-
Notifications
You must be signed in to change notification settings - Fork 0
/
inflation.py
375 lines (310 loc) · 23.1 KB
/
inflation.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
import os
import numpy as np
import pandas as pd
import datetime
from utils import *
def plot_cs_fs_data(df, name, type, thres_list, title):
t = pd.DatetimeIndex(pd.to_datetime(df['time']['time'], format='%Y-%m'))
datas = []
name1 = name.split('(')[0]
for i in range(len(thres_list)):
hi_count, eq_count, lo_count = get_cs_price_change_count(df, name, thres=thres_list[i])
if (i==0):
data = [[[t, hi_count, name1+' '+type+' '+'大于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=red'],
[t, eq_count, name1+' '+type+' '+'等于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=gray'],
[t, lo_count, name1+' '+type+' '+'小于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=darkgreen']],
[],title]
else:
data = [[[t, hi_count, name1+' '+type+' '+'大于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=red'],
[t, eq_count, name1+' '+type+' '+'等于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=gray'],
[t, lo_count, name1+' '+type+' '+'小于'+("%.2f" % (thres_list[i]-100))+'% 个数', 'color=darkgreen']],
[],'']
datas.append(data)
plot_many_figure(datas, max_height=300*(len(thres_list)))
#
def test2():
path = os.path.join(nbs_dir, '36个城市居民消费价格分类指数'+'.csv')
df = pd.read_csv(path, header=[0,1])
t = pd.DatetimeIndex(pd.to_datetime(df['time']['time'], format='%Y-%m'))
# thres_list = [100.0, 100.1, 100.15, 100.2, 100.3]
# plot_cs_fs_data(df, '城市居民消费价格指数(上月=100)', '环比', thres_list, '36个城市')
thres_list = [99, 99.5, 99.75, 100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
plot_cs_fs_data(df, '城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '粮食类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '衣着类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '居住类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '生活用品及服务类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [99, 99.5, 99.75, 100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '鲜菜类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '鲜果类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '畜肉类城市居民消费价格指数(上年同月=100)', '同比', thres_list, '36个城市')
def test22():
path = os.path.join(nbs_dir, '31个省居民消费价格分类指数'+'.csv')
df = pd.read_csv(path, header=[0,1])
t = pd.DatetimeIndex(pd.to_datetime(df['time']['time'], format='%Y-%m'))
# thres_list = [100.0, 100.1, 100.15, 100.2, 100.3]
# plot_cs_fs_data(df, '居民消费价格指数(上月=100)', '环比', thres_list, '31个省')
thres_list = [99, 99.5, 99.75, 100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
plot_cs_fs_data(df, '居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '粮食类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '衣着类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '居住类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '生活用品及服务类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '鲜菜类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '鲜果类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
# thres_list = [100.0, 100.5, 101.0, 101.5, 102.0, 102.5, 103.0, 105.0]
# plot_cs_fs_data(df, '畜肉类居民消费价格指数(上年同月=100)', '同比', thres_list, '31个省')
start_time = '2005-1-1'
end_time = '2028-12-31'
# cpi
def test3():
path = os.path.join(nbs_dir, 'CPI'+'.csv')
df = pd.read_csv(path)
t = pd.DatetimeIndex(pd.to_datetime(df['time'], format='%Y-%m'))
cpi_yoy = np.array(df['居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi1_yoy = np.array(df['食品烟酒类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi2_yoy = np.array(df['衣着类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi3_yoy = np.array(df['居住类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi4_yoy = np.array(df['生活用品及服务类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi5_yoy = np.array(df['交通和通信类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi6_yoy = np.array(df['教育文化和娱乐类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi7_yoy = np.array(df['医疗保健类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi8_yoy = np.array(df['其他用品和服务类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi_mom = np.array(df['居民消费价格指数(上月=100)'], dtype=float) - 100
cpi1_mom = np.array(df['食品烟酒类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi2_mom = np.array(df['衣着类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi3_mom = np.array(df['居住类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi4_mom = np.array(df['生活用品及服务类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi5_mom = np.array(df['交通和通信类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi6_mom = np.array(df['教育文化和娱乐类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi7_mom = np.array(df['医疗保健类居民消费价格指数(上月=100)'], dtype=float) - 100
cpi8_mom = np.array(df['其他用品和服务类居民消费价格指数(上月=100)'], dtype=float) - 100
datas = [[[[t,cpi_yoy,'CPI:当月同比','color=black'],
[t,cpi1_yoy,'CPI:食品烟酒:当月同比',''],
[t,cpi2_yoy,'CPI:衣着:当月同比',''],
[t,cpi3_yoy,'CPI:居住:当月同比',''],
[t,cpi4_yoy,'CPI:生活用品及服务:当月同比',''],
[t,cpi5_yoy,'CPI:交通和通信:当月同比',''],
[t,cpi6_yoy,'CPI:教育文化和娱乐:当月同比',''],
[t,cpi7_yoy,'CPI:医疗保健:当月同比',''],
[t,cpi8_yoy,'CPI:其他用品和服务:当月同比',''],
],[],''],
[[[t,cpi_mom,'CPI:环比','color=black'],
[t,cpi1_mom,'CPI:食品烟酒:环比',''],
[t,cpi2_mom,'CPI:衣着:环比',''],
[t,cpi3_mom,'CPI:居住:环比',''],
[t,cpi4_mom,'CPI:生活用品及服务:环比',''],
[t,cpi5_mom,'CPI:交通和通信:环比',''],
[t,cpi6_mom,'CPI:教育文化和娱乐:环比',''],
[t,cpi7_mom,'CPI:医疗保健:环比',''],
[t,cpi8_mom,'CPI:其他用品和服务:环比',''],],[],''],]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
cpi_yoy = np.array(df['居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi1_yoy = np.array(df['食品类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi2_yoy = np.array(df['粮食类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi3_yoy = np.array(df['畜肉类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi4_yoy = np.array(df['蛋类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi5_yoy = np.array(df['水产品类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi6_yoy = np.array(df['鲜菜类居民消费价格指数(上年同月=100)'], dtype=float) - 100
cpi7_yoy = np.array(df['鲜果类居民消费价格指数(上年同月=100)'], dtype=float) - 100
datas = [[[[t,cpi_yoy,'CPI:当月同比','color=black'],
[t,cpi1_yoy,'CPI:食品:当月同比',''],
[t,cpi2_yoy,'CPI:粮食:当月同比',''],
[t,cpi3_yoy,'CPI:畜肉:当月同比',''],
[t,cpi4_yoy,'CPI:蛋:当月同比',''],
[t,cpi5_yoy,'CPI:水产品:当月同比',''],
[t,cpi6_yoy,'CPI:鲜菜:当月同比',''],
[t,cpi7_yoy,'CPI:鲜果:当月同比',''],
],[],''],]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
# ppi
def test4():
path = os.path.join(nbs_dir, 'PPI'+'.csv')
df = pd.read_csv(path)
t = pd.DatetimeIndex(pd.to_datetime(df['time'], format='%Y-%m'))
# PPI 同比
ppi_yoy = np.array(df['工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
# PPI 生产资料 同比
ppi_production_yoy = np.array(df['生产资料工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_production1_yoy = np.array(df['采掘业生产资料工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_production2_yoy = np.array(df['原料业生产资料工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_production3_yoy = np.array(df['加工业生产资料工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
# PPI 生活资料 同比
ppi_subsistence_yoy = np.array(df['生活资料工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_subsistence1_yoy = np.array(df['食品类工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_subsistence2_yoy = np.array(df['衣着类工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_subsistence3_yoy = np.array(df['一般日用品类工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi_subsistence4_yoy = np.array(df['耐用消费品类工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
# PPI 环比
ppi_mom = np.array(df['工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
# PPI 生产资料 环比
ppi_production_mom = np.array(df['生产资料工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_production1_mom = np.array(df['采掘业生产资料工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_production2_mom = np.array(df['原料业生产资料工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_production3_mom = np.array(df['加工业生产资料工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
# PPI 生活资料 环比
ppi_subsistence_mom = np.array(df['生活资料工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_subsistence1_mom = np.array(df['食品类工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_subsistence2_mom = np.array(df['衣着类工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_subsistence3_mom = np.array(df['一般日用品类工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi_subsistence4_mom = np.array(df['耐用消费品类工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
datas = [[[[t,ppi_yoy,'PPI:当月同比','color=black'],
[t,ppi_production_yoy,'PPI:生产资料:当月同比',''],
[t,ppi_production1_yoy,'PPI:生产资料:采掘业:当月同比',''],
[t,ppi_production2_yoy,'PPI:生产资料:原料业:当月同比',''],
[t,ppi_production3_yoy,'PPI:生产资料:加工业:当月同比',''],
],[],''],
[[[t,ppi_mom,'PPI:环比','color=black'],
[t,ppi_production_mom,'PPI:生产资料:环比',''],
[t,ppi_production1_mom,'PPI:生产资料:采掘业:环比',''],
[t,ppi_production2_mom,'PPI:生产资料:原料业:环比',''],
[t,ppi_production3_mom,'PPI:生产资料:加工业:环比',''],
],[],''],
]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
datas = [[[
[t,ppi_yoy,'PPI:当月同比','color=black'],
[t,ppi_subsistence_yoy,'PPI:生活资料:当月同比',''],
[t,ppi_subsistence1_yoy,'PPI:生活资料:食品类:当月同比',''],
[t,ppi_subsistence2_yoy,'PPI:生活资料:衣着类:当月同比',''],
[t,ppi_subsistence3_yoy,'PPI:生活资料:一般日用品类:当月同比',''],
[t,ppi_subsistence4_yoy,'PPI:生活资料:耐用消费品类:当月同比',''],
],[],''],
[[
[t,ppi_mom,'PPI:环比','color=black'],
[t,ppi_subsistence_mom,'PPI:生活资料:环比',''],
[t,ppi_subsistence1_mom,'PPI:生活资料:食品类:环比',''],
[t,ppi_subsistence2_mom,'PPI:生活资料:衣着类:环比',''],
[t,ppi_subsistence3_mom,'PPI:生活资料:一般日用品类:环比',''],
[t,ppi_subsistence4_mom,'PPI:生活资料:耐用消费品类:环比',''],
],[],''],]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
ppi1_yoy = np.array(df['煤炭开采和洗选业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi2_yoy = np.array(df['石油和天然气开采业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi3_yoy = np.array(df['黑色金属矿采选业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi4_yoy = np.array(df['黑色金属冶炼和压延加工业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi5_yoy = np.array(df['有色金属矿采选业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi6_yoy = np.array(df['有色金属冶炼和压延加工业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi7_yoy = np.array(df['纺织业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi8_yoy = np.array(df['化学原料和化学制品制造业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi9_yoy = np.array(df['橡胶和塑料制品业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi10_yoy = np.array(df['汽车制造业工业生产者出厂价格指数(上年同月=100)'], dtype=float) - 100
ppi1_mom = np.array(df['煤炭开采和洗选业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi2_mom = np.array(df['石油和天然气开采业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi3_mom = np.array(df['黑色金属矿采选业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi4_mom = np.array(df['黑色金属冶炼和压延加工业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi5_mom = np.array(df['有色金属矿采选业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi6_mom = np.array(df['有色金属冶炼和压延加工业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi7_mom = np.array(df['纺织业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi8_mom = np.array(df['化学原料和化学制品制造业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi9_mom = np.array(df['橡胶和塑料制品业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
ppi10_mom = np.array(df['汽车制造业工业生产者出厂价格指数(上月=100)'], dtype=float) - 100
datas = [[[[t,ppi_yoy,'PPI:当月同比','color=black'],
[t,ppi1_yoy,'PPI:煤炭开采和洗选业:当月同比',''],
[t,ppi2_yoy,'PPI:石油和天然气开采业:当月同比',''],
[t,ppi3_yoy,'PPI:黑色金属矿采选业:当月同比',''],
[t,ppi4_yoy,'PPI:黑色金属冶炼和压延加工业:当月同比',''],
[t,ppi5_yoy,'PPI:有色金属矿采选业:当月同比',''],
[t,ppi6_yoy,'PPI:有色金属冶炼和压延加工业:当月同比',''],
[t,ppi7_yoy,'PPI:纺织业:当月同比',''],
[t,ppi8_yoy,'PPI:化学原料和化学制品制造业:当月同比',''],
[t,ppi9_yoy,'PPI:橡胶和塑料制品业工业:当月同比',''],
[t,ppi10_yoy,'PPI:汽车制造业:当月同比',''],
],[],''],
[[[t,ppi_mom,'PPI:环比','color=black'],
[t,ppi1_mom,'PPI:煤炭开采和洗选业:环比',''],
[t,ppi2_mom,'PPI:石油和天然气开采业:环比',''],
[t,ppi3_mom,'PPI:黑色金属矿采选业:环比',''],
[t,ppi4_mom,'PPI:黑色金属冶炼和压延加工业:环比',''],
[t,ppi5_mom,'PPI:有色金属矿采选业:环比',''],
[t,ppi6_mom,'PPI:有色金属冶炼和压延加工业:环比',''],
[t,ppi7_mom,'PPI:纺织业:环比',''],
[t,ppi8_mom,'PPI:化学原料和化学制品制造业:环比',''],
[t,ppi9_mom,'PPI:橡胶和塑料制品业工业:环比',''],
[t,ppi10_mom,'PPI:汽车制造业:环比',''],
],[],''],
]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
# ppirm
def test5():
path = os.path.join(nbs_dir, 'PPIRM'+'.csv')
df = pd.read_csv(path)
t = pd.DatetimeIndex(pd.to_datetime(df['time'], format='%Y-%m'))
ppirm_yoy = np.array(df['工业生产者购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm1_yoy = np.array(df['燃料、动力类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm2_yoy = np.array(df['黑色金属材料类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm3_yoy = np.array(df['有色金属材料和电线类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm4_yoy = np.array(df['化工原料类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm5_yoy = np.array(df['木材及纸浆类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm6_yoy = np.array(df['建筑材料及非金属矿类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm7_yoy = np.array(df['其它工业原材料及半成品类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm8_yoy = np.array(df['农副产品类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm9_yoy = np.array(df['纺织原料类购进价格指数(上年同月=100)'], dtype=float) - 100
ppirm_mom = np.array(df['工业生产者购进价格指数(上月=100)'], dtype=float) - 100
ppirm1_mom = np.array(df['燃料、动力类购进价格指数(上月=100)'], dtype=float) - 100
ppirm2_mom = np.array(df['黑色金属材料类购进价格指数(上月=100)'], dtype=float) - 100
ppirm3_mom = np.array(df['有色金属材料和电线类购进价格指数(上月=100)'], dtype=float) - 100
ppirm4_mom = np.array(df['化工原料类购进价格指数(上月=100)'], dtype=float) - 100
ppirm5_mom = np.array(df['木材及纸浆类购进价格指数(上月=100)'], dtype=float) - 100
ppirm6_mom = np.array(df['建筑材料及非金属矿类购进价格指数(上月=100)'], dtype=float) - 100
ppirm7_mom = np.array(df['其它工业原材料及半成品类购进价格指数(上月=100)'], dtype=float) - 100
ppirm8_mom = np.array(df['农副产品类购进价格指数(上月=100)'], dtype=float) - 100
ppirm9_mom = np.array(df['纺织原料类购进价格指数(上月=100)'], dtype=float) - 100
datas = [[[[t,ppirm_yoy,'PPIRM:当月同比','color=black'],
[t,ppirm1_yoy,'PPIRM:燃料、动力类:当月同比',''],
[t,ppirm2_yoy,'PPIRM:黑色金属材料类:当月同比',''],
[t,ppirm3_yoy,'PPIRM:有色金属材料和电线类:当月同比',''],
[t,ppirm4_yoy,'PPIRM:化工原料类:当月同比',''],
[t,ppirm5_yoy,'PPIRM:木材及纸浆类:当月同比',''],
[t,ppirm6_yoy,'PPIRM:建筑材料及非金属矿类:当月同比',''],
[t,ppirm7_yoy,'PPIRM:其它工业原材料及半成品类:当月同比',''],
[t,ppirm8_yoy,'PPIRM:农副产品类:当月同比',''],
[t,ppirm9_yoy,'PPIRM:纺织原料类:当月同比',''],
],[],''],
[[[t,ppirm_mom,'PPIRM:环比','color=black'],
[t,ppirm1_mom,'PPIRM:燃料、动力类:环比',''],
[t,ppirm2_mom,'PPIRM:黑色金属材料类:环比',''],
[t,ppirm3_mom,'PPIRM:有色金属材料和电线类:环比',''],
[t,ppirm4_mom,'PPIRM:化工原料类:环比',''],
[t,ppirm5_mom,'PPIRM:木材及纸浆类:环比',''],
[t,ppirm6_mom,'PPIRM:建筑材料及非金属矿类:环比',''],
[t,ppirm7_mom,'PPIRM:其它工业原材料及半成品类:环比',''],
[t,ppirm8_mom,'PPIRM:农副产品类:环比',''],
[t,ppirm9_mom,'PPIRM:纺织原料类:环比',''],
],[],''],]
plot_many_figure(datas, start_time=start_time, end_time=end_time)
# Underlying Inflation Gauge
# https://fred.stlouisfed.org/series/UIGFULL
def update_uig_data():
# Underlying Inflation Gauge
code = [
['UIGFULL', 'Underlying Inflation Gauge: Full Data Set Measure'],
['UIGPRICES', 'Underlying Inflation Gauge: Prices-Only Measure'],
]
name_code = {'Underlying Inflation Gauge': code}
update_fred_data(name_code, data_dir)
if __name__=="__main__":
# cpi
# 36个城市居民消费价格分类指数
test2()
# 31个省居民消费价格分类指数
test22()
# # cpi
# test3()
# # ppi
# test4()
# # ppirm
# test5()
pass