[](https://pypi.python.org/pypi/py4macro/)
[](https://github.com/Py4Macro/py4macro/actions?query=workflow%codeql-analysis)
# はじめに
[Pythonで学ぶマクロ経済学 (中級＋レベル)](https://py4macro.github.io)で使うモジュール。
以下が含まれている。
* Hodrick-Prescottフィルターを使い時系列データのトレンドを返す`trend()`関数
* DataFrameを全て表示する`show()`関数
* `n`個の浮動小数点数から構成されるリストを返す`xvalues()`関数
* オブジェクトの属性（`_`もしくは`__`が付いた属性以外）を表示する`see()`関数
* 後退期間にグレーの塗りつぶしを追加する`fukyo()`関数
* 後退期間にグレーの塗りつぶしを追加する`recessions()`デコレーター
* データ・セット
* Big Macインデックス
* IMF World Economic Outlook 2024
* Maddison Project Database 2023
* Penn World Tables 10.01
* 日本の四半期データ（GDPなど）
* 日本の年次データ（GDPなど）
* 日本の四半期データ（マネーストックなど）
* 177ヵ国のマネーストックなど
* 円/ドル為替レートなど
* 景気循環日付と拡張・後退期間
* 政府負債に関する長期時系列データ
# 使い方
```
import py4macro
```
## Hodrick-Prescottフィルターによるトレンド抽出
```
py4macro.trend(s,lamb=1600)
```
**引数**:
* `s`：`Series`もしくは１列の`DataFrame`とし，行のラベルは`DatetimeIndex`にすること。
* `lamb`: HPフィルターのlambda（デフォルトは四半期用のデータでは通常の値である1600としている）
**戻り値**:
Hodrick-Prescottフィルターで計算したtrend（トレンド）の`Series`
**例**:
`py4macro.trend(df.loc[:,'gdp'])`
## `DataFrame`の行・列を全て表示する
```
py4macro.show(df)
```
**引数**：
* `df`：`DataFrame`
**戻り値**：
`DataFrame`の表示のみ
## `n`個の数値から構成されるリストを作成する
```
py4macro.xvalues(l, h, n)
```
**引数**：
* `l`：最小値
* `h`：最大値
* `n`：要素数
**戻り値**：
* `n`個の浮動小数点数のリスト
**例**:
`py4macro.xvalues(-1, 1, 5)`
```
>>> [-1.0, -0.5, 0.0, 0.5, 1.0]
```
## オブジェクトの属性（`_`もしくは`__`が付いた属性以外）を表示する
`py4macro.see(obj, col=4, width=70)`
引数：
* `obj`: 属性を調べるオブジェクト
* `col`: 表示の列の数（デフォルトは4）
* `width`: 表示の幅（デフォルトは70）
(列の幅は width/col 以上である最小整数となる)
戻り値：
* `None` (表示のみ)
例：整数型である100の属性を調べる。
`py4macro.see(100)`
```
>>> .as_integer_ratio .bit_count .bit_length .conjugate
>>> .denominator .from_bytes .imag .numerator
>>> .real .to_bytes
```
## 横軸に`DatetimeIndex`を使うプロットに対して後退期間にグレーの塗りつぶしを追加する関数
* `fukyo()`関数は後退期間の塗りつぶしを追加する
```
py4macro.fukyo(ax, start=1980, end=2999, color='k', alpha='0.1')
```
**引数**：
* `ax`：`matplotlib`の軸
* `start`：`fukyo()`関数を適用し始める年（デフォルトは`1980`）
* `end`：`fukyo()`関数を適用し終わる年（デフォルトは`2999`）
* `color`：色（デフォルトは黒）
* `alpha`：透明度（デフォルトは`0.1`）
**戻り値**：
* なし（表示のみ）
<img height="350" src="figures/fukyo.jpg">
＜例１：一つの図＞
```
fig, ax = plt.subplots()
ax.plot(...)
fukyo(ax)
```
＜例２：一つの図＞
```
ax = <DataFrame もしくは Series>.plot()
fukyo(ax, start=1960, color='red')
```
＜例３：複数の図の中で一つだけに追加＞
```
fig, ax = plt.subplots(2,1)
ax[0].plot(...)
ax[1].plot(...)
fukyo(ax[0], start=1970, end=2005, color='grey', alpha=0.2)
```
## 横軸に`DatetimeIndex`を使うプロットに対して後退期間にグレーの塗りつぶしを追加するデコレーター
* `@py4macro.recessions()`は全ての軸に後退期間の塗りつぶしを追加する
```
@py4macro.recessions(start=1980, end=2900, color='k', alpha=0.1)
＜関数＞
```
**引数**：
* `start`：`fukyo()`関数を適用し始める年（デフォルトは`1980`）
* `end`：`fukyo()`関数を適用し終わる年（デフォルトは`2999`）
* `color`：色（デフォルトは黒）
* `alpha`：透明度（デフォルトは`0.1）
＜例１：一つの図をプロット（軸を返さない）＞
```
@py4macro.recessions()
def plot():
<DataFrame もしくは Series>.plot()
```
＜例２：一つの図をプロット（軸を返す）＞
```
@py4macro.recessions(start=1960, color='red')
def plot():
ax = <DataFrame もしくは Series>.plot()
return ax
```
＜例３：一つの図をプロット＞
```
@py4macro.recessions(end=2000, alpha=0.9)
def plot():
fig, ax = plt.subplots()
ax.plot(...)
return ax # 省略すると軸を返さない
```
＜例４：複数の図をプロット＞
```
@py4macro.recessions(start=1975, color='green', alpha=0.2)
def plot():
ax = <DataFrame>.plot(subplots=True, layout=(2,2))
return ax # この行は必須
```
＜例５：複数の図をプロット＞
```
@py4macro.recessions(start=1975, end=2010, color='grey', alpha=0.3)
def plot():
fig, ax = plt.subplots(2, 1)
ax[0].plot(...)
ax[1].plot(...)
return ax # この行は必須
```
## データ・セット
```
py4macro.data(dataset=None, description=0)
```
**引数**：
* `dataset`: (文字列)
* `'bigmac'`: Big Macインデックス
* `'debts'`: 政府負債に関する長期時系列データ
* `'ex'`: 円/ドル為替レートなど
* `'jpn-money'`: 日本の月次データ（CPIとマネーストック）
* `'jpn-q'`: 日本の四半期データ（GDPなど）
* `'mad'`: country data of Maddison Project Database 2023
* `'mad-region'`: regional data of Maddison Project Database 2023
* `'pwt'`: Penn World Table 10.01
* `'weo'`: IMF World Economic Outlook 2024
* `'world-money'`: 177ヵ国のマネーストックなど
* `description` (デフォルト：`0`, 整数型):
* `0`: データのDataFrameを返す
* 全てのデータセット
* `1`: 変数の定義を全て表示する
* 全てのデータセット
* `2`: 変数の定義のDataFrameを返す
* `'pwt'`，`'weo'`のみ
**返り値**：
`DataFrame`もしくは`DataFrame`の表示
例１：IMF World Economic OutlookのDataFrameを返す
`py4macro.data('weo')`
例２：IMF World Economic Outlookの変数定義の全てを表示する
`py4macro.data('weo',description=1)`
例３：IMF World Economic Outlookの変数定義のDataFrameを返す
`py4macro.data('weo',description=2)`
# インストール方法
```
pip install py4macro
```
or
```
pip install git+https://github.com/Py4Macro/py4macro.git
```
or
```
git clone https://github.com/Py4Macro/py4macro.git
cd py4macro
pip install .
```
Raw data
{
"_id": null,
"home_page": "https://github.com/Py4Macro/py4macro",
"name": "py4macro",
"maintainer": null,
"docs_url": null,
"requires_python": null,
"maintainer_email": null,
"keywords": "data, Penn World Table, IMF World Economic Outlook, Maddison Project, Hodrick-Prescott filter, Japan",
"author": "Tetsu Haruyama",
"author_email": "haruyama@econ.kobe-u.ac.jp",
"download_url": "https://files.pythonhosted.org/packages/34/0b/4e4b8acf2dbc4e573cf82113dde1d9fc248798891b53934fcc53a83fcce4/py4macro-0.8.13.tar.gz",
"platform": null,
"description": "[](https://pypi.python.org/pypi/py4macro/)\n\n[](https://github.com/Py4Macro/py4macro/actions?query=workflow%codeql-analysis)\n\n\n# \u306f\u3058\u3081\u306b\n\n[Python\u3067\u5b66\u3076\u30de\u30af\u30ed\u7d4c\u6e08\u5b66 (\u4e2d\u7d1a\uff0b\u30ec\u30d9\u30eb)](https://py4macro.github.io)\u3067\u4f7f\u3046\u30e2\u30b8\u30e5\u30fc\u30eb\u3002\n\n\u4ee5\u4e0b\u304c\u542b\u307e\u308c\u3066\u3044\u308b\u3002\n* Hodrick-Prescott\u30d5\u30a3\u30eb\u30bf\u30fc\u3092\u4f7f\u3044\u6642\u7cfb\u5217\u30c7\u30fc\u30bf\u306e\u30c8\u30ec\u30f3\u30c9\u3092\u8fd4\u3059`trend()`\u95a2\u6570\n* DataFrame\u3092\u5168\u3066\u8868\u793a\u3059\u308b`show()`\u95a2\u6570\n* `n`\u500b\u306e\u6d6e\u52d5\u5c0f\u6570\u70b9\u6570\u304b\u3089\u69cb\u6210\u3055\u308c\u308b\u30ea\u30b9\u30c8\u3092\u8fd4\u3059`xvalues()`\u95a2\u6570\n* \u30aa\u30d6\u30b8\u30a7\u30af\u30c8\u306e\u5c5e\u6027\uff08`_`\u3082\u3057\u304f\u306f`__`\u304c\u4ed8\u3044\u305f\u5c5e\u6027\u4ee5\u5916\uff09\u3092\u8868\u793a\u3059\u308b`see()`\u95a2\u6570\n* \u5f8c\u9000\u671f\u9593\u306b\u30b0\u30ec\u30fc\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b`fukyo()`\u95a2\u6570\n* \u5f8c\u9000\u671f\u9593\u306b\u30b0\u30ec\u30fc\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b`recessions()`\u30c7\u30b3\u30ec\u30fc\u30bf\u30fc\n* \u30c7\u30fc\u30bf\u30fb\u30bb\u30c3\u30c8\n * Big Mac\u30a4\u30f3\u30c7\u30c3\u30af\u30b9\n * IMF World Economic Outlook 2024\n * Maddison Project Database 2023\n * Penn World Tables 10.01\n * \u65e5\u672c\u306e\u56db\u534a\u671f\u30c7\u30fc\u30bf\uff08GDP\u306a\u3069\uff09\n * \u65e5\u672c\u306e\u5e74\u6b21\u30c7\u30fc\u30bf\uff08GDP\u306a\u3069\uff09\n * \u65e5\u672c\u306e\u56db\u534a\u671f\u30c7\u30fc\u30bf\uff08\u30de\u30cd\u30fc\u30b9\u30c8\u30c3\u30af\u306a\u3069\uff09\n * 177\u30f5\u56fd\u306e\u30de\u30cd\u30fc\u30b9\u30c8\u30c3\u30af\u306a\u3069\n * \u5186/\u30c9\u30eb\u70ba\u66ff\u30ec\u30fc\u30c8\u306a\u3069\n * \u666f\u6c17\u5faa\u74b0\u65e5\u4ed8\u3068\u62e1\u5f35\u30fb\u5f8c\u9000\u671f\u9593\n * \u653f\u5e9c\u8ca0\u50b5\u306b\u95a2\u3059\u308b\u9577\u671f\u6642\u7cfb\u5217\u30c7\u30fc\u30bf\n\n# \u4f7f\u3044\u65b9\n```\nimport py4macro\n```\n\n## Hodrick-Prescott\u30d5\u30a3\u30eb\u30bf\u30fc\u306b\u3088\u308b\u30c8\u30ec\u30f3\u30c9\u62bd\u51fa\n```\npy4macro.trend(s,lamb=1600)\n```\n**\u5f15\u6570**:\n\n* `s`\uff1a`Series`\u3082\u3057\u304f\u306f\uff11\u5217\u306e`DataFrame`\u3068\u3057\uff0c\u884c\u306e\u30e9\u30d9\u30eb\u306f`DatetimeIndex`\u306b\u3059\u308b\u3053\u3068\u3002\n* `lamb`: HP\u30d5\u30a3\u30eb\u30bf\u30fc\u306elambda\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f\u56db\u534a\u671f\u7528\u306e\u30c7\u30fc\u30bf\u3067\u306f\u901a\u5e38\u306e\u5024\u3067\u3042\u308b1600\u3068\u3057\u3066\u3044\u308b\uff09\n\n**\u623b\u308a\u5024**:\n\nHodrick-Prescott\u30d5\u30a3\u30eb\u30bf\u30fc\u3067\u8a08\u7b97\u3057\u305ftrend\uff08\u30c8\u30ec\u30f3\u30c9\uff09\u306e`Series`\n\n\n**\u4f8b**:\n\n`py4macro.trend(df.loc[:,'gdp'])`\n\n\n## `DataFrame`\u306e\u884c\u30fb\u5217\u3092\u5168\u3066\u8868\u793a\u3059\u308b\n```\npy4macro.show(df)\n```\n**\u5f15\u6570**\uff1a\n* `df`\uff1a`DataFrame`\n\n**\u623b\u308a\u5024**\uff1a\n\n`DataFrame`\u306e\u8868\u793a\u306e\u307f\n\n\n## `n`\u500b\u306e\u6570\u5024\u304b\u3089\u69cb\u6210\u3055\u308c\u308b\u30ea\u30b9\u30c8\u3092\u4f5c\u6210\u3059\u308b\n```\npy4macro.xvalues(l, h, n)\n```\n**\u5f15\u6570**\uff1a\n* `l`\uff1a\u6700\u5c0f\u5024\n* `h`\uff1a\u6700\u5927\u5024\n* `n`\uff1a\u8981\u7d20\u6570\n\n**\u623b\u308a\u5024**\uff1a\n* `n`\u500b\u306e\u6d6e\u52d5\u5c0f\u6570\u70b9\u6570\u306e\u30ea\u30b9\u30c8\n\n**\u4f8b**:\n\n`py4macro.xvalues(-1, 1, 5)`\n\n```\n>>> [-1.0, -0.5, 0.0, 0.5, 1.0]\n```\n\n## \u30aa\u30d6\u30b8\u30a7\u30af\u30c8\u306e\u5c5e\u6027\uff08`_`\u3082\u3057\u304f\u306f`__`\u304c\u4ed8\u3044\u305f\u5c5e\u6027\u4ee5\u5916\uff09\u3092\u8868\u793a\u3059\u308b\n\n`py4macro.see(obj, col=4, width=70)`\n\n\u5f15\u6570\uff1a\n* `obj`: \u5c5e\u6027\u3092\u8abf\u3079\u308b\u30aa\u30d6\u30b8\u30a7\u30af\u30c8\n* `col`: \u8868\u793a\u306e\u5217\u306e\u6570\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f4\uff09\n* `width`: \u8868\u793a\u306e\u5e45\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f70\uff09\n \u3000\u3000(\u5217\u306e\u5e45\u306f width/col \u4ee5\u4e0a\u3067\u3042\u308b\u6700\u5c0f\u6574\u6570\u3068\u306a\u308b)\n\n\u623b\u308a\u5024\uff1a\n* `None` (\u8868\u793a\u306e\u307f)\n\n\n\u4f8b\uff1a\u6574\u6570\u578b\u3067\u3042\u308b100\u306e\u5c5e\u6027\u3092\u8abf\u3079\u308b\u3002\n\n`py4macro.see(100)`\n\n```\n>>> .as_integer_ratio .bit_count .bit_length .conjugate\n>>> .denominator .from_bytes .imag .numerator\n>>> .real .to_bytes\n```\n\n\n## \u6a2a\u8ef8\u306b`DatetimeIndex`\u3092\u4f7f\u3046\u30d7\u30ed\u30c3\u30c8\u306b\u5bfe\u3057\u3066\u5f8c\u9000\u671f\u9593\u306b\u30b0\u30ec\u30fc\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b\u95a2\u6570\n* `fukyo()`\u95a2\u6570\u306f\u5f8c\u9000\u671f\u9593\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b\n\n```\npy4macro.fukyo(ax, start=1980, end=2999, color='k', alpha='0.1')\n```\n**\u5f15\u6570**\uff1a\n* `ax`\uff1a`matplotlib`\u306e\u8ef8\n* `start`\uff1a`fukyo()`\u95a2\u6570\u3092\u9069\u7528\u3057\u59cb\u3081\u308b\u5e74\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`1980`\uff09\n* `end`\uff1a`fukyo()`\u95a2\u6570\u3092\u9069\u7528\u3057\u7d42\u308f\u308b\u5e74\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`2999`\uff09\n* `color`\uff1a\u8272\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f\u9ed2\uff09\n* `alpha`\uff1a\u900f\u660e\u5ea6\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`0.1`\uff09\n\n**\u623b\u308a\u5024**\uff1a\n* \u306a\u3057\uff08\u8868\u793a\u306e\u307f\uff09\n\n<img height=\"350\" src=\"figures/fukyo.jpg\">\n\n\n\uff1c\u4f8b\uff11\uff1a\u4e00\u3064\u306e\u56f3\uff1e\n```\nfig, ax = plt.subplots()\nax.plot(...)\nfukyo(ax)\n```\n\n\uff1c\u4f8b\uff12\uff1a\u4e00\u3064\u306e\u56f3\uff1e\n```\nax = <DataFrame \u3082\u3057\u304f\u306f Series>.plot()\nfukyo(ax, start=1960, color='red')\n```\n\n\uff1c\u4f8b\uff13\uff1a\u8907\u6570\u306e\u56f3\u306e\u4e2d\u3067\u4e00\u3064\u3060\u3051\u306b\u8ffd\u52a0\uff1e\n```\nfig, ax = plt.subplots(2,1)\nax[0].plot(...)\nax[1].plot(...)\nfukyo(ax[0], start=1970, end=2005, color='grey', alpha=0.2)\n```\n\n\n## \u6a2a\u8ef8\u306b`DatetimeIndex`\u3092\u4f7f\u3046\u30d7\u30ed\u30c3\u30c8\u306b\u5bfe\u3057\u3066\u5f8c\u9000\u671f\u9593\u306b\u30b0\u30ec\u30fc\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b\u30c7\u30b3\u30ec\u30fc\u30bf\u30fc\n* `@py4macro.recessions()`\u306f\u5168\u3066\u306e\u8ef8\u306b\u5f8c\u9000\u671f\u9593\u306e\u5857\u308a\u3064\u3076\u3057\u3092\u8ffd\u52a0\u3059\u308b\n\n```\n@py4macro.recessions(start=1980, end=2900, color='k', alpha=0.1)\n\uff1c\u95a2\u6570\uff1e\n```\n\n**\u5f15\u6570**\uff1a\n* `start`\uff1a`fukyo()`\u95a2\u6570\u3092\u9069\u7528\u3057\u59cb\u3081\u308b\u5e74\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`1980`\uff09\n* `end`\uff1a`fukyo()`\u95a2\u6570\u3092\u9069\u7528\u3057\u7d42\u308f\u308b\u5e74\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`2999`\uff09\n* `color`\uff1a\u8272\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f\u9ed2\uff09\n* `alpha`\uff1a\u900f\u660e\u5ea6\uff08\u30c7\u30d5\u30a9\u30eb\u30c8\u306f`0.1\uff09\n\n\n\uff1c\u4f8b\uff11\uff1a\u4e00\u3064\u306e\u56f3\u3092\u30d7\u30ed\u30c3\u30c8\uff08\u8ef8\u3092\u8fd4\u3055\u306a\u3044\uff09\uff1e\n```\n@py4macro.recessions()\ndef plot():\n <DataFrame \u3082\u3057\u304f\u306f Series>.plot()\n```\n\n\uff1c\u4f8b\uff12\uff1a\u4e00\u3064\u306e\u56f3\u3092\u30d7\u30ed\u30c3\u30c8\uff08\u8ef8\u3092\u8fd4\u3059\uff09\uff1e\n```\n@py4macro.recessions(start=1960, color='red')\ndef plot():\n ax = <DataFrame \u3082\u3057\u304f\u306f Series>.plot()\n return ax\n```\n\n\uff1c\u4f8b\uff13\uff1a\u4e00\u3064\u306e\u56f3\u3092\u30d7\u30ed\u30c3\u30c8\uff1e\n```\n@py4macro.recessions(end=2000, alpha=0.9)\ndef plot():\n fig, ax = plt.subplots()\n ax.plot(...)\n return ax # \u7701\u7565\u3059\u308b\u3068\u8ef8\u3092\u8fd4\u3055\u306a\u3044\n```\n\n\uff1c\u4f8b\uff14\uff1a\u8907\u6570\u306e\u56f3\u3092\u30d7\u30ed\u30c3\u30c8\uff1e\n```\n@py4macro.recessions(start=1975, color='green', alpha=0.2)\ndef plot():\n ax = <DataFrame>.plot(subplots=True, layout=(2,2))\n return ax # \u3053\u306e\u884c\u306f\u5fc5\u9808\n```\n\n\uff1c\u4f8b\uff15\uff1a\u8907\u6570\u306e\u56f3\u3092\u30d7\u30ed\u30c3\u30c8\uff1e\n```\n@py4macro.recessions(start=1975, end=2010, color='grey', alpha=0.3)\ndef plot():\n fig, ax = plt.subplots(2, 1)\n ax[0].plot(...)\n ax[1].plot(...)\n return ax # \u3053\u306e\u884c\u306f\u5fc5\u9808\n```\n\n\n## \u30c7\u30fc\u30bf\u30fb\u30bb\u30c3\u30c8\n\n```\npy4macro.data(dataset=None, description=0)\n```\n\n**\u5f15\u6570**\uff1a\n\n* `dataset`: (\u6587\u5b57\u5217)\n * `'bigmac'`: Big Mac\u30a4\u30f3\u30c7\u30c3\u30af\u30b9\n * `'debts'`: \u653f\u5e9c\u8ca0\u50b5\u306b\u95a2\u3059\u308b\u9577\u671f\u6642\u7cfb\u5217\u30c7\u30fc\u30bf\n * `'ex'`: \u5186/\u30c9\u30eb\u70ba\u66ff\u30ec\u30fc\u30c8\u306a\u3069\n * `'jpn-money'`: \u65e5\u672c\u306e\u6708\u6b21\u30c7\u30fc\u30bf\uff08CPI\u3068\u30de\u30cd\u30fc\u30b9\u30c8\u30c3\u30af\uff09\n * `'jpn-q'`: \u65e5\u672c\u306e\u56db\u534a\u671f\u30c7\u30fc\u30bf\uff08GDP\u306a\u3069\uff09\n * `'mad'`: country data of Maddison Project Database 2023\n * `'mad-region'`: regional data of Maddison Project Database 2023\n * `'pwt'`: Penn World Table 10.01\n * `'weo'`: IMF World Economic Outlook 2024\n * `'world-money'`: 177\u30f5\u56fd\u306e\u30de\u30cd\u30fc\u30b9\u30c8\u30c3\u30af\u306a\u3069\n\n\n* `description` (\u30c7\u30d5\u30a9\u30eb\u30c8\uff1a`0`, \u6574\u6570\u578b):\n * `0`: \u30c7\u30fc\u30bf\u306eDataFrame\u3092\u8fd4\u3059\n * \u5168\u3066\u306e\u30c7\u30fc\u30bf\u30bb\u30c3\u30c8\n * `1`: \u5909\u6570\u306e\u5b9a\u7fa9\u3092\u5168\u3066\u8868\u793a\u3059\u308b\n * \u5168\u3066\u306e\u30c7\u30fc\u30bf\u30bb\u30c3\u30c8\n * `2`: \u5909\u6570\u306e\u5b9a\u7fa9\u306eDataFrame\u3092\u8fd4\u3059\n * `'pwt'`\uff0c`'weo'`\u306e\u307f\n\n**\u8fd4\u308a\u5024**\uff1a\n `DataFrame`\u3082\u3057\u304f\u306f`DataFrame`\u306e\u8868\u793a\n\n\n\u4f8b\uff11\uff1aIMF World Economic Outlook\u306eDataFrame\u3092\u8fd4\u3059\n\n`py4macro.data('weo')`\n\n\u4f8b\uff12\uff1aIMF World Economic Outlook\u306e\u5909\u6570\u5b9a\u7fa9\u306e\u5168\u3066\u3092\u8868\u793a\u3059\u308b\n\n`py4macro.data('weo',description=1)`\n\n\u4f8b\uff13\uff1aIMF World Economic Outlook\u306e\u5909\u6570\u5b9a\u7fa9\u306eDataFrame\u3092\u8fd4\u3059\n\n`py4macro.data('weo',description=2)`\n\n\n# \u30a4\u30f3\u30b9\u30c8\u30fc\u30eb\u65b9\u6cd5\n```\npip install py4macro\n```\nor\n```\npip install git+https://github.com/Py4Macro/py4macro.git\n```\nor\n```\ngit clone https://github.com/Py4Macro/py4macro.git\ncd py4macro\npip install .\n```\n",
"bugtrack_url": null,
"license": "MIT",
"summary": "A module for py4macro.github.io",
"version": "0.8.13",
"project_urls": {
"Homepage": "https://github.com/Py4Macro/py4macro"
},
"split_keywords": [
"data",
" penn world table",
" imf world economic outlook",
" maddison project",
" hodrick-prescott filter",
" japan"
],
"urls": [
{
"comment_text": "",
"digests": {
"blake2b_256": "e0b1e2a926f24ba5ae8b1b4d11563184e870f455fc45dc4c91c5c961c59faa77",
"md5": "b9966755e3589edac99bafed7aedf6ad",
"sha256": "7593790e7347f32d8fb699b8ca96e1c708a0546ddff23d331d4e7af15ef7ec5a"
},
"downloads": -1,
"filename": "py4macro-0.8.13-py2.py3-none-any.whl",
"has_sig": false,
"md5_digest": "b9966755e3589edac99bafed7aedf6ad",
"packagetype": "bdist_wheel",
"python_version": "py2.py3",
"requires_python": null,
"size": 4486588,
"upload_time": "2024-09-22T08:56:36",
"upload_time_iso_8601": "2024-09-22T08:56:36.559373Z",
"url": "https://files.pythonhosted.org/packages/e0/b1/e2a926f24ba5ae8b1b4d11563184e870f455fc45dc4c91c5c961c59faa77/py4macro-0.8.13-py2.py3-none-any.whl",
"yanked": false,
"yanked_reason": null
},
{
"comment_text": "",
"digests": {
"blake2b_256": "340b4e4b8acf2dbc4e573cf82113dde1d9fc248798891b53934fcc53a83fcce4",
"md5": "896a67ea4dd27c93e1636a7c2b637981",
"sha256": "80bd411c888aa81b1b05230225ad3a48dba6198f0668ab42ceba7f8797a930c0"
},
"downloads": -1,
"filename": "py4macro-0.8.13.tar.gz",
"has_sig": false,
"md5_digest": "896a67ea4dd27c93e1636a7c2b637981",
"packagetype": "sdist",
"python_version": "source",
"requires_python": null,
"size": 4487637,
"upload_time": "2024-09-22T08:56:38",
"upload_time_iso_8601": "2024-09-22T08:56:38.618063Z",
"url": "https://files.pythonhosted.org/packages/34/0b/4e4b8acf2dbc4e573cf82113dde1d9fc248798891b53934fcc53a83fcce4/py4macro-0.8.13.tar.gz",
"yanked": false,
"yanked_reason": null
}
],
"upload_time": "2024-09-22 08:56:38",
"github": true,
"gitlab": false,
"bitbucket": false,
"codeberg": false,
"github_user": "Py4Macro",
"github_project": "py4macro",
"travis_ci": false,
"coveralls": false,
"github_actions": true,
"lcname": "py4macro"
}
JSON
