3.columns)
+    content.append(Graphs.draw_table(col_width,*data))
+
+
+    content.append(Graphs.draw_little_title('三、预测过程解析：'))
+    ### 特征、模型、参数配置
+    content.append(Graphs.draw_little_title('模型选择：'))
+    content.append(Graphs.draw_text(f'本次预测使用了一个专门收集时间序列的NeuralForecast库中的{num_models}个模型：'))
+    content.append(Graphs.draw_text(f'使用40天的数据预测未来{inputsize}天的数据。'))
+    content.append(Graphs.draw_little_title('指标情况：'))
+    with open(os.path.join(dataset,'特征频度统计.txt'),encoding='utf-8') as f:
+        for line in f.readlines():
+            content.append(Graphs.draw_text(line))
+
+    data = pd.read_csv(os.path.join(dataset,'指标数据添加时间特征.csv'),encoding='utf-8') # 计算相关系数用
+    df_zhibiaofenlei = loadcsv(os.path.join(dataset,'特征处理后的指标名称及分类.csv')) # 气泡图用
+    df_zhibiaoshuju = data.copy()  # 气泡图用
+
+    # 绘制特征相关气泡图
+    
+    grouped = df_zhibiaofenlei.groupby('指标分类')
+    grouped_corr = pd.DataFrame(columns=['指标分类', '指标数量', '相关性总和'])
+    
+    content.append(Graphs.draw_little_title('按指标分类分别与预测目标进行皮尔逊相关系数分析：'))
+    content.append(Graphs.draw_text('''皮尔逊相关系数说明：''')) 
+    content.append(Graphs.draw_text('''衡量两个特征之间的线性相关性。''')) 
+    content.append(Graphs.draw_text('''
+    相关系数为1：表示两个变量之间存在完全正向的线性关系，即当一个变量增加时，另一个变量也相应增加，且变化是完全一致的。''')) 
+    content.append(Graphs.draw_text('''相关系数为-1：表示两个变量之间存在完全负向的线性关系，即当一个变量增加时，另一个变量会相应减少，且变化是完全相反的''')) 
+    content.append(Graphs.draw_text('''相关系数接近0：表示两个变量之间不存在线性关系，即它们的变化不会随着对方的变化而变化。''')) 
+    for name, group in grouped:
+        cols = group['指标名称'].tolist()
+        logger.info(f'开始绘制{name}类指标的相关性直方图')
+        cols_subset = cols
+        feature_names = ['y'] + cols_subset
+        correlation_matrix = df_zhibiaoshuju[feature_names].corr()['y']
+
+        # 绘制特征相关性直方分布图
+        plt.figure(figsize=(10,8))
+        sns.histplot(correlation_matrix.values.flatten(), bins=20, kde=True, color='skyblue')
+        plt.title(f'{name}类指标(共{len(cols_subset)}个)相关性直方分布图')
+        plt.xlabel('相关系数')
+        plt.ylabel('频数')
+        plt.savefig(os.path.join(dataset, f'{name}类指标相关性直方分布图.png'), bbox_inches='tight')
+        plt.close()
+        content.append(Graphs.draw_img(os.path.join(dataset,f'{name}类指标相关性直方分布图.png')))
+        content.append(Graphs.draw_text(f'{name}类指标(共{len(cols_subset)}个)的相关性直方分布图如上所示。'))
+        # 相关性大于0的特征
+        positive_corr_features = correlation_matrix[correlation_matrix > 0].sort_values(ascending=False).index.tolist()[1:]
+        
+        print(f'{name}下正相关的特征值有：',positive_corr_features)
+        if len(positive_corr_features) > 5:
+            positive_corr_features = positive_corr_features[0:5]
+            content.append(Graphs.draw_text(f'{name}类指标中，与预测目标y正相关前五的特征有：{positive_corr_features}'))
+            draw_feature_trend(feature_data_df, positive_corr_features)
+        elif len(positive_corr_features) == 0:
+            pass
+        else:
+            positive_corr_features = positive_corr_features
+            content.append(Graphs.draw_text(f'其中，与预测目标y正相关的特征有：{positive_corr_features}'))
+            draw_feature_trend(feature_data_df, positive_corr_features)
+        
+        # 相关性小于0的特征
+        negative_corr_features = correlation_matrix[correlation_matrix < 0].sort_values(ascending=True).index.tolist()
+        
+        print(f'{name}下负相关的特征值有：',negative_corr_features)
+        if len(negative_corr_features) > 5:
+            negative_corr_features = negative_corr_features[:5]
+            content.append(Graphs.draw_text(f'与预测目标y负相关前五的特征有：{negative_corr_features}'))
+            draw_feature_trend(feature_data_df, negative_corr_features)
+        elif len(negative_corr_features) == 0:
+            pass
+        else:
+            content.append(Graphs.draw_text(f'{name}类指标中，与预测目标y负相关的特征有：{negative_corr_features}'))
+            draw_feature_trend(feature_data_df, negative_corr_features)
+        
+        
+        # 计算correlation_sum 第一行的相关性的绝对值的总和
+        correlation_sum = correlation_matrix.abs().sum()
+        logger.info(f'{name}类指标的相关性总和为：{correlation_sum}')
+        # 分组的相关性总和拼接到grouped_corr
+        goup_corr = pd.DataFrame({'指标分类': [name], '指标数量': [len(cols_subset)], '相关性总和': [correlation_sum]})
+        grouped_corr = pd.concat([grouped_corr, goup_corr], axis=0, ignore_index=True)
+
+    # 绘制相关性总和的气泡图
+    logger.info(f'开始绘制相关性总和的气泡图')
+    plt.figure(figsize=(10, 10))
+    sns.scatterplot(data=grouped_corr, x='相关性总和', y='指标数量', size='相关性总和', sizes=(grouped_corr['相关性总和'].min()*5, grouped_corr['相关性总和'].max()*5), hue='指标分类', palette='viridis')
+    plt.title('指标分类相关性总和的气泡图')
+    plt.ylabel('数量')
+    plt.savefig(os.path.join(dataset, '指标分类相关性总和的气泡图.png'), bbox_inches='tight')
+    plt.close()
+    content.append(Graphs.draw_img(os.path.join(dataset,'指标分类相关性总和的气泡图.png')))
+    content.append(Graphs.draw_text('气泡图中，横轴为指标分类，纵轴为指标分类下的特征数量，气泡的面积越大表示该分类中特征的相关系数和越大。'))
+    logger.info(f'绘制相关性总和的气泡图结束')
+    
+
+
+    # # 计算特征相关性
+    # data.rename(columns={y: 'y'}, inplace=True)  
+    # data['ds'] = pd.to_datetime(data['ds'])  
+    # data.drop(columns=['ds'], inplace=True)
+    # # 创建一个空的 DataFrame 来保存相关系数
+    # correlation_df = pd.DataFrame(columns=['Feature', 'Correlation'])
+    # # 计算各特征与目标列的皮尔逊相关系数，并保存到新的 Data 中
+    # for col in data.columns:
+    #     if col!= 'y':
+    #         pearson_correlation = np.corrcoef(data[col], data['y'])[0, 1]
+    #         spearman_correlation, _ = spearmanr(data[col], data['y'])
+    #         new_row = {'Feature': col, 'Pearson_Correlation': round(pearson_correlation,3), 'Spearman_Correlation': round(spearman_correlation,2)}
+    #         correlation_df = correlation_df._append(new_row, ignore_index=True)
+
+    # correlation_df.drop('Correlation', axis=1, inplace=True)
+    # correlation_df.dropna(inplace=True)
+    # correlation_df.to_csv(os.path.join(dataset,'指标相关性分析.csv'), index=False)
+
+    # data = correlation_df['Pearson_Correlation'].values.tolist()
+    # # 生成 -1 到 1 的 20 个区间
+    # bins = np.linspace(-1, 1, 21)
+    # # 计算每个区间的统计数（这里是区间内数据的数量）
+    # hist_values = [np.sum((data >= bins[i]) & (data < bins[i + 1])) for i in range(len(bins) - 1)]
+
+    # #设置画布大小
+    # plt.figure(figsize=(10, 6))
+    # # 绘制直方图
+    # plt.bar(bins[:-1], hist_values, width=(bins[1] - bins[0]))
+
+    # # 添加标题和坐标轴标签
+    # plt.title('皮尔逊相关系数分布图')
+    # plt.xlabel('区间')
+    # plt.ylabel('统计数')
+    # plt.savefig(os.path.join(dataset, '皮尔逊相关性系数.png'))
+    # plt.close()
+
+
+    # #设置画布大小
+    # plt.figure(figsize=(10, 6))
+    # data = correlation_df['Spearman_Correlation'].values.tolist()
+    # # 计算每个区间的统计数（这里是区间内数据的数量）
+    # hist_values = [np.sum((data >= bins[i]) & (data < bins[i + 1])) for i in range(len(bins) - 1)]
+
+    # # 绘制直方图
+    # plt.bar(bins[:-1], hist_values, width=(bins[1] - bins[0]))
+
+    # # 添加标题和坐标轴标签
+    # plt.title('斯皮尔曼相关系数分布图')
+    # plt.xlabel('区间')
+    # plt.ylabel('统计数')
+    # plt.savefig(os.path.join(dataset, '斯皮尔曼相关性系数.png'))
+    # plt.close()
+    # content.append(Graphs.draw_text(f'指标相关性分析--皮尔逊相关系数：'))
+    # # 皮尔逊正相关 不相关  负相关 的表格
+    # content.append(Graphs.draw_img(os.path.join(dataset,'皮尔逊相关性系数.png')))
+    # content.append(Graphs.draw_text('''皮尔逊相关系数说明：''')) 
+    # content.append(Graphs.draw_text('''衡量两个特征之间的线性相关性。''')) 
+    # content.append(Graphs.draw_text('''
+    # 相关系数为1：表示两个变量之间存在完全正向的线性关系，即当一个变量增加时，另一个变量也相应增加，且变化是完全一致的。''')) 
+    # content.append(Graphs.draw_text('''当前特征中正相关前十的有：''')) 
+    # top10_columns = correlation_df.sort_values(by='Pearson_Correlation',ascending=False).head(10)['Feature'].to_list()
+    # top10 = ','.join(top10_columns)
+    # content.append(Graphs.draw_text(f'''{top10}''')) 
+
+    # feature_df = feature_data_df[['ds','y']+top10_columns]
+    # # 遍历X每一列，和yy画散点图 ，
+    # for i, col in enumerate(feature_df.columns):
+    #     print(f'正在绘制第{i+1}个特征{col}与价格散点图...')
+    #     if col not in ['ds', 'y']:
+    #         fig, ax1 = plt.subplots(figsize=(10, 6))
+    #         # 在第一个坐标轴上绘制数据
+    #         ax1.plot(feature_df['ds'], feature_df['y'], 'b-')
+    #         ax1.set_xlabel('日期')
+    #         ax1.set_ylabel('y', color='b')
+    #         ax1.tick_params('y', colors='b')
+    #         # 在 ax1 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(1,len(feature_df),2):
+    #             value = feature_df['y'].iloc[j]
+    #             date = feature_df['ds'].iloc[j]
+    #             offset = 1.001
+    #             ax1.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='b', fontsize=10)
+    #         # 创建第二个坐标轴
+    #         ax2 = ax1.twinx()
+    #         # 在第二个坐标轴上绘制数据
+    #         line2 = ax2.plot(feature_df['ds'], feature_df[col], 'r-')
+    #         ax2.set_ylabel(col, color='r')
+    #         ax2.tick_params('y', colors='r')
+    #         # 在 ax2 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(0,len(feature_df),2):
+    #             value = feature_df[col].iloc[j]
+    #             date = feature_df['ds'].iloc[j]
+    #             offset = 1.001
+    #             ax2.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='r', fontsize=10)
+    #         # 添加标题
+    #         plt.title(col)
+    #         # 设置横坐标为日期格式并自动调整
+    #         locator = mdates.AutoDateLocator()
+    #         formatter = mdates.AutoDateFormatter(locator)
+    #         ax1.xaxis.set_major_locator(locator)
+    #         ax1.xaxis.set_major_formatter(formatter)
+    #         # 文件名特殊字符处理
+    #         col = col.replace('*', '-')
+    #         col = col.replace(':', '-')
+    #         plt.savefig(os.path.join(dataset, f'{col}与价格散点图.png'))
+    #         content.append(Graphs.draw_img(os.path.join(dataset, f'{col}与价格散点图.png')))
+    #         plt.close()
+
+
+    # content.append(Graphs.draw_text(f'指标相关性分析--斯皮尔曼相关系数：'))
+    # # 皮尔逊正相关 不相关  负相关 的表格
+    # content.append(Graphs.draw_img(os.path.join(dataset,'斯皮尔曼相关性系数.png')))
+    # content.append(Graphs.draw_text('斯皮尔曼相关系数（Spearmans rank correlation coefficient）是一种用于衡量两个变量之间的单调关系（不一定是线性关系）的统计指标。'))
+    # content.append(Graphs.draw_text('它的计算基于变量的秩次（即变量值的排序位置）而非变量的原始值。'))
+    # content.append(Graphs.draw_text('斯皮尔曼相关系数的取值范围在 -1 到 1 之间。'))
+    # content.append(Graphs.draw_text('当系数为 1 时，表示两个变量之间存在完全正的单调关系；'))
+    # content.append(Graphs.draw_text('''当前特征中正单调关系前十的有：''')) 
+    # top10_columns = correlation_df.sort_values(by='Spearman_Correlation',ascending=False).head(10)['Feature'].to_list()
+    # top10 = ','.join(top10_columns)
+    # content.append(Graphs.draw_text(f'''{top10}''')) 
+
+    # feature_df = feature_data_df[['ds','y']+top10_columns]
+    # # 遍历X每一列，和yy画散点图 ，
+    # for i, col in enumerate(feature_df.columns):
+    #     print(f'正在绘制第{i+1}个特征{col}与价格散点图...')
+    #     if col not in ['ds', 'y']:
+    #         fig, ax1 = plt.subplots(figsize=(10, 6))
+    #         # 在第一个坐标轴上绘制数据
+    #         ax1.plot(feature_df['ds'], feature_df['y'], 'b-')
+    #         ax1.set_xlabel('日期')
+    #         ax1.set_ylabel('y', color='b')
+    #         ax1.tick_params('y', colors='b')
+    #         # 在 ax1 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(1,len(feature_df),2):
+    #             value = feature_df['y'].iloc[j]
+    #             date = feature_df['ds'].iloc[j]
+    #             offset = 1.001
+    #             ax1.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='b', fontsize=10)
+    #         # 创建第二个坐标轴
+    #         ax2 = ax1.twinx()
+    #         # 在第二个坐标轴上绘制数据
+    #         line2 = ax2.plot(feature_df['ds'], feature_df[col], 'r-')
+    #         ax2.set_ylabel(col, color='r')
+    #         ax2.tick_params('y', colors='r')
+    #         # 在 ax2 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(0,len(feature_df),2):
+    #             value = feature_df[col].iloc[j]
+    #             date = feature_df['ds'].iloc[j]
+    #             offset = 1.001
+    #             ax2.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='r', fontsize=10)
+    #         # 添加标题
+    #         plt.title(col)
+    #         # 设置横坐标为日期格式并自动调整
+    #         locator = mdates.AutoDateLocator()
+    #         formatter = mdates.AutoDateFormatter(locator)
+    #         ax1.xaxis.set_major_locator(locator)
+    #         ax1.xaxis.set_major_formatter(formatter)
+    #         # 文件名特殊字符处理
+    #         col = col.replace('*', '-')
+    #         col = col.replace(':', '-')
+    #         plt.savefig(os.path.join(dataset, f'{col}与价格散点图.png'))
+    #         content.append(Graphs.draw_img(os.path.join(dataset, f'{col}与价格散点图.png')))
+    #         plt.close()
+
+    # content.append(Graphs.draw_text('当系数为 -1 时，表示存在完全负的单调关系；'))
+    # content.append(Graphs.draw_text('''当前特征中负单调关系前十的有：''')) 
+    # tail10_columns = correlation_df.sort_values(by='Spearman_Correlation',ascending=True).head(10)['Feature'].to_list()
+    # top10 = ','.join(tail10_columns)
+    # content.append(Graphs.draw_text(f'''{top10}''')) 
+    # # 获取特征的近一周值
+    # feature_df = feature_data_df[['ds','y']+tail10_columns]
+    # # 遍历X每一列，和yy画散点图 ，
+    # for i, col in enumerate(feature_df.columns):
+    #     print(f'正在绘制第{i+1}个特征{col}与价格散点图...')
+    #     if col not in ['ds', 'y']:
+    #         fig, ax1 = plt.subplots(figsize=(10, 6))
+    #         # 在第一个坐标轴上绘制数据
+    #         ax1.plot(feature_df['ds'], feature_df['y'], 'b-')
+    #         ax1.set_xlabel('日期')
+    #         ax1.set_ylabel('y', color='b')
+    #         ax1.tick_params('y', colors='b')
+    #         # 在 ax1 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(len(feature_df)):
+    #             if j%2 == 1:
+    #                 value = feature_df['y'].iloc[j]
+    #                 date = feature_df['ds'].iloc[j]
+    #                 offset = 1.001
+    #                 ax1.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='b', fontsize=10)
+    #         # 创建第二个坐标轴
+    #         ax2 = ax1.twinx()
+    #         # 在第二个坐标轴上绘制数据
+    #         line2 = ax2.plot(feature_df['ds'], feature_df[col], 'r-')
+    #         ax2.set_ylabel(col, color='r')
+    #         ax2.tick_params('y', colors='r')
+    #         # 在 ax2 上添加文本显示值，添加一定的偏移避免值与曲线重叠
+    #         for j in range(1,len(feature_df),2):
+    #             value = feature_df[col].iloc[j]
+    #             date = feature_df['ds'].iloc[j]
+    #             offset = 1.001
+    #             ax2.text(date, value * offset, str(round(value, 2)), ha='center', va='bottom', color='r', fontsize=10)
+    #         # 添加标题
+    #         plt.title(col)
+    #         # 设置横坐标为日期格式并自动调整
+    #         locator = mdates.AutoDateLocator()
+    #         formatter = mdates.AutoDateFormatter(locator)
+    #         ax1.xaxis.set_major_locator(locator)
+    #         ax1.xaxis.set_major_formatter(formatter)
+    #         # 文件名特殊字符处理
+    #         col = col.replace('*', '-')
+    #         col = col.replace(':', '-')
+    #         plt.savefig(os.path.join(dataset, f'{col}与价格散点图.png'))
+    #         content.append(Graphs.draw_img(os.path.join(dataset, f'{col}与价格散点图.png')))
+    #         plt.close()
+    # content.append(Graphs.draw_text('当系数为 0 时，表示两个变量之间不存在单调关系。'))
+    # content.append(Graphs.draw_text('与皮尔逊相关系数相比，斯皮尔曼相关系数对于数据中的异常值不敏感，更适用于处理非线性关系或存在极端值的数据。'))
+    content.append(Graphs.draw_little_title('模型选择：'))
+    content.append(Graphs.draw_text(f'预测使用了{num_models}个模型进行训练拟合，通过评估指标MAE从小到大排列，前5个模型的简介如下：'))
+
+    ### 读取模型简介
+    with open(os.path.join(dataset,'model_introduction.txt'), 'r', encoding='utf-8') as f:
+        for line in f:
+            line_split = line.strip().split('--')
+            if line_split[0] in fivemodels_list:
+                for introduction in line_split:
+                    content.append(Graphs.draw_text(introduction))
+
+    content.append(Graphs.draw_little_title('模型评估：'))
+    
+    df = pd.read_csv(os.path.join(dataset,'model_evaluation.csv'),encoding='utf-8') 
+    # 判断 df 的数值列转为float
+    for col in eval_df.columns:
+        if col not in ['模型(Model)']:
+            eval_df[col] = eval_df[col].astype(float)
+            eval_df[col] = eval_df[col].round(3)
+    # 筛选 fivemodels_list.tolist()  的行
+    eval_df = eval_df[eval_df['模型(Model)'].isin(fivemodels_list)]
+    # df转置
+    eval_df = eval_df.T
+    # df重置索引
+    eval_df = eval_df.reset_index()
+    eval_df = eval_df.T
+    # # 添加表格
+    data = eval_df.values.tolist()
+    col_width = 500/len(eval_df.columns)
+    content.append(Graphs.draw_table(col_width,*data))
+    content.append(Graphs.draw_text('评估指标释义：'))
+    content.append(Graphs.draw_text('1. 均方根误差(RMSE)：均方根误差是衡量预测值与实际值之间误差的一种方法，取值越小，误差越小，预测效果越好。'))
+    content.append(Graphs.draw_text('2. 平均绝对误差(MAE)：平均绝对误差是衡量预测值与实际值之间误差的一种方法，取值越小，误差越小，预测效果越好。'))
+    content.append(Graphs.draw_text('3. 平均平方误差(MSE)：平均平方误差是衡量预测值与实际值之间误差的一种方法，取值越小，误差越小，预测效果越好。'))
+    content.append(Graphs.draw_text('模型拟合：'))
+    # 添加图片
+    content.append(Graphs.draw_img(os.path.join(dataset,'预测值与真实值对比图.png')))
+
+    # 附1，特征列表
+    content.append(Graphs.draw_little_title('附1、特征列表：'))
+    df_fuyi = pd.read_csv(os.path.join(dataset,'特征频度统计.csv'),encoding='utf-8') 
+    for col in df_fuyi.columns:
+        fuyi = df_fuyi[col]
+        fuyi = fuyi.dropna()
+        content.append(Graphs.draw_text(f'{col}：'))
+        for i in range(len(fuyi)):
+            content.append(Graphs.draw_text(f'{i+1}、{fuyi[i]}'))
+    
+
+
+    ### 生成pdf文件
+    doc = SimpleDocTemplate(os.path.join(dataset,reportname), pagesize=letter)
+    # doc = SimpleDocTemplate(os.path.join(dataset,'reportname.pdf'), pagesize=letter)
+    doc.build(content)
+    # pdf 上传到数字化信息平台
+    # 读取pdf并转为base64
+    try:
+        if is_update_report:
+            with open(os.path.join(dataset,reportname), 'rb') as f:
+                base64_data = base64.b64encode(f.read()).decode('utf-8')
+                upload_data["data"]["fileBase64"] = base64_data
+            upload_data["data"]["fileName"] = reportname
+            token = get_head_auth_report()
+            upload_report_data(token, upload_data)
+    except TimeoutError as e:
+        print(f"请求超时: {e}")
+
+        
+
+def pp_export_pdf_v1(num_indicators=475,num_models=21, num_dayindicator=202,inputsize=5,dataset='dataset',time = '2024-07-30',reportname='report.pdf'):    
     global y
     # 创建内容对应的空列表
     content = list()