帮酷LOGO
  • 显示原文与译文双语对照的内容
Python API for FRED (Federal Reserve Economic Data) and ALFRED (Archival FRED)

  • 源代码名称:fredapi
  • 源代码网址:http://www.github.com/mortada/fredapi
  • fredapi源代码文档
  • fredapi源代码下载
  • Git URL:
    git://www.github.com/mortada/fredapi.git
  • Git Clone代码到本地:
    git clone http://www.github.com/mortada/fredapi
  • Subversion代码到本地:
    $ svn co --depth empty http://www.github.com/mortada/fredapi
    Checked out revision 1.
    $ cd repo
    $ svn up trunk
  • :FRED ( 联邦备用经济数据)的API

    fredapi 是美国联邦储备银行提供的数据的python API 。 Louis为 FRED服务插件提供了封装,并提供了几种用于解析和分析point-in-time数据( 例如 )的方法。 来自 的历史数据修订。

    fredapi 使用 pandas,并在 pandasSeries 或者 DataFrame 中返回数据

    安装

    pip install fredapi

    基本用法

    首先你需要一个API密钥,你可以在FRED网站上免费申请一个。 你可以通过以下三种方法之一来设置你的API密钥:

    • 将它设置为环境变量 FRED_API_KEY
    • 将它的保存到文件中并使用'api_key_file'参数
    • 直接作为'api_key'参数传递
    from fredapi import Fred
    fred = Fred(api_key='insert api key here')
    data = fred.get_series('SP500')

    正在处理数据修订

    许多经济数据系列包含频繁修订。 fredapi 提供了几种处理数据修订和回答 what-data-was-known-when quesion的便捷方法。

    在美国,ALFRED vintage的概念是一个的vintage日期。 基本上,每个观察可以有三个与之相关的日期: 日期 realtime_start realtime_end 。

    • 日期:值的日期
    • realtime_start: 值有效的第一个日期
    • realitime_end: 值有效的最后一个日期

    例如 2014的GDP有三个观察( 数据点):

    <observationrealtime_start="2014-04-30"realtime_end="2014-05-28"date="2014-01-01"value="17149.6"/>
    <observationrealtime_start="2014-05-29"realtime_end="2014-06-24"date="2014-01-01"value="17101.3"/>
    <observationrealtime_start="2014-06-25"realtime_end="2014-07-29"date="2014-01-01"value="17016.0"/>

    这意味着 Q1 2014的GDP价值已经被释放三次了。 第一个版本的值为1,在2 个值上,然后在4 个版本上分别修改了2 个版本和4 个版本,分别修改了2.

    只获取第一个数据发布( 例如 。 忽略修订)

    data = fred.get_series_first_release('GDP')
    data.tail()

    输出:

    date
    2013-04-01 16633.4
    2013-07-01 16857.6
    2013-10-01 17102.5
    2014-01-01 17149.6
    2014-04-01 17294.7
    Name: value, dtype: object

    获取最新数据

    请注意,这与简单调用 get_series() 相同

    data = fred.get_series_latest_release('GDP')
    data.tail()

    输出:

    2013-04-01 16619.2
    2013-07-01 16872.3
    2013-10-01 17078.3
    2014-01-01 17044.0
    2014-04-01 17294.7
    dtype: float64

    获取已知日期已知的最新数据

    fred.get_series_as_of_date('GDP', '6/1/2014')

    输出:

    日期realtime_start值 2237 2238 2239 2242
    2013-10-01 00:00:002014-01-30 00:00:0017102.5
    2013-10-01 00:00:002014-02-28 00:00:0017080.7
    2013-10-01 00:00:002014-03-27 00:00:0017089.6
    2014-01-01 00:00:002014-04-30 00:00:0017149.6
    2014-01-01 00:00:002014-05-29 00:00:0017101.3

    获取所有数据发布日期

    这将返回一个 DataFrame,其中包含来自ALFRED的所有数据

    df = fred.get_series_all_releases('GDP')
    df.tail()

    输出:

    日期realtime_start值 2236 2237 2238 2239 2240 2241 2242 2243
    2013-07-01 00:00:002014-07-30 00:00:0016872.3
    2013-10-01 00:00:002014-01-30 00:00:0017102.5
    2013-10-01 00:00:002014-02-28 00:00:0017080.7
    2013-10-01 00:00:002014-03-27 00:00:0017089.6
    2013-10-01 00:00:002014-07-30 00:00:0017078.3
    2014-01-01 00:00:002014-04-30 00:00:0017149.6
    2014-01-01 00:00:002014-05-29 00:00:0017101.3
    2014-01-01 00:00:002014-06-25 00:00:0017016
    2014-01-01 00:00:002014-07-30 00:00:0017044
    2014-04-01 00:00:002014-07-30 00:00:0017294.7

    所有的古董日期

    from__future__import print_function
    vintage_dates = fred.get_series_vintage_dates('GDP')for dt in vintage_dates[-5:]:
     print(dt.strftime('%Y-%m-%d'))

    输出:

    2014-03-27
    2014-04-30
    2014-05-29
    2014-06-25
    2014-07-30

    全文搜索数据系列

    你可以在FRED网站上搜索数据系列。 但有时以编程方式搜索更方便。 fredapi 提供了一个 search() 方法,它执行全文搜索并返回结果的DataFrame

    fred.search('potential gdp').T

    输出:

    系列 id GDPPOT NGDPPOT频率 frequency_short id last_updated注释 observation_end observation_start人气 realtime_end realtime_start seasonal_adjustment seasonal_adjustment_short标题单位 units_short
    每季每季
    QQ
    GDPPOTNGDPPOT
    2014-02-04 10:06:03 -06: 002014-02-04 10:06:03 -06: 00
    真正潜在的纳米资产是对输出的of的估计,经济会产生高速利用的资源和劳动资源。 数据被调整以消除通货膨胀的影响。
    2024-10-01 00:00:002024-10-01 00:00:00
    1949-01-01 00:00:001949-01-01 00:00:00
    7261
    2014-08-23 00:00:002014-08-23 00:00:00
    2014-08-23 00:00:002014-08-23 00:00:00
    未经过季节性调整未经过季节性调整
    NSANSA
    真正潜在的Gross产品名义潜在Gross产品
    数十亿美元的2009美元几十亿美元
    Chn $ 。2009$ Bil

    依赖项

    更多示例




    Copyright © 2011 HelpLib All rights reserved.    知识分享协议 京ICP备05059198号-3  |  如果智培  |  酷兔英语