# testforPPshare使用指南（by@zemengchuan）
GitHub链接：https://github.com/zemengchuan/PPtest
## 用途：
testforPPshare是PPshare项目的测试版本，目前的功能是集成了许多爬取宏观数据的爬虫
## 安装方式
```python
pip install testforPPshare
```
## 方法库
## 快速获取目标数据的函数
方法：get_methods
描述：通过向get_methods方法传入目标数据的描述，可以快速获取你想要的函数名称，并且可以自行选择需要匹配的函数数量，以及是否需要调用
输入参数：
| 名称 | 类型 | 描述 |
| -------- | ---- | ------------------- |
| describe | str | 目标数据的名字 |
| limit | int | 匹配的数量，默认为5 |
方法示例：
```python
import testforPPshare as tp
method = tp.get_methods("商品价格指数")
print(method)
```
结果示例：
```
您希望获取的数据有可能是:
0 " 企业商品价格指数"，其调用方法为China_CGPI
1 "商品零售价格指数"，其调用方法为China_retail_price_index
2 "大宗商品价格"，其调用方法为China_commodity_price_index
3 "建材价格指数"，其调用方法为China_construction_price_index
4 "工业品出厂价格指数"，其调用方法为China_PPI
请选择需要调用的函数编号：（不调用则填quit）0
您选择的数据是:“ 企业商品价格指数”
[ 月份 总指数-指数值 总指数-同比增长 总指数-环比增长 农产品-指数值 农产品-同比增长 农产品-环比增长 矿产品-指数值 矿产品-同比增长 矿产品-环比增长 煤油电-指数值 煤油电-同比增长 煤油电-环
比增长
0 2023年01月份 100.4 -5.639098 0.199601 107.4 15.359828 2.972196 101.9 -1.450677 -0.682261 105.8 -10.338983 -2.037037
1 2022年12月份 100.2 -6.790698 0.400802 104.3 7.971014 -0.666667 102.6 -1.535509 1.886792 108.0 -8.937605 0.185529
2 2022年11月份 99.8 -9.107468 -0.299700 105.0 6.924644 -6.166220 100.7 -6.586271 2.650357 107.8 -12.924071 -0.185185
3 2022年10月份 100.1 -9.082652 -1.573255 111.9 21.498371 -0.089286 98.1 -11.938959 2.400835 108.0 -12.691997 -3.398927
4 2022年09月份 101.7 -5.746061 -0.586510 112.0 24.721604 4.089219 95.8 -16.258741 3.232759 111.8 -4.931973 -2.272727
.. ... ... ... ... ... ... ... ... ... ... ... ... ...
195 2006年10月份 103.8 2.843555 0.193050 106.3 8.116355 0.662879 116.0 9.002067 2.112676 107.0 -11.401838 -2.550091
196 2006年09月份 103.6 2.139406 0.680272 105.6 6.850147 1.343570 113.6 4.048361 0.709220 109.8 -9.495549 -0.453309
197 2006年08月份 102.9 0.753941 0.390244 104.2 4.628979 1.165049 112.8 1.768315 0.624442 110.3 -10.492575 -0.090580
198 2006年07月份 102.5 -0.214174 0.195503 103.0 2.763644 0.292113 112.1 1.009191 1.356239 110.4 -10.657927 0.272480
199 2006年06月份 102.3 -0.689253 0.788177 102.7 2.392822 1.884921 110.6 -0.887176 1.589051 110.1 -10.356619 -0.524033
[200 rows x 13 columns]]
```
## 中国宏观
### 中国宏观杠杆率
接口: macro_cnbs
描述: 中国国家金融与发展实验室-中国宏观杠杆率数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| -------------- | ------- | ----------- |
| 年份 | object | 日期, 年-月 |
| 居民部门 | float64 | - |
| 非金融企业部门 | float64 | - |
| 政府部门 | float64 | - |
| 中央政府 | float64 | - |
| 地方政府 | float64 | - |
| 实体经济部门 | float64 | - |
| 金融部门资产方 | float64 | - |
| 金融部门负债方 | float64 | - |
接口示例
```python
import testforPPshare as tp
macro_cnbs_df = tp.macro_cnbs()
print(macro_cnbs_df)
```
数据示例
```
年份 居民部门 非金融企业部门 ... 实体经济部门 金融部门资产方 金融部门负债方
0 1993-12 8.311222 91.658000 ... 107.791459 8.896441 7.128428
1 1994-12 7.808230 82.411703 ... 98.354271 9.808787 6.796868
2 1995-12 8.240004 80.950106 ... 97.850373 10.009081 7.006151
3 1996-03 8.403456 81.711651 ... 99.241521 10.183896 7.186300
4 1996-06 8.581114 82.051373 ... 99.679459 10.379730 7.380510
.. ... ... ... ... ... ... ...
93 2018-09 52.575456 155.641011 ... 245.227043 61.350917 60.645733
94 2018-12 53.198837 153.553140 ... 243.702122 60.638348 60.936158
95 2019-03 54.277928 156.881879 ... 248.828108 60.542178 59.417322
96 2019-06 55.304291 155.743313 ... 249.533412 58.736094 58.727086
97 2019-09 56.314848 155.618498 ... 251.147265 55.820243 59.358625
```
### 国民经济运行状况
#### 经济状况
##### 企业商品价格指数
接口: China_CGPI
描述: 东方财富-经济数据一览-中国-企业商品价格指数, 数据区间从 20050101-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| --------------- | ------- | ----------- |
| 月份 | object | - |
| 总指数-指数值 | float64 | - |
| 总指数-同比增长 | float64 | 注意单位: % |
| 总指数-环比增长 | float64 | 注意单位: % |
| 农产品-指数值 | float64 | - |
| 农产品-同比增长 | float64 | 注意单位: % |
| 农产品-环比增长 | float64 | 注意单位: % |
| 矿产品-指数值 | float64 | - |
| 矿产品-同比增长 | float64 | 注意单位: % |
| 矿产品-环比增长 | float64 | 注意单位: % |
| 煤油电-指数值 | float64 | - |
| 煤油电-同比增长 | float64 | 注意单位: % |
| 煤油电-环比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_CGPI_df = tp.China_CGPI()
print(China_CGPI_df)
```
数据示例
```
月份 总指数-指数值 总指数-同比增长 ... 煤油电-指数值 煤油电-同比增长 煤油电-环比增长
0 2022年09月份 101.70 -5.746061 ... 111.80 -4.931973 -2.272727
1 2022年08月份 102.30 -4.925651 ... 114.40 -0.608167 -1.970865
2 2022年07月份 103.10 -4.448563 ... 116.70 1.214224 -3.233831
3 2022年06月份 105.20 -2.682701 ... 120.60 4.960836 0.249377
4 2022年05月份 105.10 -3.666361 ... 120.30 4.427083 -1.635323
.. ... ... ... ... ... ... ...
208 2005年05月份 103.16 -5.738304 ... 122.53 11.168572 1.625612
209 2005年04月份 102.81 -5.903350 ... 120.57 12.640135 0.920733
210 2005年03月份 103.48 -4.485878 ... 119.47 14.292548 0.538585
211 2005年02月份 104.82 -2.046538 ... 118.83 13.974679 2.590003
212 2005年01月份 104.67 -1.957662 ... 115.83 8.903723 -1.814021
```
##### 外商直接投资数据
接口: China_FDI
描述: 东方财富-经济数据一览-中国-外商直接投资数据, 数据区间从 200801-202012
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | int64 | - |
| 当月-同比增长 | float64 | 注意单位: 美元 |
| 当月-环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 美元 |
| 累计-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_FDI_df = tp.China_FDI()
print(China_FDI_df)
```
数据示例
```
月份 当月 当月-同比增长 当月-环比增长 累计 累计-同比增长
0 2022年08月份 14490000 11.119632 25.237684 138410000 20.20
1 2022年07月份 11570000 18.302658 -52.929211 123920000 21.50
2 2022年06月份 24580000 26.831785 84.812030 112350000 21.80
3 2022年05月份 13300000 6.060606 -13.524057 87770000 22.60
4 2022年04月份 15380000 8.462623 -27.555346 74470000 26.10
.. ... ... ... ... ... ...
171 2008年05月份 7760960 58.421856 2.079078 42777890 54.97
172 2008年04月份 7602890 70.214971 -18.121715 35016930 59.32
173 2008年03月份 9285600 50.171752 34.026347 27414040 61.26
174 2008年02月份 6928190 52.801205 -38.142541 18128440 75.19
175 2008年01月份 11200250 116.422424 -14.460445 11200250 109.78
```
##### **贷款市场报价利率**
接口:LPR()
描述: 中国 LPR 品种数据, 数据区间从 2013.10.25-至今
限量: 单次返回一年（364天）的数据量，超过则会返回空表
输入参数
| 名称 | 类型 | 描述 |
| ---------- | ------------------- | --------------------------------------- |
| start_date | str / datetime.date | 起始时间，默认为终止时间前一年（364天） |
| end_date | str / datetime.date | 终止时间，默认为今天 |
输出参数
| 名称 | 类型 | 描述 |
| ---- | ----- | ---- |
| 日期 | str | 日期 |
| 1Y | float | 1年 |
接口示例
```python
import testforPPshare as tp
China_lpr_df = tp.LPR(start_date='2013-10-01',end_date='2014-9-30')
print(China_lpr_df)
```
数据示例
```
日期 1Y
0 2014-09-30 5.76
1 2014-09-29 5.76
2 2014-09-28 5.76
3 2014-09-26 5.76
4 2014-09-25 5.76
.. ... ...
231 2013-10-31 5.72
232 2013-10-30 5.72
233 2013-10-29 5.72
234 2013-10-28 5.72
235 2013-10-25 5.71
```
##### 社会融资规模增量统计
接口: China_ISFC
描述: 商务数据中心-国内贸易-社会融资规模增量统计, 数据区间从 201501-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| --------------------------- | ------- | -------------------------- |
| 月份 | object | 年月 |
| 社会融资规模增量 | float64 | 注意单位: 亿元 |
| 其中-人民币贷款 | float64 | 注意单位: 亿元 |
| 其中-委托贷款外币贷款 | float64 | 注意单位: 折合人民币, 亿元 |
| 其中-委托贷款 | float64 | 注意单位: 亿元 |
| 其中-信托贷款 | float64 | 注意单位: 亿元 |
| 其中-未贴现银行承兑汇票 | float64 | 注意单位: 亿元 |
| 其中-企业债券 | float64 | 注意单位: 亿元 |
| 其中-非金融企业境内股票融资 | float64 | 注意单位: 亿元 |
接口示例
```python
import testforPPshare as tp
China_ISFC_df = tp.China_ISFC()
print(China_ISFC_df)
```
数据示例
```
月份 社会融资规模增量 其中-人民币贷款 ... 其中-未贴现银行承兑汇票 其中-企业债券 其中-非金融企业境内股票融资
0 201501 20516 14708 ... 1946 1868 526.0
1 201502 13609 11437 ... -592 716 542.0
2 201503 12433 9920 ... -910 1344 639.0
3 201504 10582 8045 ... -74 1616 597.0
4 201505 12397 8510 ... 961 1710 584.0
.. ... ... ... ... ... ... ...
82 202111 25983 13021 ... -383 4006 1294.0
83 202112 23682 10350 ... -1419 2167 2075.0
84 202201 61750 41988 ... 4733 5829 1439.0
85 202202 11928 9084 ... -4228 3377 585.0
86 202203 46531 32291 ... 287 3573 958.0
```
##### 中国 GDP 年率
接口: China_GDP_yearly
描述: 金十数据中心-中国GDP年率报告, 数据区间从 20110120-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----- | ------- | ---- |
| index | object | 年月 |
| value | float64 | 年率 |
接口示例
```python
import testforPPshare as tp
China_GDP_yearly_df = tp.China_GDP_yearly()
print(China_GDP_yearly_df)
```
数据示例
```
date value
0 2011-01-20 9.8
1 2011-04-15 9.7
2 2011-07-13 9.5
3 2011-10-18 9.1
4 2012-01-17 8.9
5 2012-04-13 8.1
6 2012-07-13 7.6
7 2012-10-18 7.4
8 2013-01-18 7.9
9 2013-04-15 7.7
10 2013-07-15 7.5
11 2013-10-18 7.8
12 2014-01-20 7.7
13 2014-04-16 7.4
14 2014-07-16 7.5
15 2014-10-21 7.3
16 2015-01-20 7.3
17 2015-04-15 7.0
18 2015-07-15 7.0
19 2015-10-19 6.9
20 2016-01-19 6.8
21 2016-04-15 6.7
22 2016-07-15 6.7
23 2016-10-19 6.7
24 2017-01-20 6.8
25 2017-04-17 6.9
26 2017-07-17 6.9
28 2017-10-19 6.8
30 2018-01-18 6.8
32 2018-04-17 6.8
34 2018-07-16 6.7
36 2018-10-19 6.5
38 2019-01-21 6.4
40 2019-04-17 6.4
42 2019-07-15 6.2
44 2019-10-18 6.0
46 2020-01-17 6.0
48 2020-04-17 -6.8
50 2020-07-16 3.2
52 2020-10-19 4.9
54 2021-01-18 6.5
56 2021-04-16 18.3
58 2021-07-15 7.9
59 2021-10-18 4.9
60 2022-01-17 4.0
61 2022-04-18 4.8
```
#### 物价水平
##### 中国 CPI 年率报告
接口: China_CPI_yearly
描述: 中国年度 CPI 数据, 数据区间从 19860201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----- | ------- | ---- |
| index | object | 日期 |
| value | float64 | 年率 |
接口示例
```python
import testforPPshare as tp
China_CPI_yearly_df = tp.China_CPI_yearly()
print(China_CPI_yearly_df)
```
数据示例
```
date value
0 1986-02-01 7.1
1 1986-03-01 7.1
2 1986-04-01 7.1
3 1986-05-01 7.1
4 1986-06-01 7.1
.. ... ...
434 2022-04-11 1.5
435 2022-05-11 2.1
436 2022-06-10 2.1
437 2022-07-09 2.5
438 2022-08-10 2.7
```
##### 中国 CPI 月率报告
接口: China_CPI_monthly
描述: 中国月度 CPI 数据, 数据区间从 19960201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 描述 |
| ----- | ----- | --------- |
| index | str | 日期-索引 |
| value | float | 月率 |
接口示例
```python
import testforPPshare as tp
China_CPI_monthly_df = tp.China_CPI_monthly()
print(China_CPI_monthly_df)
print(China_CPI_monthly_df.name)
```
数据示例
China_CPI_monthly_df.name:
```
CPI
```
China_CPI_monthly_df:
```
1996-02-01 2.1
1996-03-01 2.3
1996-04-01 0.6
1996-05-01 0.7
2019-07-10 -0.1
2019-08-09 0.4
2019-09-10 0.7
2019-10-15 0.9
2019-11-09 0.9
2019-12-10 0.4
2020-01-09 0
```
##### 中国 PPI 年率报告
接口: China_PPI_yearly
描述: 获取中国年度PPI数据, 数据区间从19950801-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----- | ------- | --------- |
| index | object | 日期-索引 |
| value | float64 | 年率 |
接口示例
```python
import testforPPshare as tp
China_PPI_yearly_df = tp.China_PPI_yearly()
print(China_PPI_yearly_df)
print(China_PPI_yearly_df.name)
```
数据示例
China_PPI_yearly_df.name:
```
PPI
```
China_PPI_yearly_df:
```
1995-08-01 13.5
1995-09-01 13
1995-10-01 12.9
1995-11-01 12.5
1995-12-01 11.1
2019-08-09 -0.3
2019-09-10 -0.8
2019-10-15 -1.2
2019-11-09 -1.6
2019-12-10 -1.4
2020-01-09 -0.5
```
### 贸易状况
#### 以美元计算出口年率
接口: China_exports_yoy
描述: 中国以美元计算出口年率报告, 数据区间从 19820201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_exports_yoy_df = tp.China_exports_yoy()
print(China_exports_yoy_df)
print(China_exports_yoy_df.name)
```
数据示例
China_exports_yoy_df.name:
```
china_exports_yoy
```
China_exports_yoy_df:
```
1982-02-01 8.7
1982-03-01 23.2
1982-04-01 12.2
1982-05-01 -2.5
1982-06-01 41.5
2019-03-08 -20.8
2019-04-12 14.2
2019-05-08 -2.7
2019-06-10 1.1
2019-07-12 -1.3
2019-08-08 3.3
2019-09-08 -1
2019-10-14 -3.2
2019-11-08 -0.9
2019-12-08 -1.1
2020-01-14 0
```
#### 以美元计算进口年率
接口: China_imports_yoy
描述: 获取中国以美元计算进口年率报告, 数据区间从19960201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_imports_yoy_df = tp.China_imports_yoy()
print(China_imports_yoy_df)
print(China_imports_yoy_df.name)
```
数据示例
China_imports_yoy_df.name:
```
china_imports_yoy
```
China_imports_yoy_df:
```
1996-02-01 55.8
1996-03-01 14.2
1996-04-01 8.7
1996-05-01 6.4
1996-06-01 4.5
2019-06-10 -8.5
2019-07-12 -7.3
2019-08-08 -5.6
2019-09-08 -5.6
2019-10-14 -8.5
2019-11-08 -6.5
2019-12-08 0.3
2020-01-14 0
```
#### 以美元计算贸易帐(亿美元)
接口: China_trade_balance
描述: 获取中国以美元计算贸易帐报告, 数据区间从19810201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_trade_balance_df = tp.China_trade_balance()
print(China_trade_balance_df)
print(China_trade_balance_df.name)
```
数据示例
China_trade_balance_df.name:
```
china_trade_balance
```
China_trade_balance_df:
```
1981-02-01 -2.2
1981-03-01 -4.9
1981-04-01 -7.4
1981-05-01 -4.8
2019-10-14 396.5
2019-11-08 430.2
2019-12-08 387.3
2019-12-09 0
2020-01-14 0
```
### 产业指标
#### 工业增加值增长
接口: China_gyzjz
描述: 东方财富-中国工业增加值增长, 数据区间从 2008 - 至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 描述 |
| -------- | ------- | ----------- |
| 月份 | object | - |
| 同比增长 | float64 | 注意单位: % |
| 累计增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_gyzjz_df = tp.China_gyzjz
print(China_gyzjz_df)
```
数据示例
```
月份 同比增长 累计增长
0 2021-05-01 8.8 17.8
1 2021-04-01 9.8 20.3
2 2021-03-01 14.1 24.5
3 2021-02-01 0.0 35.1
4 2020-12-01 7.3 2.8
.. ... ... ...
142 2008-06-01 16.0 16.3
143 2008-05-01 16.0 16.3
144 2008-04-01 15.7 16.3
145 2008-03-01 17.8 16.4
146 2008-02-01 15.4 15.4
```
#### 规模以上工业增加值年率
接口: China_industrial_production_yoy
描述: 获取中国规模以上工业增加值年率报告, 数据区间从19900301-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_industrial_production_yoy_df = tp.China_industrial_production_yoy()
print(China_industrial_production_yoy_df)
print(China_industrial_production_yoy_df.name)
```
数据示例
China_industrial_production_yoy_df.name:
```
china_industrial_production_yoy
```
China_industrial_production_yoy_df:
```
1990-03-01 5
1990-04-01 0.8
1990-05-01 1.7
1990-06-01 3.3
1990-07-01 5
...
2019-09-16 4.4
2019-10-18 5.8
2019-11-14 4.7
2019-12-16 6.2
2020-01-17 0
```
#### 官方制造业PMI
接口: China_pmi_yearly
描述: 获取中国年度PMI数据, 数据区间从20050201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_pmi_yearly_df = tp.China_pmi_yearly()
print(China_pmi_yearly_df)
print(China_pmi_yearly_df.name)
```
数据示例
China_pmi_yearly_df.name:
```
pmi
```
China_pmi_yearly_df:
```
2005-02-01 54.7
2005-03-01 54.5
2005-04-01 57.9
2005-05-01 56.7
2005-06-01 52.9
...
2019-09-30 49.8
2019-10-31 49.3
2019-11-30 50.2
2019-12-31 50.2
2020-01-31 0
```
#### 财新制造业PMI终值
接口: China_cx_pmi_yearly
描述: 获取中国年度财新 PMI 数据, 数据区间从20120120-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_cx_pmi_yearly_df = tp.China_cx_pmi_yearly()
print(China_cx_pmi_yearly_df)
print(China_cx_pmi_yearly_df.name)
```
数据示例
China_cx_pmi_yearly_df.name:
```
cx_pmi
```
China_cx_pmi_yearly_df:
```
2012-01-20 48.8
2012-02-22 49.6
2012-03-22 48.3
2012-04-23 49.1
2012-05-02 49.3
...
2019-09-02 50.4
2019-09-30 51.4
2019-11-01 51.7
2019-12-02 51.8
2020-01-02 51.5
```
#### 财新服务业PMI
接口: China_cx_services_pmi_yearly
描述: 获取中国财新服务业PMI报告, 数据区间从20120405-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_cx_services_pmi_yearly_df = tp.China_cx_services_pmi_yearly()
print(China_cx_services_pmi_yearly_df)
print(China_cx_services_pmi_yearly_df.name)
```
数据示例
China_cx_services_pmi_yearly_df.name:
```
cx_services_pmi
```
China_cx_services_pmi_yearly_df:
```
2012-04-05 53.3
2012-05-04 54.1
2012-06-05 54.7
2012-07-04 52.3
2012-08-03 53.1
...
2019-09-04 52.1
2019-10-08 51.3
2019-11-05 51.1
2019-12-04 53.5
2020-01-06 52.5
```
#### 中国官方非制造业PMI
接口: China_non_man_pmi
描述: 获取中国官方非制造业PMI, 数据区间从20160101-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_non_man_pmi_df = tp.China_non_man_pmi()
print(China_non_man_pmi_df)
print(China_non_man_pmi_df.name)
```
数据示例
China_non_man_pmi_df.name:
```
cx_services_pmi
```
China_non_man_pmi_df:
```
2007-02-01 60.4
2007-03-01 60.6
2007-04-01 58.2
2007-05-01 60.4
2007-06-01 62.2
...
2019-09-30 53.7
2019-10-31 52.8
2019-11-30 54.4
2019-12-31 53.5
2020-01-31 0
```
### 金融指标
#### 外汇储备(亿美元)
接口: China_fx_reserves_yearly
描述: 获取中国年度外汇储备数据, 数据区间从20140115-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_fx_reserves_yearly_df = tp.China_fx_reserves_yearly()
print(China_fx_reserves_yearly_df)
print(China_fx_reserves_yearly_df.name)
```
数据示例
China_fx_reserves_yearly_df.name:
```
fx_reserves
```
China_fx_reserves_yearly_df:
```
2014-01-15 39500
2014-07-15 39900
2015-01-15 32300
2016-03-07 32020
2016-04-07 32100
...
2019-09-07 31070
2019-10-08 30920
2019-11-07 31050
2019-12-07 30960
2020-01-07 31080
```
#### M2货币供应年率
接口: China_M2_yearly
描述: 获取中国年度M2数据, 数据区间从19980201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | --------- |
| index | str | Y | 日期-索引 |
| value | float | Y | 年率 |
接口示例
```python
import testforPPshare as tp
China_M2_yearly_df = tp.China_M2_yearly()
print(China_M2_yearly_df)
print(China_M2_yearly_df.name)
```
数据示例
China_M2_yearly_df.name:
```
M2
```
China_M2_yearly_df:
```
1998-02-01 17.4
1998-03-01 16.7
1998-04-01 15.4
1998-05-01 14.6
1998-06-01 15.5
...
2019-11-11 8.4
2019-11-14 0
2019-12-10 8.2
2019-12-13 0
2020-01-14 0
```
#### 新房价指数
接口: China_new_house_price
描述: 中国新房价指数月度数据, 数据区间从 201101-至今
限量: 单次返回指定城市的所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ----------- | ---- | -------------------------------------- |
| city_first | str | city_first="北京"; 城市列表见目标网站 |
| city_second | str | city_second="上海"; 城市列表见目标网站 |
输出参数
| 名称 | 类型 | 描述 |
| ------------------------- | ------- | ---- |
| 日期 | object | 日期 |
| 城市 | object | - |
| 新建商品住宅价格指数-环比 | float64 | - |
| 新建商品住宅价格指数-同比 | float64 | - |
| 新建商品住宅价格指数-定基 | float64 | - |
| 二手住宅价格指数-环比 | float64 | - |
| 二手住宅价格指数-同比 | float64 | - |
| 二手住宅价格指数-定基 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_new_house_price_df = tp.China_new_house_price()
print(China_new_house_price_df)
```
数据示例
```
日期 城市 新建商品住宅价格指数-同比 ... 二手住宅价格指数-环比 二手住宅价格指数-同比 二手住宅价格指数-定基
0 2022-10-01 北京 105.9 ... 105.2 100.1 116.7
1 2022-10-01 上海 104.0 ... 103.9 99.6 113.7
2 2022-09-01 北京 106.1 ... 104.6 100.4 116.5
3 2022-09-01 上海 103.8 ... 103.9 100.5 114.2
4 2022-08-01 北京 105.8 ... 103.9 100.2 116.0
.. ... .. ... ... ... ... ...
279 2011-03-01 上海 102.0 ... 100.5 100.4 101.4
280 2011-02-01 北京 108.4 ... 102.9 100.4 101.5
281 2011-02-01 上海 102.8 ... 102.0 100.4 101.0
282 2011-01-01 北京 109.1 ... 102.6 100.3 101.2
283 2011-01-01 上海 101.8 ... 101.7 100.5 100.6
```
#### 企业景气及企业家信心指数
接口: China_enterprise_boom_index
描述: 中国企业景气及企业家信心指数数据, 数据区间从 2005 一季度-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------------- | ------- | ----------- |
| 季度 | object | 日期 |
| 企业景气指数-指数 | float64 | - |
| 企业景气指数-同比 | float64 | 注意单位: % |
| 企业景气指数-环比 | float64 | 注意单位: % |
| 企业家信心指数-指数 | float64 | - |
| 企业家信心指数-同比 | float64 | 注意单位: % |
| 企业家信心指数-环比 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_enterprise_boom_index_df = tp.China_enterprise_boom_index()
print(China_enterprise_boom_index_df)
```
数据示例
```
季度 企业景气指数-指数 企业景气指数-同比 ... 企业家信心指数-指数 企业家信心指数-同比 企业家信心指数-环比
0 2022年第2季度 101.80 1.80 ... NaN NaN NaN
1 2022年第1季度 112.70 12.70 ... NaN NaN NaN
2 2021年第4季度 119.20 19.20 ... NaN NaN NaN
3 2021年第3季度 119.20 19.20 ... 120.90 20.90 -5.10
4 2021年第2季度 123.80 23.80 ... 126.00 26.00 -1.80
.. ... ... ... ... ... ... ...
65 2006年第1季度 131.50 31.50 ... 133.10 33.10 7.70
66 2005年第4季度 131.70 31.70 ... 125.40 25.40 -2.20
67 2005年第3季度 132.00 32.00 ... 127.60 27.60 -0.90
68 2005年第2季度 131.71 31.71 ... 128.50 28.50 -7.35
69 2005年第1季度 132.46 32.46 ... 135.85 35.85 5.04
```
#### 全国税收收入
接口: China_national_tax_receipts
描述: 中国全国税收收入数据, 数据区间从 2005 一季度-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------ | ------- | -------------- |
| 季度 | object | 日期 |
| 税收收入合计 | float64 | 注意单位: 亿元 |
| 较上年同期 | float64 | 注意单位: % |
| 季度环比 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_national_tax_receipts_df = tp.China_national_tax_receipts()
print(China_national_tax_receipts_df)
```
数据示例
```
季度 税收收入合计 较上年同期 季度环比
0 2022年第1-3季度 124365.00 -11.6 0.171811
1 2022年第1-2季度 85564.00 -14.8 -0.368718
2 2022年第1季度 52452.00 7.7 0.637641
3 2021年第1-4季度 172731.00 11.9 -0.204070
4 2021年第1-3季度 140702.00 18.4 -0.222216
.. ... ... ... ...
64 2006年第1-2季度 18484.80 22.0 0.142837
65 2006年第1季度 8626.32 19.0 NaN
66 2005年第1-3季度 21855.35 15.9 -0.151249
67 2005年第1-2季度 15149.73 13.4 0.089860
68 2005年第1季度 7249.16 10.7 NaN
```
#### 银行理财产品发行数量
接口: China_bank_financing
描述: 银行理财产品发行数量, 数据区间从 2000 一月-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_bank_financing_df = tp.China_bank_financing()
print(China_bank_financing_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2000-03-01 4 NaN ... NaN NaN NaN
1 2004-02-01 2 -50.000000 ... -50.000000 -50.000000 -50.000000
2 2004-03-01 8 300.000000 ... 100.000000 100.000000 100.000000
3 2004-04-01 3 -62.500000 ... -25.000000 -25.000000 -25.000000
4 2004-05-01 6 100.000000 ... 50.000000 50.000000 50.000000
.. ... ... ... ... ... ... ...
213 2021-10-01 2640 -27.829415 ... -51.710262 -70.054446 -74.346516
214 2021-11-01 3424 29.696970 ... -45.347167 -59.541534 -70.644719
215 2021-12-01 3876 13.200935 ... -44.422139 -44.117647 -64.904020
216 2022-01-01 2793 -27.941176 ... -45.406568 -50.478723 -77.035027
217 2022-02-01 1779 -36.305048 ... -54.893509 -66.204407 -78.496313
```
#### 原保险保费收入
接口: China_insurance_income
描述: 原保险保费收入, 数据区间从 200407-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_insurance_income_df = tp.China_insurance_income()
print(China_insurance_income_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2004-07-01 0.000000e+00 NaN ... NaN NaN NaN
1 2004-09-01 2.453616e+07 NaN ... NaN NaN NaN
2 2004-10-01 2.704315e+07 10.217507 ... NaN NaN NaN
3 2004-11-01 2.956397e+07 9.321471 ... NaN NaN NaN
4 2004-12-01 3.193586e+07 8.022916 ... NaN NaN NaN
.. ... ... ... ... ... ... ...
205 2021-09-01 1.979124e+08 9.327015 ... -1.959838 2.790277 -9.435956
206 2021-10-01 2.094363e+08 5.822728 ... -2.107731 2.866552 -10.337719
207 2021-11-01 2.205047e+08 5.284853 ... -2.053675 2.876131 -11.053454
208 2021-12-01 2.357184e+08 6.899490 ... -1.710283 3.594269 -10.239691
209 2022-01-01 7.049640e+07 -70.092958 ... -5.768089 5.429366 12.398597
```
#### 手机出货量
接口: China_mobile_number
描述: 手机出货量, 数据区间从 201201-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_mobile_number_df = tp.China_mobile_number()
print(China_mobile_number_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2012-01-01 2400.6 NaN ... NaN NaN NaN
1 2012-02-01 2998.9 24.922936 ... NaN NaN NaN
2 2012-03-01 3958.6 32.001734 ... NaN NaN NaN
3 2012-04-01 3528.7 -10.859900 ... NaN NaN NaN
4 2012-05-01 3586.8 1.646499 ... NaN NaN NaN
.. ... ... ... ... ... ... ...
117 2021-10-01 3357.5 56.599813 ... 28.379153 -6.655731 -12.866893
118 2021-11-01 3525.2 4.994788 ... 19.159005 1.176741 -0.333616
119 2021-12-01 3340.1 -5.250766 ... 25.591277 9.712916 -6.371587
120 2022-01-01 3302.2 -1.134697 ... -17.691924 58.660453 -3.013393
121 2022-02-01 1486.4 -54.987584 ... -31.688037 132.832080 2.432637
```
#### 菜篮子产品批发价格指数
接口: China_vegetable_basket
描述: 菜篮子产品批发价格指数, 数据区间从 20050927-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_vegetable_basket_df = tp.China_vegetable_basket()
print(China_vegetable_basket_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2005-09-27 123.80 NaN ... NaN NaN NaN
1 2005-09-28 123.00 -0.646204 ... NaN NaN NaN
2 2005-09-29 123.10 0.081301 ... NaN NaN NaN
3 2005-09-30 124.10 0.812348 ... NaN NaN NaN
4 2005-10-08 122.20 -1.531023 ... NaN NaN NaN
... ... ... ... ... ... ...
4100 2022-03-28 137.93 0.561388 ... 6.026597 6.608440 15.470908
4101 2022-03-29 138.45 0.377003 ... 6.952491 7.010357 15.712495
4102 2022-03-30 138.85 0.288913 ... 7.410846 7.978847 16.046803
4103 2022-03-31 139.38 0.381707 ... 8.180689 8.289954 16.489762
4104 2022-04-01 139.70 0.229588 ... 8.775208 8.622969 16.484616
```
#### 农产品批发价格总指数
接口: China_agricultural_product
描述: 农产品批发价格总指数, 数据区间从 20050927-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_agricultural_product_df = tp.China_agricultural_product()
print(China_agricultural_product_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2005-09-27 125.50 NaN ... NaN NaN NaN
1 2005-09-28 125.00 -0.398406 ... NaN NaN NaN
2 2005-09-29 125.00 0.000000 ... NaN NaN NaN
3 2005-09-30 125.80 0.640000 ... NaN NaN NaN
4 2005-10-08 124.20 -1.271860 ... NaN NaN NaN
... ... ... ... ... ... ...
4100 2022-03-28 134.83 0.499404 ... 6.349582 7.374373 15.259019
4101 2022-03-29 135.30 0.348587 ... 7.100451 7.748666 15.492958
4102 2022-03-30 135.03 -0.199557 ... 7.098668 8.127803 15.262484
4103 2022-03-31 136.10 0.792416 ... 8.265054 8.862582 16.175843
4104 2022-04-01 136.38 0.205731 ... 8.790683 9.156395 16.176846
```
#### 农副指数
接口: China_agricultural_index
描述: 农副指数数据, 数据区间从 20111205-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_agricultural_index_df = tp.China_agricultural_index()
print(China_agricultural_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2011-12-05 995 NaN ... NaN NaN NaN
1 2011-12-12 986 -0.904523 ... NaN NaN NaN
2 2011-12-19 990 0.405680 ... NaN NaN NaN
3 2011-12-26 988 -0.202020 ... NaN NaN NaN
4 2012-01-02 993 0.506073 ... NaN NaN NaN
... ... ... ... ... ... ...
2971 2022-03-28 1316 -0.679245 ... 7.428571 24.385633 55.739645
2972 2022-03-29 1311 -0.379939 ... 7.635468 23.913043 55.331754
2973 2022-03-30 1305 -0.457666 ... 7.495881 22.881356 54.620853
2974 2022-03-31 1303 -0.153257 ... 8.222591 22.347418 54.383886
2975 2022-04-01 1289 -1.074444 ... 6.090535 21.489161 52.906287
```
#### 能源指数
接口: China_energy_index
描述: 能源指数数据, 数据区间从 20111205-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_energy_index_df = tp.China_energy_index()
print(China_energy_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2011-12-05 1003 NaN ... NaN NaN NaN
1 2011-12-12 995 -0.797607 ... NaN NaN NaN
2 2011-12-19 987 -0.804020 ... NaN NaN NaN
3 2011-12-26 983 -0.405268 ... NaN NaN NaN
4 2012-01-02 984 0.101729 ... NaN NaN NaN
... ... ... ... ... ... ...
2972 2022-03-29 1208 -0.247729 ... 48.220859 84.992343 48.768473
2973 2022-03-30 1206 -0.165563 ... 47.252747 88.437500 48.522167
2974 2022-03-31 1207 0.082919 ... 47.735618 90.378549 48.645320
2975 2022-04-01 1207 0.000000 ... 48.098160 91.283677 48.828607
2976 2022-04-02 1208 0.082850 ... 47.858017 91.442155 47.858017
```
#### 大宗商品价格
接口: China_commodity_price_index
描述: 大宗商品价格数据, 数据区间从 20111205-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_commodity_price_index_df = tp.China_commodity_price_index()
print(China_commodity_price_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2011-12-05 999 NaN ... NaN NaN NaN
1 2011-12-12 991 -0.800801 ... NaN NaN NaN
2 2011-12-19 990 -0.100908 ... NaN NaN NaN
3 2011-12-26 988 -0.202020 ... NaN NaN NaN
4 2012-01-02 992 0.404858 ... NaN NaN NaN
... ... ... ... ... ... ...
2975 2022-03-31 1213 0.000000 ... 21.543086 68.005540 40.556199
2976 2022-04-01 1212 -0.082440 ... 20.958084 69.037657 40.277778
2977 2022-04-02 1212 0.000000 ... 20.717131 70.224719 40.440324
2978 2022-04-03 1212 0.000000 ... 20.837488 70.464135 40.440324
2979 2022-04-04 1212 0.000000 ... 20.837488 70.704225 40.440324
```
#### 费城半导体指数
接口: macro_global_sox_index
描述: 费城半导体指数数据, 数据区间从 19940504-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
macro_global_sox_index_df = tp.macro_global_sox_index()
print(macro_global_sox_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 1994-05-04 119.0 NaN ... NaN NaN NaN
1 1994-05-05 118.3 -0.588235 ... NaN NaN NaN
2 1994-05-06 117.7 -0.507185 ... NaN NaN NaN
3 1994-05-09 115.6 -1.784197 ... NaN NaN NaN
4 1994-05-10 117.4 1.557093 ... NaN NaN NaN
... ... ... ... ... ... ...
6957 2022-03-25 3525.3 -0.209472 ... 19.102801 139.397788 154.948472
6958 2022-03-28 3547.2 0.621224 ... 14.194471 138.267003 158.203523
6959 2022-03-29 3625.6 2.210194 ... 18.691953 143.533165 159.804659
6960 2022-03-30 3508.6 -3.227052 ... 15.241990 127.048295 151.420628
6961 2022-03-31 3429.0 -2.268711 ... 9.730107 126.997398 145.716620
```
#### 义乌小商品指数-电子元器件
接口: China_yw_electronic_index
描述: 义乌小商品指数-电子元器件数据, 数据区间从 20060911-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_yw_electronic_index_df = tp.China_yw_electronic_index()
print(China_yw_electronic_index_df)
```
数据示例
```
日期 最新值 涨跌幅 近3月涨跌幅 近6月涨跌幅 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2006-09-11 101.34 NaN NaN NaN NaN NaN NaN
1 2006-09-18 102.94 1.578844 NaN NaN NaN NaN NaN
2 2006-09-25 103.34 0.388576 NaN NaN NaN NaN NaN
3 2006-10-02 103.21 -0.125798 NaN NaN NaN NaN NaN
4 2006-10-09 103.06 -0.145335 NaN NaN NaN NaN NaN
.. ... ... ... ... ... ... ... ...
755 2022-03-07 100.18 -0.169407 0.089919 0.18 0.18 -0.802060 0.18
756 2022-03-14 100.09 -0.089838 0.039980 0.09 0.09 -0.407960 0.09
757 2022-03-21 106.11 6.014587 0.463927 6.11 6.11 5.845387 6.11
758 2022-03-28 103.06 -2.874376 0.243167 3.06 3.06 2.936476 3.06
759 2022-04-04 101.53 -1.484572 0.118332 1.53 1.53 1.469119 1.53
```
#### 建材指数
接口: China_construction_index
描述: 建材指数数据, 数据区间从 20111205-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_construction_index_df = tp.China_construction_index()
print(China_construction_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2011-12-05 1014 NaN ... NaN NaN NaN
1 2011-12-12 1013 -0.098619 ... NaN NaN NaN
2 2011-12-19 1005 -0.789733 ... NaN NaN NaN
3 2011-12-26 993 -1.194030 ... NaN NaN NaN
4 2012-01-02 991 -0.201410 ... NaN NaN NaN
... ... ... ... ... ... ...
2455 2022-04-03 1287 0.000000 ... 1.658768 42.209945 6.628003
2456 2022-04-04 1287 0.000000 ... 1.658768 42.209945 6.628003
2457 2022-04-05 1287 0.000000 ... 1.658768 42.209945 6.628003
2458 2022-04-06 1289 0.155400 ... 1.018809 42.430939 6.793703
2459 2022-04-07 1287 -0.155159 ... 0.704225 43.638393 6.628003
```
#### 建材价格指数
接口: China_construction_price_index
描述: 建材价格指数数据, 数据区间从 20100615-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_construction_price_index_df = tp.China_construction_price_index()
print(China_construction_price_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2010-06-15 1230.40 NaN ... NaN NaN NaN
1 2010-06-16 1245.10 1.194733 ... NaN NaN NaN
2 2010-08-01 1281.60 2.931491 ... NaN NaN NaN
3 2010-08-02 1214.90 -5.204432 ... NaN NaN NaN
4 2010-08-03 1218.90 0.329245 ... NaN NaN NaN
... ... ... ... ... ... ...
3841 2022-02-25 1099.01 1.567395 ... 1.467995 1.493295 2.177410
3842 2022-02-26 1088.05 -0.997261 ... 0.456094 0.481142 1.521824
3843 2022-02-27 1097.41 0.860255 ... 1.120479 1.345536 2.198733
3844 2022-02-28 1088.05 -0.852917 ... 0.977244 0.481142 1.549302
3845 2022-03-01 1097.41 0.860255 ... 1.419528 0.749139 2.051425
```
#### 物流景气指数
接口: China_lpi_index
描述: 物流景气指数数据, 数据区间从 20130701-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_lpi_index_df = tp.China_lpi_index()
print(China_lpi_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2013-07-01 52.4 NaN ... NaN NaN NaN
1 2013-08-01 52.9 0.954198 ... NaN NaN NaN
2 2013-09-01 53.3 0.756144 ... NaN NaN NaN
3 2013-10-01 53.6 0.562852 ... NaN NaN NaN
4 2013-11-01 53.0 -1.119403 ... NaN NaN NaN
.. ... ... ... ... ... ... ...
100 2021-11-01 53.6 0.186916 ... -6.782609 -8.998302 7.200000
101 2021-12-01 52.6 -1.865672 ... -7.557118 -10.238908 -3.839122
102 2022-01-01 51.1 -2.851711 ... -6.066176 2.404810 -4.841713
103 2022-02-01 51.2 0.195695 ... 2.811245 95.419847 3.225806
104 2022-03-01 48.7 -4.882812 ... -6.165703 -5.436893 -7.414449
```
#### 原油运输指数
接口: China_bdti_index
描述: 原油运输指数数据, 数据区间从 20011227-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_bdti_index_df = tp.China_bdti_index()
print(China_bdti_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2001-12-27 849 NaN ... NaN NaN NaN
1 2001-12-28 850 0.117786 ... NaN NaN NaN
2 2002-01-02 845 -0.588235 ... NaN NaN NaN
3 2002-01-03 826 -2.248521 ... NaN NaN NaN
4 2002-01-04 811 -1.815981 ... NaN NaN NaN
... ... ... ... ... ... ...
4921 2022-04-05 1469 7.304602 ... 110.157368 6.218366 138.087520
4922 2022-04-06 1547 5.309735 ... 125.839416 24.758065 150.729335
4923 2022-04-07 1653 6.851972 ... 144.888889 47.326203 167.909238
4924 2022-04-08 1677 1.451906 ... 154.863222 56.582633 174.918033
4925 2022-04-11 1730 3.160405 ... 167.801858 55.296230 172.870662
```
#### 超灵便型船运价指数
接口: China_bsi_index
描述: 超灵便型船运价指数数据, 数据区间从 20060103-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_bsi_index_df = tp.China_bsi_index()
print(China_bsi_index_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2006-01-03 1819 NaN ... NaN NaN NaN
1 2006-01-05 1825 0.329852 ... NaN NaN NaN
2 2006-01-09 1814 -0.602740 ... NaN NaN NaN
3 2006-01-11 1784 -1.653804 ... NaN NaN NaN
4 2006-01-12 1759 -1.401345 ... NaN NaN NaN
... ... ... ... ... ... ...
3984 2022-04-06 2605 -2.067669 ... 44.002211 437.113402 251.078167
3985 2022-04-07 2547 -2.226488 ... 42.131696 439.618644 243.261456
3986 2022-04-08 2502 -1.766784 ... 40.089586 451.101322 241.336971
3987 2022-04-11 2473 -1.159073 ... 38.932584 460.770975 245.874126
3988 2022-04-12 2448 -1.010918 ... 37.993236 455.102041 244.303797
```
#### 海岬型运费指数
接口: macro_shiPPIng_bci
描述: 海岬型运费指数, 数据区间从 19990430-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
macro_shiPPIng_bci_df = tp.macro_shiPPIng_bci()
print(macro_shiPPIng_bci_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 1999-04-30 940 NaN ... NaN NaN NaN
1 1999-05-04 947 0.744681 ... NaN NaN NaN
2 1999-05-05 960 1.372756 ... NaN NaN NaN
3 1999-05-06 969 0.937500 ... NaN NaN NaN
4 1999-05-07 981 1.238390 ... NaN NaN NaN
... ... ... ... ... ... ...
5988 2023-03-03 1195 19.500000 ... -27.089689 -28.741801 445.375723
5989 2023-03-06 1329 11.213389 ... -18.715596 -25.504484 525.961538
5990 2023-03-07 1471 10.684725 ... -15.894797 -17.544843 571.474359
5991 2023-03-08 1550 5.370496 ... -18.248945 -15.068493 596.794872
5992 2023-03-09 1662 7.225806 ... -27.169150 -14.769231 546.774194
```
#### 波罗的海干散货指数
接口: macro_shiPPIng_bdi
描述: 波罗的海干散货指数, 数据区间从 19881019-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
macro_shiPPIng_bdi_df = tp.macro_shiPPIng_bdi()
print(macro_shiPPIng_bdi_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 1988-10-19 1317 NaN ... NaN NaN NaN
1 1988-10-20 1316 -0.075930 ... NaN NaN NaN
2 1988-10-21 1328 0.911854 ... NaN NaN NaN
3 1988-10-24 1361 2.484940 ... NaN NaN NaN
4 1988-10-25 1363 0.146951 ... NaN NaN NaN
... ... ... ... ... ... ...
8577 2023-03-03 1211 5.764192 ... -42.442966 -31.310267 120.582878
8578 2023-03-06 1258 3.881090 ... -41.433892 -31.219245 103.889789
8579 2023-03-07 1298 3.179650 ... -41.923937 -29.032258 110.372771
8580 2023-03-08 1327 2.234206 ... -43.579932 -28.386400 115.072934
8581 2023-03-09 1379 3.918613 ... -46.090696 -27.459232 123.863636
```
#### 巴拿马型运费指数
接口: macro_shiPPIng_bpi
描述: 巴拿马型运费指数, 数据区间从 19981231-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
macro_shiPPIng_bpi_df = tp.macro_shiPPIng_bpi()
print(macro_shiPPIng_bpi_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 1998-12-31 732 NaN ... NaN NaN NaN
1 1999-01-04 717 -2.049180 ... NaN NaN NaN
2 1999-01-05 709 -1.115760 ... NaN NaN NaN
3 1999-01-06 729 2.820874 ... NaN NaN NaN
4 1999-01-07 734 0.685871 ... NaN NaN NaN
... ... ... ... ... ... ...
5951 2023-03-03 1565 0.578406 ... -42.015561 -27.579824 67.379679
5952 2023-03-06 1582 1.086262 ... -43.195691 -29.406515 48.127341
5953 2023-03-07 1580 -0.126422 ... -45.536022 -29.495761 47.940075
5954 2023-03-08 1592 0.759494 ... -47.648800 -29.495128 49.063670
5955 2023-03-09 1624 2.010050 ... -49.154665 -27.435210 52.202437
```
#### 成品油运输指数
接口: macro_shiPPIng_bcti
描述: 成品油运输指数, 数据区间从 20011217-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ----------- |
| 日期 | object | - |
| 最新值 | int64 | - |
| 涨跌幅 | float64 | 注意单位: % |
| 近3月涨跌幅 | float64 | 注意单位: % |
| 近6月涨跌幅 | float64 | 注意单位: % |
| 近1年涨跌幅 | float64 | 注意单位: % |
| 近2年涨跌幅 | float64 | 注意单位: % |
| 近3年涨跌幅 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
macro_shiPPIng_bcti_df = tp.macro_shiPPIng_bcti()
print(macro_shiPPIng_bcti_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 2001-12-27 693 NaN ... NaN NaN NaN
1 2001-12-28 691 -0.288600 ... NaN NaN NaN
2 2002-01-02 688 -0.434153 ... NaN NaN NaN
3 2002-01-03 687 -0.145349 ... NaN NaN NaN
4 2002-01-04 687 0.000000 ... NaN NaN NaN
... ... ... ... ... ... ...
5148 2023-03-03 789 -1.743462 ... -20.383451 62.012320 22.136223
5149 2023-03-06 782 -0.887199 ... -20.930233 60.245902 14.160584
5150 2023-03-07 784 0.255754 ... -26.797386 60.655738 14.452555
5151 2023-03-08 827 5.484694 ... -21.163012 67.748479 20.729927
5152 2023-03-09 871 5.320435 ... -15.682478 73.161034 21.478382
```
#### 新增信贷数据
接口: China_new_financial_credit
描述: 中国新增信贷数据数据, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿元 |
| 当月-同比增长 | float64 | 注意单位: % |
| 当月-环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 亿元 |
| 累计-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_new_financial_credit_df = tp.China_new_financial_credit()
print(China_new_financial_credit_df)
```
数据示例
```
月份 当月 当月-同比增长 当月-环比增长 累计 累计-同比增长
0 2022年10月份 4431.0 -42.840557 -82.749358 183298.0 4.127067
1 2022年09月份 25686.0 44.669107 92.491007 178867.0 6.290669
2 2022年08月份 13344.0 4.963423 226.418787 153181.0 1.763815
3 2022年07月份 4088.0 -51.281135 -86.614276 139837.0 1.468657
4 2022年06月份 30540.0 31.740143 67.526056 135749.0 4.888659
.. ... ... ... ... ... ...
173 2008年05月份 3185.0 28.790942 -32.089552 21201.0 1.386830
174 2008年04月份 4690.0 11.137441 65.490473 18016.0 -2.288751
175 2008年03月份 2834.0 -35.838805 16.433854 13326.0 -6.273738
176 2008年02月份 2434.0 -41.179314 -69.793994 10492.0 7.050301
177 2008年01月份 8058.0 42.292071 1561.443299 8058.0 42.292071
```
#### 居民消费价格指数
接口: China_CPI
描述: 中国居民消费价格指数, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------- | ------- | ----------- |
| 月份 | object | - |
| 全国-当月 | float64 | - |
| 全国-同比增长 | float64 | 注意单位: % |
| 全国-环比增长 | float64 | 注意单位: % |
| 全国-累计 | float64 | - |
| 城市-当月 | float64 | - |
| 城市-同比增长 | float64 | 注意单位: % |
| 城市-环比增长 | float64 | 注意单位: % |
| 城市-累计 | float64 | - |
| 农村-当月 | float64 | - |
| 农村-同比增长 | float64 | 注意单位: % |
| 农村-环比增长 | float64 | 注意单位: % |
| 农村-累计 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_CPI_df = tp.China_CPI()
print(China_CPI_df)
```
数据示例
```
月份 全国-当月 全国-同比增长 ... 农村-同比增长 农村-环比增长 农村-累计
0 2022年10月份 102.1000 2.1000 ... 2.5000 0.1 102.0000
1 2022年09月份 102.8000 2.8000 ... 3.1000 0.4 102.0000
2 2022年08月份 102.5000 2.5000 ... 2.7000 -0.1 101.8000
3 2022年07月份 102.7000 2.7000 ... 3.0000 0.5 101.7000
4 2022年06月份 102.5000 2.5000 ... 2.6000 0.0 101.5000
.. ... ... ... ... ... ... ...
173 2008年05月份 107.7163 7.7163 ... 8.5481 -0.3 108.7612
174 2008年04月份 108.4829 8.4829 ... 9.2737 0.1 108.8147
175 2008年03月份 108.3097 8.3097 ... 9.0330 -0.5 108.6618
176 2008年02月份 108.7443 8.7443 ... 9.2344 2.4 108.4812
177 2008年01月份 107.0781 7.0781 ... 7.7209 1.2 107.7209
```
#### 国内生产总值
接口: China_GDP
描述: 中国国内生产总值, 数据区间从 200601 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| --------------------- | ------- | -------------- |
| 季度 | object | - |
| 国内生产总值-绝对值 | float64 | 注意单位: 亿元 |
| 国内生产总值-同比增长 | float64 | 注意单位: % |
| 第一产业-绝对值 | float64 | 注意单位: 亿元 |
| 第一产业-同比增长 | float64 | 注意单位: % |
| 第二产业-绝对值 | float64 | 注意单位: 亿元 |
| 第二产业-同比增长 | float64 | 注意单位: % |
| 第三产业-绝对值 | float64 | 注意单位: 亿元 |
| 第三产业-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_GDP_df = tp.China_GDP()
print(China_GDP_df)
```
数据示例
```
季度 国内生产总值-绝对值 国内生产总值-同比增长 ... 第二产业-同比增长 第三产业-绝对值 第三产业-同比增长
0 2021-03-01 249310.0 18.3 ... 24.4 145355.0 15.6
1 2020-12-01 1015986.2 2.3 ... 2.6 553976.8 2.1
2 2020-09-01 719688.4 0.7 ... 0.9 401249.1 0.4
3 2020-06-01 454712.1 -1.6 ... -1.9 258427.4 -1.6
4 2020-03-01 205727.0 -6.8 ... -9.6 123008.5 -5.2
.. ... ... ... ... ... ... ...
56 2007-03-01 57159.3 13.8 ... 14.8 27703.2 14.1
57 2006-12-01 219438.5 12.7 ... 13.5 91762.2 14.1
58 2006-09-01 155816.8 12.8 ... 13.7 67187.0 13.7
59 2006-06-01 99752.2 13.1 ... 14.2 44996.5 13.6
60 2006-03-01 47078.9 12.5 ... 13.1 22648.0 13.1
```
#### 工业品出厂价格指数
接口: China_PPI
描述: 工业品出厂价格指数, 数据区间从 200601 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------ | ------- | ----------- |
| 月份 | object | - |
| 当月 | float64 | - |
| 当月同比增长 | float64 | 注意单位: % |
| 累计 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_PPI_df = tp.China_PPI()
print(China_PPI_df)
```
数据示例
```
月份 当月 当月同比增长 累计
0 2022年10月份 98.700 -1.30 105.2000
1 2022年09月份 100.948 0.90 105.9397
2 2022年08月份 102.300 2.30 106.6000
3 2022年07月份 104.200 4.20 107.2000
4 2022年06月份 106.100 6.10 107.7000
.. ... ... ... ...
197 2006年05月份 102.430 2.43 102.5700
198 2006年04月份 101.870 1.87 102.6000
199 2006年03月份 102.490 2.49 102.9000
200 2006年02月份 103.010 3.01 103.0000
201 2006年01月份 103.050 3.05 103.0500
```
#### 采购经理人指数
接口: China_pmi
描述: 采购经理人指数, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------------- | ------- | ----------- |
| 月份 | object | - |
| 制造业-指数 | float64 | - |
| 制造业-同比增长 | float64 | 注意单位: % |
| 非制造业-指数 | float64 | - |
| 非制造业-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_pmi_df = tp.China_pmi()
print(China_pmi_df)
```
数据示例
```
月份 制造业-指数 制造业-同比增长 非制造业-指数 非制造业-同比增长
0 2022年10月份 49.2 0.000000 48.7 -7.061069
1 2022年09月份 50.1 1.008065 50.6 -4.887218
2 2022年08月份 49.4 -1.397206 52.6 10.736842
3 2022年07月份 49.0 -2.777778 53.8 0.938086
4 2022年06月份 50.2 -1.375246 54.7 2.242991
.. ... ... ... ... ...
173 2008年05月份 53.3 -4.308797 57.4 -7.717042
174 2008年04月份 59.2 1.023891 58.4 -3.311258
175 2008年03月份 58.4 4.099822 58.9 1.202749
176 2008年02月份 53.4 0.564972 59.3 -2.145215
177 2008年01月份 53.0 -3.811252 60.2 -0.331126
```
#### 中国城镇固定资产投资
接口: China_gdzctz
描述: 中国城镇固定资产投资, 数据区间从 200802 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿元 |
| 同比增长 | float64 | 注意单位: % |
| 环比增长 | float64 | 注意单位: % |
| 自年初累计 | float64 | 注意单位: 亿元 |
接口示例
```python
import testforPPshare as tp
China_gdzctz_df = tp.China_gdzctz()
print(China_gdzctz_df)
```
数据示例
```
月份 当月 同比增长 环比增长 自年初累计
0 2022年10月份 50047.00 4.27 -7.84 471459.00
1 2022年09月份 54306.00 6.66 14.83 421412.00
2 2022年08月份 47294.00 6.57 -2.25 367106.00
3 2022年07月份 48382.00 3.75 -26.10 319812.00
4 2022年06月份 65466.00 5.62 24.89 271430.00
.. ... ... ... ... ...
158 2008年06月份 18171.78 29.49 53.29 58435.98
159 2008年05月份 11854.13 25.44 17.45 40264.20
160 2008年04月份 10093.14 25.37 -1.01 28410.07
161 2008年03月份 10195.65 27.31 NaN 18316.94
162 2008年02月份 NaN NaN NaN 8121.29
```
#### 海关进出口增减情况
接口: China_hgjck
描述: 中国海关进出口增减情况一览表, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------------- | ------- | ---------------- |
| 月份 | object | - |
| 当月出口额-金额 | float64 | 注意单位: 亿美元 |
| 当月出口额-同比增长 | float64 | 注意单位: % |
| 当月出口额-环比增长 | float64 | 注意单位: % |
| 当月进口额-金额 | float64 | 注意单位: 亿美元 |
| 当月进口额-同比增长 | float64 | 注意单位: % |
| 当月进口额-环比增长 | float64 | 注意单位: % |
| 累计出口额-金额 | float64 | 注意单位: 亿美元 |
| 累计出口额-同比增长 | float64 | 注意单位: % |
| 累计进口额-金额 | float64 | 注意单位: 亿美元 |
| 累计进口额-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_hgjck_df = tp.China_hgjck()
print(China_hgjck_df)
```
数据示例
```
月份 当月出口额-金额 当月出口额-同比增长 ... 累计出口额-同比增长 累计进口额-金额 累计进口额-同比增长
0 2022年10月份 2.983717e+08 -0.3 ... 11.1 2.264551e+09 3.5
1 2022年09月份 3.226903e+08 5.9 ... 12.5 2.051334e+09 4.0
2 2022年08月份 3.143794e+08 7.2 ... 13.5 1.813451e+09 4.5
3 2022年07月份 3.318411e+08 18.0 ... 14.5 1.578288e+09 5.2
4 2022年06月份 3.281211e+08 17.1 ... 13.9 1.347358e+09 5.7
.. ... ... ... ... ... ... ...
173 2008年05月份 1.204965e+08 28.1 ... 22.9 4.670271e+08 30.4
174 2008年04月份 1.187067e+08 21.8 ... 21.5 3.665725e+08 27.9
175 2008年03月份 1.089629e+08 30.6 ... 21.4 2.644787e+08 28.6
176 2008年02月份 8.736780e+07 6.5 ... 16.8 1.689377e+08 30.9
177 2008年01月份 1.096400e+08 26.6 ... 26.6 9.017445e+07 27.6
```
#### 财政收入
接口: China_czsr
描述: 中国财政收入, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿元 |
| 当月-同比增长 | float64 | 注意单位: % |
| 当月-环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 亿元 |
| 累计-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_czsr_df = tp.China_czsr()
print(China_czsr_df)
```
数据示例
```
月份 当月 当月-同比增长 当月-环比增长 累计 累计-同比增长
0 2022年10月份 20246.00 15.651777 34.008472 173397.00 -4.5
1 2022年09月份 15108.00 8.440999 15.663757 153151.00 -6.6
2 2022年08月份 13062.00 5.577110 -33.896761 138043.00 -8.0
3 2022年07月份 19760.00 -4.077670 6.914836 124981.00 -9.2
4 2022年06月份 18482.00 -10.550770 48.497509 105221.00 -10.2
.. ... ... ... ... ... ...
169 2008年05月份 6268.15 52.602556 -8.157360 29064.37 33.8
170 2008年04月份 6824.88 17.016465 54.550663 22796.22 29.4
171 2008年03月份 4415.95 24.671449 6.184551 15971.34 35.5
172 2008年02月份 4158.75 36.552139 -43.775147 11555.39 40.2
173 2008年01月份 7396.64 42.352305 135.212710 7396.64 42.4
```
#### 外汇贷款数据
接口: China_whxd
描述: 外汇贷款数据, 数据区间从 200802 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| -------- | ------- | ---------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿美元 |
| 同比增长 | float64 | 注意单位: % |
| 环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 亿美元 |
接口示例
```python
import testforPPshare as tp
China_whxd_df = tp.China_whxd()
print(China_whxd_df)
```
数据示例
```
月份 当月 同比增长 环比增长 累计
0 2022年10月份 -264.00 -303.08 -142.20 7895.00
1 2022年09月份 -109.00 -581.25 68.59 8159.00
2 2022年08月份 -347.00 -2378.57 -11.58 8268.00
3 2022年07月份 -311.00 -972.41 -79.77 8615.00
4 2022年06月份 -173.00 -269.61 -50.43 8926.00
.. ... ... ... ... ...
173 2008年05月份 30.04 -13.15 40.70 2739.34
174 2008年04月份 21.35 39.82 -79.40 2709.30
175 2008年03月份 103.62 279.28 -52.25 2687.95
176 2008年02月份 217.02 754.75 28.20 2584.33
177 2008年01月份 169.28 4508.33 1789.29 2367.31
```
#### 本外币存款
接口: China_wbck
描述: 本外币存款, 数据区间从 200802 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| -------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿元 |
| 同比增长 | float64 | 注意单位: % |
| 环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 亿元 |
接口示例
```python
import testforPPshare as tp
China_wbck_df = tp.China_wbck()
print(China_wbck_df)
```
数据示例
```
月份 当月 同比增长 环比增长 累计
0 2022年10月份 -2650.78 -132.917535 -110.068013 2610227.88
1 2022年09月份 26328.73 14.546846 134.206364 2612878.66
2 2022年08月份 11241.68 -19.737487 871.473473 2586549.93
3 2022年07月份 -1457.17 88.621966 -102.976736 2575308.25
4 2022年06月份 48951.94 22.914621 63.520287 2576765.42
.. ... ... ... ... ...
173 2008年05月份 8763.12 370.965835 22.035258 442540.86
174 2008年04月份 7180.81 69.117415 -33.125126 433777.74
175 2008年03月份 10737.68 25.845804 -19.689339 426596.93
176 2008年02月份 13370.18 152.665137 829.976560 415859.25
177 2008年01月份 1437.69 -72.142704 -59.893939 402489.07
```
#### 货币净投放与净回笼
提示: 该接口暂停更新
接口: China_hb
描述: 央行币净投放与净回笼, 数据区间从 19970310 至今, 周或则月频率
限量: 单次返回指定 symbol 的所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ------ | ---- | ------------------------------------------------ |
| symbol | str | symbol="weekly"; choice of {"weekly", "monthly"} |
输出参数-weekly
| 名称 | 类型 | 描述 |
| -------- | ------- | ------------ |
| 日期 | object | - |
| 开始日期 | object | - |
| 结束日期 | object | - |
| 投放量 | float64 | 注意单位: 亿 |
| 回笼量 | float64 | 注意单位: 亿 |
| 净投放 | float64 | 注意单位: 亿 |
接口示例-weekly
```
import testforPPshare as tp
China_hb_df = tp.China_hb(symbol="weekly")
print(China_hb_df)
```
数据示例-weekly
```
日期 开始日期 结束日期 投放量 回笼量 净投放
0 1997-11 1997-03-10 1997-03-16 0.0 0.0 0.0
1 1997-12 1997-03-17 1997-03-23 0.0 0.0 0.0
2 1997-13 1997-03-24 1997-03-30 0.0 0.0 0.0
3 1997-14 1997-03-31 1997-04-06 0.0 0.0 0.0
4 1997-15 1997-04-07 1997-04-13 0.0 0.0 0.0
... ... ... ... ... ...
1287 2021-50 2021-12-06 2021-12-12 500.0 2300.0 -1800.0
1288 2021-51 2021-12-13 2021-12-19 500.0 500.0 0.0
1289 2021-52 2021-12-20 2021-12-26 1000.0 500.0 500.0
1290 2022-01 2021-12-27 2022-01-02 6500.0 500.0 6000.0
1291 2022-02 2022-01-03 2022-01-09 300.0 7000.0 -6700.0
```
输出参数-monthly
| 名称 | 类型 | 描述 |
| ------ | ------- | ------------ |
| 日期 | object | - |
| 投放量 | float64 | 注意单位: 亿 |
| 回笼量 | float64 | 注意单位: 亿 |
| 净投放 | float64 | 注意单位: 亿 |
接口示例-monthly
```
import testforPPshare as tp
China_hb_df = tp.China_hb(symbol="monthly")
print(China_hb_df)
```
数据示例-monthly
```
日期 投放量 回笼量 净投放
0 1997-12 0.0 0.0 0.0
1 1997-11 0.0 0.0 0.0
2 1997-10 0.0 0.0 0.0
3 1997-09 0.0 0.0 0.0
4 1997-08 0.0 0.0 0.0
.. ... ... ... ...
294 2021-04 2200.0 2100.0 100.0
295 2021-03 2400.0 2500.0 -100.0
296 2021-02 8300.0 11440.0 -3140.0
297 2021-01 10740.0 12450.0 -1710.0
298 2022-01 300.0 7300.0 -7000.0
```
#### 新债发行
接口: China_bond_public
描述: 中国外汇交易中心暨全国银行间同业拆借中心-债券信息披露-新债发行; 近期债券发行数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ------- | -------------- |
| 债券全称 | object | - |
| 债券类型 | object | - |
| 发行日期 | object | - |
| 计息方式 | object | - |
| 价格 | float64 | 注意单位: 元 |
| 债券期限 | object | - |
| 计划发行量 | float64 | 注意单位: 亿元 |
| 债券评级 | object | - |
接口示例
```python
import testforPPshare as tp
China_bond_public_df = tp.China_bond_public()
print(China_bond_public_df)
```
数据示例
```
债券全称 债券类型 发行日期 ... 债券期限 计划发行量 债券评级
0 2022年杭州市临安区新锦产业发展集团有限公司公司债券(第一期) 企业债 01-07 ... 3+4年 7.0 AA+
1 无锡市锡西新城产业发展集团有限公司2022年度第一期中期票据 中期票据 01-06 ... 3年 5.0 None
2 宁波舜农集团有限公司2022年度第一期中期票据 中期票据 01-06 ... 3年 10.0 None
3 2022年第一期淮北市建投控股集团有限公司小微企业增信集合债券 企业债 01-06 ... 3+1年 10.0 AAA
4 融腾2022年第一期个人汽车贷款资产支持证券(次级) 资产支持证券 01-06 ... 1507日 5.7 None
.. ... ... ... ... ... ... ...
229 山东高速集团有限公司2021年度第六期超短期融资券 超短期融资券 12-30 ... 269日 20.0 None
230 浪潮电子信息产业股份有限公司2021年度第四期超短期融资券 超短期融资券 12-30 ... 268日 10.0 None
231 陕西煤业化工集团有限责任公司2021年度第十二期中期票据 中期票据 12-30 ... 3年 20.0 None
232 陕西延长石油(集团)有限责任公司2021年度第四期中期票据 中期票据 12-30 ... 3年 20.0 None
233 昆明滇池投资有限责任公司2021年度第四期绿色超短期融资券 超短期融资券 12-29 ... 270日 10.0 None
```
#### 消费者信心指数
接口: China_xfzxx
描述: 东方财富网-消费者信心指数
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------------------- | ------- | ----------- |
| 月份 | object | - |
| 消费者信心指数-指数值 | float64 | - |
| 消费者信心指数-同比增长 | float64 | 注意单位: % |
| 消费者信心指数-环比增长 | float64 | 注意单位: % |
| 消费者满意指数-指数值 | float64 | - |
| 消费者满意指数-同比增长 | float64 | 注意单位: % |
| 消费者满意指数-环比增长 | float64 | 注意单位: % |
| 消费者预期指数-指数值 | float64 | - |
| 消费者预期指数-同比增长 | float64 | 注意单位: % |
| 消费者预期指数-环比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_xfzxx_df = tp.China_xfzxx()
print(China_xfzxx_df)
```
数据示例
```
月份 消费者信心指数-指数值 ... 消费者预期指数-同比增长 消费者预期指数-环比增长
0 2022年09月份 87.2 ... -28.995984 0.568828
1 2022年08月份 87.0 ... -26.134454 -1.897321
2 2022年07月份 87.9 ... -25.581395 -1.538462
3 2022年06月份 88.9 ... -27.949327 3.762828
4 2022年05月份 86.8 ... -30.063796 1.036866
.. ... ... ... ... ...
184 2007年05月份 112.8 ... 2.975654 0.351494
185 2007年04月份 112.3 ... 2.430243 1.426025
186 2007年03月份 111.0 ... 0.718133 -1.232394
187 2007年02月份 111.8 ... 2.805430 -0.525394
188 2007年01月份 112.4 ... 3.442029 -0.609225
```
#### 存款准备金率
接口: China_reserve_requirement_ratio
描述: 国家统计局-存款准备金率
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------------------- | ------- | ----------- |
| 公布时间 | object | XXXX年X月 |
| 生效时间 | object | XXXX年X月 |
| 大型金融机构-调整前 | float64 | 注意单位: % |
| 大型金融机构-调整后 | float64 | 注意单位: % |
| 大型金融机构-调整幅度 | float64 | 注意单位: % |
| 中小金融机构-调整前 | float64 | 注意单位: % |
| 中小金融机构-调整后 | float64 | 注意单位: % |
| 中小金融机构-调整幅度 | float64 | 注意单位: % |
| 消息公布次日指数涨跌-上证 | float64 | 注意单位: % |
| 消息公布次日指数涨跌-深证 | float64 | 注意单位: % |
| 备注 | object | - |
接口示例
```python
import testforPPshare as tp
China_reserve_requirement_ratio_df = tp.China_reserve_requirement_ratio()
print(China_reserve_requirement_ratio_df)
```
数据示例
```
公布时间 ... 备注
0 2022年11月25日 ... 为保持流动性合理充裕,促进综合融资成本稳中有降,落实稳经济一揽子政策措施,巩固经济回稳向上基...
1 2022年04月15日 ... 为支持实体经济发展,促进综合融资成本稳中有降,中国人民银行决定于2022年4月25日下调金融...
2 2021年12月06日 ... 为支持实体经济发展,促进综合融资成本稳中有降,中国人民银行决定于2021年12月15日下调金...
3 2021年07月09日 ... 为支持实体经济发展,促进综合融资成本稳中有降,中国人民银行决定于2021年7月15日下调金融...
4 2020年04月03日 ... 为支持实体经济发展,促进加大对中小微企业的支持力度,降低社会融资实际成本,中国人民银行决定对...
5 2020年04月03日 ... 为支持实体经济发展,促进加大对中小微企业的支持力度,降低社会融资实际成本,中国人民银行决定对...
6 2020年01月01日 ... 为支持实体经济发展,降低社会融资实际成本,中国人民银行决定于2020年1月6日下调金融机构存...
7 2019年09月06日 ... 为支持实体经济发展,降低社会融资实际成本,中国人民银行决定于2019年9月16日全面下调金融...
8 2019年01月04日 ... 为进一步支持实体经济发展,优化流动性结构,降低融资成本,中国人民银行决定下调金融机构存款准备...
9 2019年01月04日 ... 为进一步支持实体经济发展,优化流动性结构,降低融资成本,中国人民银行决定下调金融机构存款准备...
10 2018年10月07日 ... 从2018年10月15日起,下调大型商业银行、股份制商业银行、城市商业银行、非县域农村商业银...
11 2018年06月24日 ... 从2018年7月5日起,下调大型商业银行、股份制商业银行、邮政储蓄银行、城市商业银行、非县域...
12 2018年04月17日 ... 从2018年4月25日起,下调大型商业银行、股份制商业银行、城市商业银行、非县域农村商业银行...
13 2016年02月29日 ... 自2016年3月1日起,普遍下调金融机构人民币存款准备金率0.5个百分点,以保持金融体系流动...
14 2015年10月23日 ... 2015-10-24,自同日起,下调金融机构人民币存款准备金率0.5个百分点,以保持银行体系...
15 2015年08月25日 ... 自2015年9月6日起,为进一步增强金融机构支持“三农”和小微企业的能力,额外降低县域农村商...
16 2015年04月19日 ... 自4月20日起对农信社、村镇银行等农村金融机构额外降低人民币存款准备金率1个百分点,并统一下...
17 2015年02月04日 ... 同时,为进一步增强金融机构支持结构调整的能力,加大对小微企业、“三农”以及重大水利工程建设的...
18 2012年05月12日 ... None
19 2012年02月18日 ... None
20 2011年11月30日 ... None
21 2011年06月14日 ... None
22 2011年05月12日 ... None
23 2011年04月17日 ... None
24 2011年03月18日 ... None
25 2011年02月18日 ... None
26 2011年01月14日 ... None
27 2010年12月10日 ... None
28 2010年11月19日 ... None
29 2010年11月10日 ... None
30 2010年05月02日 ... 从2010年5月10日起,上调存款类金融机构人民币存款准备金率0.5个百分点,农村信用社、村...
31 2010年02月12日 ... 从2010年2月25日起,上调存款类金融机构人民币存款准备金率0.5个百分点。为加大对“三农...
32 2010年01月12日 ... 从2010年1月18日起,上调存款类金融机构人民币存款准备金率0.5个百分点。为增强支农资金...
33 2008年12月22日 ... None
34 2008年11月26日 ... None
35 2008年10月08日 ... None
36 2008年09月15日 ... 从2008年9月25日起,除工商银行、农业银行、中国银行、建设银行、交通银行、邮政储蓄银行暂...
37 2008年06月07日 ... None
38 2008年06月07日 ... 中国人民银行决定上调存款类金融机构人民币存款准备金率1个百分点,于2008年6月15日和25...
39 2008年05月12日 ... None
40 2008年04月16日 ... None
41 2008年03月18日 ... None
42 2008年01月16日 ... None
43 2007年12月08日 ... None
44 2007年11月10日 ... None
45 2007年10月13日 ... None
46 2007年09月06日 ... None
47 2007年07月30日 ... None
48 2007年05月18日 ... None
49 2007年04月29日 ... None
50 2007年04月05日 ... None
51 2007年02月16日 ... None
52 2007年01月05日 ... None
```
#### 社会消费品零售总额
接口: China_consumer_goods_retail
描述: 东方财富-经济数据-社会消费品零售总额
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------- | ------- | -------------- |
| 月份 | object | - |
| 当月 | float64 | 注意单位: 亿元 |
| 同比增长 | float64 | 注意单位: % |
| 环比增长 | float64 | 注意单位: % |
| 累计 | float64 | 注意单位: 亿元 |
| 累计-同比增长 | float64 | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_consumer_goods_retail_df = tp.China_consumer_goods_retail()
print(China_consumer_goods_retail_df)
```
数据示例
```
月份 当月 同比增长 环比增长 累计 累计-同比增长
0 2022年10月份 40271.0 -0.5 6.692277 360575.0 0.6
1 2022年09月份 37745.0 2.5 4.101164 320305.0 0.7
2 2022年08月份 36258.0 5.4 1.081684 282560.0 0.5
3 2022年07月份 35870.0 2.7 -7.413143 246302.0 -0.2
4 2022年06月份 38742.0 3.1 15.485736 210432.0 -0.7
.. ... ... ... ... ... ...
162 2008年05月份 8703.5 21.6 6.896340 42400.7 21.1
163 2008年04月份 8142.0 22.0 0.231436 33697.2 21.0
164 2008年03月份 8123.2 21.5 -2.770895 25555.2 20.6
165 2008年02月份 8354.7 19.1 -7.960517 17432.0 20.2
166 2008年01月份 9077.3 21.2 0.687720 9077.3 21.2
```
#### 全社会用电分类情况表
接口: China_society_electricity
描述: 国家统计局-全社会用电分类情况表
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| -------------------------- | ----- | -------- | ------------------ |
| 统计时间 | str | Y | - |
| 全社会用电量 | float | Y | 注意单位: 万千瓦时 |
| 全社会用电量同比 | float | Y | 注意单位: % |
| 各行业用电量合计 | float | Y | 注意单位: 万千瓦时 |
| 各行业用电量合计同比 | float | Y | 注意单位: % |
| 第一产业用电量 | float | Y | 注意单位: 万千瓦时 |
| 第一产业用电量同比 | float | Y | 注意单位: % |
| 第二产业用电量 | float | Y | 注意单位: 万千瓦时 |
| 第二产业用电量同比 | float | Y | 注意单位: % |
| 第三产业用电量 | float | Y | 注意单位: 万千瓦时 |
| 第三产业用电量同比 | float | Y | 注意单位: % |
| 城乡居民生活用电量合计 | float | Y | 注意单位: 万千瓦时 |
| 城乡居民生活用电量合计同比 | float | Y | 注意单位: % |
| 城镇居民用电量 | float | Y | 注意单位: 万千瓦时 |
| 城镇居民用电量同比 | float | Y | 注意单位: % |
| 乡村居民用电量 | float | Y | 注意单位: 万千瓦时 |
| 乡村居民用电量同比 | float | Y | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_society_electricity_df = tp.China_society_electricity()
print(China_society_electricity_df)
```
数据示例
```
统计时间 全社会用电量 全社会用电量同比 ... 城镇居民用电量同比 乡村居民用电量 乡村居民用电量同比
0 2020.8 476760000.00 0.50 ... None None None
1 2020.7 403810000.00 -0.70 ... None None None
2 2020.6 335470000.00 -1.30 ... None None None
3 2020.5 271970000.00 -2.80 ... None None None
4 2020.4 212700000.00 -4.70 ... None None None
.. ... ... ... ... ... ... ...
171 2004.11 194584023.00 15.13 ... 8.95 8408040.00 10.48
172 2004.10 175828690.00 15.17 ... 8.74 7652223.00 8.99
173 2004.9 157131146.00 14.92 ... 8.58 6814158.00 9.80
174 2004.3 48045510.00 15.70 ... 9.85 2187609.00 11.68
175 2003.12 188912117.00 15.29 ... 16.12 8806708.00 5.79
```
#### 全社会客货运输量
接口: China_society_traffic_volume
描述: 国家统计局-全社会客货运输量-非累计
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------------------------ | ----- | -------------- |
| 统计时间 | str | 年月 |
| 统计对象 | float | - |
| 货运量 | float | 注意单位: 亿吨 |
| 货运量同比增长 | float | 注意单位: % |
| 货物周转量 | float | 注意单位: 亿 |
| 公里货物周转量同比增长 | float | 注意单位: % |
| 客运量 | float | 注意单位: 亿人 |
| 客运量同比增长 | float | 注意单位: % |
| 旅客周转量 | float | 注意单位: 亿 |
| 公里旅客周转量同比增长 | float | 注意单位: % |
| 沿海主要港口货物吞吐量 | float | 注意单位: 亿吨 |
| 沿海主要港口货物吞吐量同比增长 | float | 注意单位: % |
| 其中:外贸货物吞吐量 | float | 注意单位: 亿吨 |
| 其中:外贸货物吞吐量同比增长 | float | 注意单位: % |
| 民航总周转量 | float | 注意单位: 亿 |
| 公里民航总周转 | float | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_society_traffic_volume_df = tp.China_society_traffic_volume()
print(China_society_traffic_volume_df)
```
数据示例
```
统计时间 统计对象 货运量 货运量同比增长 ... 其中:外贸货物吞吐量 其中:外贸货物吞吐量同比增长 民航总周转量 公里民航总周转
0 2020.8 民航 54.94 -12.70 ... None None None None
1 2020.8 水运 6.72 0.60 ... None None None None
2 2020.8 公路 32.53 5.50 ... None None None None
3 2020.8 铁路 3.84 6.50 ... None None None None
4 2020.8 合计 43.10 4.80 ... None None None None
... ... ... ... ... ... ... ... ...
2088 1952.12 水运 None None ... None None None None
2089 1952.12 公路 None None ... None None None None
2090 1952.12 铁路 None None ... None None None None
2091 1952.12 合计 None None ... None None None None
2092 1952.12 民航 None None ... None None None None
```
#### 邮电业务基本情况
接口: China_postal_telecommunicational
描述: 国家统计局-邮电业务基本情况-非累计
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| -------------------------- | ----- | -------------- |
| 统计时间 | str | 年月 |
| 邮电业务总量 | float | 注意单位: 亿元 |
| 邮电业务总量同比增长 | float | 注意单位: % |
| 邮政业务总量 | float | 注意单位: 亿元 |
| 邮政业务总量同比增长 | float | 注意单位: % |
| 电信业务总量 | float | 注意单位: 亿元 |
| 电信业务总量同比增长 | float | 注意单位: % |
| 函件总数 | float | 注意单位: 万件 |
| 函件总数同比增长 | float | 注意单位: % |
| 包件 | float | 注意单位: 万件 |
| 包件同比增长 | float | 注意单位: % |
| 特快专递 | float | 注意单位: 万件 |
| 特快专递同比增长 | float | 注意单位: % |
| 汇票 | float | 注意单位: 万张 |
| 汇票同比增长 | float | 注意单位: % |
| 订销报纸累计数 | float | 注意单位: 万份 |
| 订销报纸累计数同比增长 | float | 注意单位: % |
| 订销杂志累计数 | float | 注意单位: 万份 |
| 订销杂志累计数同比增长 | float | 注意单位: % |
| 集邮业务 | float | 注意单位: 万枚 |
| 集邮业务同比增长 | float | 注意单位: % |
| 邮政储蓄期末余额 | float | 注意单位: 亿元 |
| 邮政储蓄期末余额同比增长 | float | 注意单位: % |
| 长途电话通话时长 | float | 注意单位: 万 |
| 钟长途电话通话时长同比增长 | float | 注意单位: % |
| 本地电话期末用户数 | float | 注意单位: % |
| 本地电话期末用户数同比增长 | float | 注意单位: % |
| 城市电话用户数 | float | 注意单位: 万户 |
| 城市电话用户数同比增长 | float | 注意单位: % |
| 乡村电话用户数 | float | 注意单位: 万户 |
| 乡村电话用户数同比增长 | float | 注意单位: % |
| 无线寻呼用户数 | float | 注意单位: 万户 |
| 无线寻呼用户数同比增长 | float | 注意单位: % |
| 移动电话用户数 | float | 注意单位: 万户 |
| 移动电话用户数同比增长 | float | 注意单位: % |
| 固定电话用 | float | 注意单位: 万户 |
| 固定电话用户数同比增长 | float | 注意单位: % |
| 城市住宅电话用户 | float | 注意单位: 万户 |
| 城市住宅电话用户同比增长 | float | 注意单位: % |
| 乡村住宅电话用户 | float | 注意单位: 万户 |
| 乡村住宅电话用户同比增长 | float | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_postal_telecommunicational_df = tp.China_postal_telecommunicational()
print(China_postal_telecommunicational_df)
```
数据示例
```
统计时间 邮电业务总量 邮电业务总量同比增长 ... 城市住宅电话用户同比增长 乡村住宅电话用户 乡村住宅电话用户同比增长
0 2020.8 None None ... None None None
1 2020.7 None None ... None None None
2 2020.6 None None ... None None None
3 2020.5 None None ... None None None
4 2020.4 None None ... None None None
.. ... ... ... ... ... ... ...
267 1970.12 None None ... None None None
268 1965.12 None None ... None None None
269 1962.12 None None ... None None None
270 1957.12 None None ... None None None
271 1952.12 None None ... None None None
```
#### 国际旅游外汇收入构成
接口: China_international_tourism_fx
描述: 国家统计局-国际旅游外汇收入构成
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| -------- | ----- | -------- | ------------------ |
| 统计年度 | str | Y | 年 |
| 指标 | float | Y | - |
| 数量 | float | Y | 注意单位: 百万美元 |
| 比重 | float | Y | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_international_tourism_fx_df = tp.China_international_tourism_fx()
print(China_international_tourism_fx_df)
```
数据示例
```
统计年度 指标 数量 比重
0 2019 总计 131254.00 None
1 2018 其他服务 11454.26 9.00
2 2018 住宿 18108.80 14.00
3 2018 总计 127103.00 100.00
4 2018 商品销售 32761.35 26.00
.. ... ... ... ...
238 1996 餐饮 1376.00 13.50
239 1995 总计 8733.00 100.00
240 1994 总计 7323.00 100.00
241 1993 总计 4683.00 100.00
242 1992 总计 3947.00 100.00
```
#### 民航客座率及载运率
接口: China_passenger_load_factor
描述: 国家统计局-民航客座率及载运率
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| -------- | ----- | -------- | ----------- |
| 统计年度 | str | Y | 年月 |
| 客座率 | float | Y | 注意单位: % |
| 载运率 | float | Y | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_passenger_load_factor_df = tp.China_passenger_load_factor()
print(China_passenger_load_factor_df)
```
数据示例
```
统计时间 客座率 载运率
0 2020.7 74.80 67.80
1 2020.6 70.30 67.60
2 2020.5 68.50 66.10
3 2020.4 66.30 66.80
4 2020.3 58.60 62.70
.. ... ... ...
167 2006.6 72.00 64.60
168 2006.5 71.30 64.40
169 2006.4 76.30 69.00
170 2006.3 72.40 67.50
171 2006.2 72.70 64.60
```
#### 航贸运价指数
接口: China_freight_index
描述: 国家统计局-航贸运价指数
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 描述 |
| ------------------------------ | ------- | ---- |
| 截止日期 | object | 年月 |
| 波罗的海好望角型船运价指数BCI | float64 | - |
| 灵便型船综合运价指数BHMI | float64 | - |
| 波罗的海超级大灵便型船BSI指数 | float64 | - |
| 波罗的海综合运价指数BDI | float64 | - |
| HRCI国际集装箱租船指数 | float64 | - |
| 油轮运价指数成品油运价指数BCTI | float64 | - |
| 油轮运价指数原油运价指数BDTI | float64 | - |
接口示例
```python
import testforPPshare as tp
China_freight_index_df = tp.China_freight_index()
print(China_freight_index_df)
```
数据示例
```
截止日期 波罗的海好望角型船运价指数BCI ... 油轮运价指数成品油运价指数BCTI 油轮运价指数原油运价指数BDTI
0 2021-08-10 4328.0 ... NaN NaN
1 2021-08-09 4342.0 ... NaN NaN
2 2021-08-06 4359.0 ... NaN NaN
3 2021-08-05 4414.0 ... NaN NaN
4 2021-08-04 4302.0 ... NaN NaN
... ... ... ... ...
3845 2005-12-13 3459.0 ... 1326.0 2063.0
3846 2005-12-12 3476.0 ... 1286.0 2051.0
3847 2005-12-09 3509.0 ... 1261.0 2061.0
3848 2005-12-08 3553.0 ... NaN NaN
3849 2005-12-07 3709.0 ... NaN NaN
```
#### 央行货币当局资产负债
接口: China_central_bank_balance
描述: 国家统计局-央行货币当局资产负债
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| -------------------- | ----- | -------- | -------------- |
| 统计时间 | str | Y | 年月 |
| 国外资产 | float | Y | 注意单位: 亿元 |
| 外汇 | float | Y | 注意单位: 亿元 |
| 货币黄金 | float | Y | 注意单位: 亿元 |
| 其他国外资产 | float | Y | 注意单位: 亿元 |
| 对政府债权 | float | Y | 注意单位: 亿元 |
| 其中:中央政府 | float | Y | 注意单位: 亿元 |
| 对其他存款性公司债权 | float | Y | 注意单位: 亿元 |
| 对其他金融性公司债权 | float | Y | 注意单位: 亿元 |
| 对非货币金融机构债权 | float | Y | 注意单位: 亿元 |
| 对非金融性公司债权 | float | Y | 注意单位: 亿元 |
| 其他资产 | float | Y | 注意单位: 亿元 |
| 总资产 | float | Y | 注意单位: 亿元 |
| 储备货币 | float | Y | 注意单位: 亿元 |
| 发行货币 | float | Y | 注意单位: 亿元 |
| 金融性公司存款 | float | Y | 注意单位: 亿元 |
| 其他存款性公司 | float | Y | 注意单位: 亿元 |
| 其他金融性公司 | float | Y | 注意单位: 亿元 |
| 对金融机构负债 | float | Y | 注意单位: 亿元 |
| 准备金存款 | float | Y | 注意单位: 亿元 |
| 非金融性公司存款 | float | Y | 注意单位: 亿元 |
| 活期存款 | float | Y | 注意单位: 亿元 |
| 债券 | float | Y | 注意单位: 亿元 |
| 国外负债 | float | Y | 注意单位: 亿元 |
| 政府存款 | float | Y | 注意单位: 亿元 |
| 自有资金 | float | Y | 注意单位: 亿元 |
| 其他负债 | float | Y | 注意单位: 亿元 |
| 总负债 | float | Y | 注意单位: 亿元 |
接口示例
```python
import testforPPshare as tp
China_central_bank_balance_df = tp.China_central_bank_balance()
print(China_central_bank_balance_df)
```
数据示例
```
统计时间 国外资产 外汇 ... 自有资金 其他负债 总负债
0 2020.8 218361.92 211684.91 ... 219.75 11750.36 365052.29
1 2020.7 218374.92 211723.16 ... 219.75 11068.35 357924.90
2 2020.6 218332.59 211742.47 ... 219.75 10222.08 363931.30
3 2020.5 218333.25 211802.63 ... 219.75 9494.26 367870.74
4 2020.4 218310.70 211914.83 ... 219.75 8914.45 360347.67
.. ... ... ... ... ... ... ...
279 1994.3 2437.60 2253.80 ... 280.50 -298.60 None
280 1993.12 1549.50 1431.80 ... 310.30 -255.00 None
281 1993.9 1451.00 1332.20 ... 310.30 -286.50 None
282 1993.6 1286.50 1183.00 ... 310.30 -411.60 None
283 1993.3 1324.00 1222.00 ... 310.30 -384.10 None
```
#### 保险业经营情况
接口: China_insurance
描述: 国家统计局-保险业经营情况
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| -------------------------------- | ----- | -------- | -------------- |
| 统计时间 | str | Y | 年月 |
| 省市地区 | float | Y | - |
| 原保险保费收入 | float | Y | 注意单位: 万元 |
| 财产险保费收入 | float | Y | 注意单位: 万元 |
| 人身险保费收入 | float | Y | 注意单位: 万元 |
| 人身险-寿险保费收入 | float | Y | 注意单位: 万元 |
| 人身险-健康险保费收入 | float | Y | 注意单位: 万元 |
| 人身险-意外险保费收入 | float | Y | 注意单位: 万元 |
| 养老保险公司企业年金缴费 | float | Y | 注意单位: 万元 |
| 原保险赔付支出 | float | Y | 注意单位: 万元 |
| 财产险保费赔付支出 | float | Y | 注意单位: 万元 |
| 人身险保费赔付支出 | float | Y | 注意单位: 万元 |
| 人身险-寿险赔付支出 | float | Y | 注意单位: 万元 |
| 人身险-健康险赔付支出 | float | Y | 注意单位: 万元 |
| 人身险-意外险赔付支出 | float | Y | 注意单位: 万元 |
| 业务及管理费 | float | Y | 注意单位: 万元 |
| 银行存款 | float | Y | 注意单位: 万元 |
| 投资 | float | Y | 注意单位: 万元 |
| 资产总额 | float | Y | 注意单位: 万元 |
| 养老保险公司企业年金受托管理资产 | float | Y | 注意单位: 万元 |
| 养老保险公司企业年金投资管理资产 | float | Y | 注意单位: 万元 |
接口示例
```python
import testforPPshare as tp
China_insurance_df = tp.China_insurance()
print(China_insurance_df)
```
数据示例
```
统计时间 省市地区 原保险保费收入 ... 资产总额 养老保险公司企业年金受托管理资产 养老保险公司企业年金投资管理资产
0 2020.8 新疆 5176100.00 ... None None None
1 2020.8 宁夏 1564700.00 ... None None None
2 2020.8 青海 751400.00 ... None None None
3 2020.8 甘肃 3679100.00 ... None None None
4 2020.8 陕西 8222700.00 ... None None None
... ... ... ... ... ... ...
6755 1999.5 全国 5289491.00 ... None None None
6756 1999.4 全国 4161147.00 ... None None None
6757 1999.3 全国 2837194.00 ... 21408761.00 None None
6758 1999.2 全国 1543697.00 ... None None None
6759 1999.1 全国 885113.00 ... None None None
```
#### 货币供应量
接口: China_supply_of_money
描述: 国家统计局-货币供应量
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---------------------------------- | ----- | -------- | -------------- |
| 统计时间 | str | Y | 年月 |
| 货币和准货币（广义货币M2） | float | Y | 注意单位: 亿元 |
| 货币和准货币（广义货币M2）同比增长 | float | Y | 注意单位: % |
| 货币(狭义货币M1) | float | Y | 注意单位: 亿元 |
| 货币(狭义货币M1)同比增长 | float | Y | 注意单位: % |
| 流通中现金(M0) | float | Y | 注意单位: 亿元 |
| 流通中现金(M0)同比增长 | float | Y | 注意单位: % |
| 活期存款 | float | Y | 注意单位: 亿元 |
| 活期存款同比增长 | float | Y | 注意单位: % |
| 准货币 | float | Y | 注意单位: 亿元 |
| 准货币同比增长 | float | Y | 注意单位: % |
| 定期存款 | float | Y | 注意单位: 亿元 |
| 定期存款同比增长 | float | Y | 注意单位: % |
| 储蓄存款出 | float | Y | 注意单位: 亿元 |
| 储蓄存款同比增长 | float | Y | 注意单位: % |
| 其他存款 | float | Y | 注意单位: 亿元 |
| 其他存款同比增长 | float | Y | 注意单位: % |
接口示例
```python
import testforPPshare as tp
China_supply_of_money_df = tp.China_supply_of_money()
print(China_supply_of_money_df)
```
数据示例
```
统计时间 货币和准货币（广义货币M2） 货币和准货币（广义货币M2）同比增长 ... 储蓄存款同比增长 其他存款 其他存款同比增长
0 2020.8 2136800.00 10.40 ... None 235344.24 None
1 2020.7 2125458.46 10.70 ... None 240538.49 None
2 2020.6 2134948.66 11.10 ... None 228402.91 None
3 2020.5 2100183.74 11.10 ... None 233222.73 None
4 2020.4 2093533.83 11.10 ... None 241313.38 None
.. ... ... ... ... ... ... ...
507 1978.5 None None ... None None None
508 1978.4 None None ... None None None
509 1978.3 None None ... None None None
510 1978.2 None None ... None None None
511 1978.1 None None ... None None None
```
#### FR007利率互换曲线历史数据
接口: China_swap_rate
描述: 国家统计局-FR007 利率互换曲线历史数据
限量: 单次返回所有历史数据, 该接口只能获取近一年的数据的数据，其中每次只能获取一个月的数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| -------- | ------- | ---- |
| 日期 | object | - |
| 曲线名称 | object | - |
| 时刻 | object | - |
| 价格类型 | object | - |
| 1M | float64 | - |
| 3M | float64 | - |
| 6M | float64 | - |
| 9M | float64 | - |
| 1Y | float64 | - |
| 2Y | float64 | - |
| 3Y | float64 | - |
| 4Y | float64 | - |
| 5Y | float64 | - |
| 7Y | float64 | - |
| 10Y | float64 | - |
接口示例
```python
import testforPPshare as tp
China_swap_rate_df = tp.China_swap_rate(start_date="20220212", end_date="20220312")
print(China_swap_rate_df)
```
数据示例
```
日期 曲线名称 时刻 价格类型 ... 4Y 5Y 7Y 10Y
0 2022-03-11 FR007利率互换收盘曲线 16:30 报买 ... 2.4435 2.5505 2.6617 2.8240
1 2022-03-11 FR007利率互换收盘曲线 16:30 均值 ... 2.4565 2.5518 2.6907 2.8511
2 2022-03-11 FR007利率互换收盘曲线 16:30 报卖 ... 2.4695 2.5532 2.7197 2.8782
3 2022-03-11 FR007利率互换行情曲线 16:00 报买 ... 2.4800 2.5765 2.7200 2.8758
4 2022-03-11 FR007利率互换行情曲线 16:00 均值 ... 2.4850 2.5783 2.7324 2.8891
.. ... ... ... ... ... ... ... ... ...
895 2022-02-14 FR007利率互换行情曲线 10:00 均值 ... 2.4238 2.5236 2.6710 2.8269
896 2022-02-14 FR007利率互换行情曲线 10:00 报卖 ... 2.4329 2.5251 2.6825 2.8398
897 2022-02-14 FR007利率互换行情曲线 9:30 报买 ... 2.4045 2.5160 2.6461 2.7976
898 2022-02-14 FR007利率互换行情曲线 9:30 均值 ... 2.4212 2.5212 2.6647 2.8197
899 2022-02-14 FR007利率互换行情曲线 9:30 报卖 ... 2.4379 2.5264 2.6833 2.8419
```
#### 央行黄金和外汇储备
接口: China_foreign_exchange_gold
描述: 国家统计局-央行黄金和外汇储备, 比东财接口数据时间长
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ------------ | ---- | -------- | ---------------- |
| 统计时间 | str | Y | 年月 |
| 黄金储备 | str | Y | 注意单位: 万盎司 |
| 国家外汇储备 | str | Y | 注意单位: 亿美元 |
接口示例
```python
import testforPPshare as tp
China_foreign_exchange_gold_df = tp.China_foreign_exchange_gold()
print(China_foreign_exchange_gold_df)
```
数据示例
```
统计时间 黄金储备 国家外汇储备
0 2020.9 6264.00 31425.62
1 2020.8 6264.00 31646.09
2 2020.7 6264.00 31543.91
3 2020.6 6264.00 31123.28
4 2020.5 6264.00 31016.92
.. ... ... ...
343 1982.12 1267.00 69.86
344 1981.12 1267.00 27.08
345 1980.12 1280.00 -12.96
346 1979.12 1280.00 8.40
347 1978.12 1280.00 1.67
```
#### 商品零售价格指数
接口: China_retail_price_index
描述: 国家统计局-商品零售价格指数
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---------------- | ----- | -------- | ---- |
| 统计月份 | str | Y | 年月 |
| 居民消费项目 | str | Y | - |
| 零售商品价格指数 | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_retail_price_index_df = tp.China_retail_price_index()
print(China_retail_price_index_df)
```
数据示例
```
统计月份 居民消费项目 零售商品价格指数
0 2020.8 建筑材料及五金电料 100.10
1 2020.8 燃料 90.70
2 2020.8 书报杂志及电子出版物 101.70
3 2020.8 中西药品及医疗保健用品 100.30
4 2020.8 金银珠宝 122.90
... ... ...
3777 2002.1 机电产品 94.10
3778 2002.1 家用电器及音像器材 94.20
3779 2002.1 体育娱乐用品 98.80
3780 2002.1 中西药品及医疗保健用品 97.30
3781 2002.1 书报杂志及电子出版物 101.00
```
#### 国房景气指数
接口: China_real_estate
描述: 国家统计局-国房景气指数
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------- | ------- | ---- |
| 日期 | object | - |
| 最新值 | float64 | - |
| 涨跌幅 | float64 | - |
| 近3月涨跌幅 | float64 | - |
| 近6月涨跌幅 | float64 | - |
| 近1年涨跌幅 | float64 | - |
| 近2年涨跌幅 | float64 | - |
| 近3年涨跌幅 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_real_estate_df = tp.China_real_estate()
print(China_real_estate_df)
```
数据示例
```
日期 最新值 涨跌幅 ... 近1年涨跌幅 近2年涨跌幅 近3年涨跌幅
0 1998-01-01 98.60 NaN ... NaN NaN NaN
1 1998-02-01 98.99 0.395538 ... NaN NaN NaN
2 1998-03-01 99.05 0.060612 ... NaN NaN NaN
3 1998-04-01 100.81 1.776880 ... NaN NaN NaN
4 1998-05-01 101.68 0.863010 ... NaN NaN NaN
.. ... ... ... ... ... ... ...
280 2022-03-01 96.66 -0.278552 ... -4.618117 -1.598290 -4.306504
281 2022-04-01 95.89 -0.796607 ... -5.349916 -3.023867 -5.190825
282 2022-05-01 95.60 -0.302430 ... -5.533597 -3.774534 -5.402731
283 2022-06-01 95.40 -0.209205 ... -5.619311 -4.456685 -5.628648
284 2022-07-01 95.26 -0.146751 ... -5.683168 -4.825657 -5.757816
```
#### 外汇和黄金储备
接口: China_fx_gold
描述: 中国外汇和黄金储备, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ----------------- | ------- | ---------------- |
| 月份 | object | 年度和月份 |
| 黄金储备-数值 | float64 | 注意单位: 万盎司 |
| 黄金储备-同比 | float64 | 注意单位: 万盎司 |
| 黄金储备-环比 | float64 | 注意单位: 万盎司 |
| 国家外汇储备-数值 | float64 | 注意单位: 亿美元 |
| 国家外汇储备-同比 | float64 | 注意单位: 亿美元 |
| 国家外汇储备-环比 | float64 | 注意单位: 亿美元 |
接口示例
```python
import testforPPshare as tp
China_fx_gold_df = tp.China_fx_gold()
print(China_fx_gold_df)
```
数据示例
```
月份 黄金储备-数值 黄金储备-同比 黄金储备-环比 国家外汇储备-数值 国家外汇储备-同比 国家外汇储备-环比
0 2008年01月份 NaN NaN NaN 15898.1040 43.914387 4.028224
1 2008年02月份 NaN NaN NaN 16471.3371 42.316677 3.605670
2 2008年03月份 NaN NaN NaN 16821.7700 39.944557 2.127532
3 2008年04月份 NaN NaN NaN 17566.5514 40.919594 4.427485
4 2008年05月份 NaN NaN NaN 17969.6074 39.011455 2.294451
.. ... ... ... ... ... ... ...
170 2022年03月份 1216.63 14.849008 1.690906 31879.9400 0.566714 -0.803808
171 2022年04月份 1197.31 8.126829 -1.587993 31197.2000 -2.453270 -2.141598
172 2022年05月份 1151.83 -3.223828 -3.798515 31277.8000 -2.918335 0.258357
173 2022年06月份 1138.23 3.053871 -1.180730 30712.7200 -4.441119 -1.806649
174 2022年07月份 1098.39 -3.963383 -3.500171 31040.7100 -4.073655 1.067929
```
#### 中国货币供应量
接口: China_money_supply
描述: 东方财富-经济数据-中国宏观-中国货币供应量; 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| --------------------------- | ------- | ---------- |
| 月份 | object | 年度和月份 |
| 货币和准货币(M2)-数量(亿元) | float64 | - |
| 货币和准货币(M2)-同比增长 | float64 | - |
| 货币和准货币(M2)-环比增长 | float64 | - |
| 货币(M1)-数量(亿元) | float64 | - |
| 货币(M1)-同比增长 | float64 | - |
| 货币(M1)-环比增长 | float64 | - |
| 流通中的现金(M0)-数量(亿元) | float64 | - |
| 流通中的现金(M0)-同比增长 | float64 | - |
| 流通中的现金(M0)-环比增长 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_money_supply_df = tp.China_money_supply()
print(China_money_supply_df)
```
数据示例
```
月份 货币和准货币(M2)-数量(亿元) ... 流通中的现金(M0)-同比增长 流通中的现金(M0)-环比增长
0 2022年10月份 2612914.57 ... 14.30 -0.258787
1 2022年09月份 2626600.92 ... 13.60 1.482068
2 2022年08月份 2595068.27 ... 14.30 0.747950
3 2022年07月份 2578078.57 ... 13.90 0.518710
4 2022年06月份 2581451.20 ... 13.80 0.485950
.. ... ... ... ... ...
173 2008年05月份 436221.60 ... 12.88 -2.014673
174 2008年04月份 429313.72 ... 10.70 1.171555
175 2008年03月份 423054.53 ... 11.12 -6.228418
176 2008年02月份 421037.84 ... 5.96 -11.503457
177 2008年01月份 417846.17 ... 31.21 20.896562
```
#### 全国股票交易统计表
接口: China_stock_market_cap
描述: 全国股票交易统计表, 数据区间从 200801 至今, 月度数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ------------------------ | ------- | -------------- |
| 数据日期 | object | 年度和月份 |
| 发行总股本-上海 | float64 | 注意单位: 亿元 |
| 发行总股本-深圳 | float64 | 注意单位: 亿元 |
| 市价总值-上海 | float64 | 注意单位: 亿元 |
| 市价总值-深圳 | float64 | 注意单位: 亿元 |
| 成交金额-上海 | float64 | 注意单位: 亿元 |
| 成交金额-深圳 | float64 | 注意单位: 亿元 |
| 成交量-上海 | float64 | - |
| 成交量-深圳 | float64 | - |
| A股最高综合股价指数-上海 | float64 | - |
| A股最高综合股价指数-深圳 | float64 | - |
| A股最低综合股价指数-上海 | float64 | - |
| A股最低综合股价指数-深圳 | float64 | - |
接口示例
```python
import testforPPshare as tp
China_stock_market_cap_df = tp.China_stock_market_cap()
print(China_stock_market_cap_df)
```
数据示例
```
数据日期 发行总股本-上海 ... A股最低综合股价指数-上海 A股最低综合股价指数-深圳
0 2022年11月份 NaN ... 2896.7572 2032.0920
1 2022年10月份 47240.00 ... 2885.0894 1974.9663
2 2022年09月份 47205.00 ... 3021.9309 2032.3677
3 2022年08月份 47038.00 ... 3155.1866 2231.3209
4 2022年07月份 46908.00 ... 3226.2315 2284.0597
.. ... ... ... ... ...
174 2008年05月份 14980.19 ... 3333.9510 1086.0100
175 2008年04月份 14785.95 ... 2990.7880 963.8400
176 2008年03月份 14476.47 ... 3357.2290 1186.6000
177 2008年02月份 14300.84 ... 4123.3050 1385.0400
178 2008年01月份 14198.16 ... 4330.6970 1424.3500
```
#### 上海银行业同业拆借报告
接口: shibor
描述: 上海银行业同业拆借报告, 数据区间从2006.0108-至今
限量: 单次返回一年（364天）的数据，超过则会返回空表
输入参数
| 名称 | 类型 | 描述 |
| ---------- | ------------------- | ------------------------------------------------------------ |
| mode | str | 选择模式，默认为‘data’。可选模式有：<br>data：Shibor数据<br>queto:Shibor报价数据<br>avg：Shibor均值数据 |
| start_date | str / datetime.date | 起始时间，默认为终止时间的一年前（364天） |
| end_date | str / datetime.date | 终止时间，默认为今天 |
输出参数
| 名称 | 类型 | 描述 |
| ---- | ----- | --------- |
| 日期 | str | 日期-索引 |
| O/N | float | - |
| 1W | float | 1周 |
| 2W | float | 2周 |
| 1M | float | 1月 |
| 3M | float | 3月 |
| 6M | float | 6月 |
| 9M | float | 9月 |
| 1Y | float | 1年 |
接口示例
```python
import testforPPshare as tp
China_shibor_df = tp.shibor(mode='data',end_date='2007-01-01')
print(China_shibor_df)
```
数据示例
```
日期 O/N 1W 2W 1M 3M 6M 9M 1Y
0 2006-12-31 1.5675 1.6321 1.9753 2.5833 2.8082 2.8685 2.9301 3.0021
1 2006-12-30 1.5651 1.9182 2.0744 2.5848 2.8081 2.8683 2.9301 3.0021
2 2006-12-29 1.7203 1.9641 2.2236 2.5852 2.8080 2.8682 2.9301 3.0020
3 2006-12-28 1.7107 2.0753 2.3773 2.5832 2.8079 2.8681 2.9301 3.0020
4 2006-12-27 1.7185 2.2785 2.4817 2.5802 2.8076 2.8680 2.9300 3.0020
.. ... ... ... ... ... ... ... ... ...
58 2006-10-12 2.0943 2.2904 2.5240 2.5900 2.6380 2.7470 2.8570 2.9550
59 2006-10-11 2.0955 2.2932 2.4930 2.5864 2.6338 2.7475 2.8547 2.9559
60 2006-10-10 2.0922 2.2971 2.4236 2.5739 2.6325 2.7454 2.8544 2.9531
61 2006-10-09 2.0990 2.2960 2.3972 2.5522 2.6248 2.7431 2.8514 2.9549
62 2006-10-08 2.1184 2.2930 2.3848 2.5319 2.6110 2.7404 2.8521 2.9543
```
#### 人民币香港银行同业拆息
接口: China_hk_market_info
描述: 香港同业拆借报告, 数据区间从 20170320-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ------- | -------- |
| 日期 | object | 日期 |
| O/N_定价 | float64 | - |
| O/N_涨跌幅 | float64 | 单位: 点 |
| 1W_定价 | float64 | - |
| 1W_涨跌幅 | float64 | 单位: 点 |
| 2W_定价 | float64 | - |
| 2W_涨跌幅 | float64 | 单位: 点 |
| 1M_定价 | float64 | - |
| 1M_涨跌幅 | float64 | 单位: 点 |
| 3M_定价 | float64 | - |
| 3M_涨跌幅 | float64 | 单位: 点 |
| 6M_定价 | float64 | - |
| 6M_涨跌幅 | float64 | 单位: 点 |
| 9M_定价 | float64 | - |
| 9M_涨跌幅 | float64 | 单位: 点 |
| 1Y_定价 | float64 | - |
| 1Y_涨跌幅 | float64 | 单位: 点 |
| ON_定价 | float64 | - |
| ON_涨跌幅 | float64 | 单位: 点 |
| 2M_定价 | float64 | - |
| 2M_涨跌幅 | float64 | 单位: 点 |
接口示例
```python
import testforPPshare as tp
China_hk_market_info_df = tp.China_hk_market_info()
print(China_hk_market_info_df)
```
数据示例
```
日期 1W_定价 1W_涨跌幅 2W_定价 ... ON_定价 ON_涨跌幅 2M_定价 2M_涨跌幅
0 2017-03-20 3.9428 NaN 4.2417 ... 2.0283 NaN 4.5915 NaN
1 2017-03-21 3.9094 -3.34 4.1647 ... 2.3883 36.00 4.6113 1.98
2 2017-03-22 4.3795 47.01 4.5853 ... 2.3100 -7.83 4.8365 22.52
3 2017-03-23 4.3538 -2.57 4.3930 ... 2.2263 -8.37 4.5410 -29.55
4 2017-03-24 4.3542 0.03 4.4410 ... 2.2438 1.75 4.6405 9.95
... ... ... ... ... ... ... ... ...
1327 2022-08-09 1.3648 -5.27 1.4678 ... 1.1943 -3.39 2.0330 -0.90
1328 2022-08-10 1.5283 16.35 1.6553 ... 1.3379 14.37 2.0668 3.38
1329 2022-08-11 1.6290 10.07 1.6748 ... 1.3677 2.97 2.0758 0.90
1330 2022-08-12 1.6195 -0.95 1.6733 ... 1.5007 13.30 2.0658 -1.00
1331 2022-08-15 1.5908 -2.87 1.6330 ... 1.3665 -13.42 2.0623 -0.35
```
### 其他指标
#### 中国日度沿海六大电库存
接口: China_daily_energy
描述: 获取中国日度沿海六大电库存数据, 数据区间从20160101-至今, 不再更新, 只能获得历史数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---- | ----- | -------- | --------- |
| 日期 | str | Y | 日期-索引 |
| 数值 | float | Y | energy |
接口示例
```python
import testforPPshare as tp
China_daily_energy_df = tp.China_daily_energy()
print(China_daily_energy_df)
```
数据示例
China_daily_energy_df:
```
沿海六大电库存 日耗 存煤可用天数
2016-01-01 1167.60 64.20 18.19
2016-01-02 1162.90 63.40 18.34
2016-01-03 1160.80 62.60 18.54
2016-01-04 1185.30 57.60 20.58
2016-01-05 1150.20 57.20 20.11
... ... ...
2019-05-17 1639.47 61.71 26.56
2019-05-21 1591.92 62.67 25.40
2019-05-22 1578.63 59.54 26.51
2019-05-24 1671.83 60.65 27.56
2019-06-21 1786.64 66.57 26.84
```
#### 人民币汇率中间价报告
接口: China_rmb
描述: 中国人民币汇率中间价报告, 数据区间从 20170103-20210513
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 描述 |
| ---- | ---- | ---- |
| - | - | - |
输出参数
| 名称 | 类型 | 描述 |
| ---------------------------- | ------- | ---------- |
| 日期 | object | 日期 |
| 美元/人民币_中间价 | float64 | - |
| 美元/人民币_涨跌幅 | float64 | 单位: 点 |
| 欧元/人民币_中间价 | float64 | - |
| 欧元/人民币_涨跌幅 | float64 | 单位: 点 |
| 100日元/人民币_中间价 | float64 | - |
| 100日元/人民币_涨跌幅 | float64 | 单位: 点对 |
| 港元/人民币_中间价 | float64 | - |
| 港元/人民币_涨跌幅 | float64 | 单位: 点 |
| 英镑/人民币_中间价 | float64 | - |
| 英镑/人民币_涨跌幅 | float64 | 单位: 点 |
| 澳元/人民币_中间价 | float64 | - |
| 澳元/人民币_涨跌幅 | float64 | 单位: 点 |
| 新西兰元/人民币_中间价 | float64 | - |
| 新西兰元/人民币_涨跌幅 | float64 | 单位: 点 |
| 新加坡元/人民币_中间价 | float64 | - |
| 新加坡元/人民币_涨跌幅 | float64 | 单位: 点 |
| 瑞郎/人民币_中间价 | float64 | - |
| 瑞郎/人民币_涨跌幅 | float64 | 单位: 点 |
| 加元/人民币_中间价 | float64 | - |
| 加元/人民币_涨跌幅 | float64 | 单位: 点 |
| 人民币/马来西亚林吉特_中间价 | float64 | - |
| 人民币/马来西亚林吉特_涨跌幅 | float64 | 单位: 点 |
| 人民币/俄罗斯卢布_中间价 | float64 | - |
| 人民币/俄罗斯卢布_涨跌幅 | float64 | 单位: 点 |
| 人民币/南非兰特_中间价 | float64 | - |
| 人民币/南非兰特_涨跌幅 | float64 | 单位: 点 |
| 人民币/韩元_中间价 | float64 | - |
| 人民币/韩元_涨跌幅 | float64 | 单位: 点 |
| 人民币/阿联酋迪拉姆_中间价 | float64 | - |
| 人民币/阿联酋迪拉姆_涨跌幅 | float64 | 单位: 点 |
| 人民币/沙特里亚尔_中间价 | float64 | - |
| 人民币/沙特里亚尔_涨跌幅 | float64 | 单位: 点 |
| 人民币/匈牙利福林_中间价 | float64 | - |
| 人民币/匈牙利福林_涨跌幅 | float64 | 单位: 点 |
| 人民币/波兰兹罗提_中间价 | float64 | - |
| 人民币/波兰兹罗提_涨跌幅 | float64 | 单位: 点 |
| 人民币/丹麦克朗_中间价 | float64 | - |
| 人民币/丹麦克朗_涨跌幅 | float64 | 单位: 点 |
| 人民币/瑞典克朗_中间价 | float64 | - |
| 人民币/瑞典克朗_涨跌幅 | float64 | 单位: 点 |
| 人民币/丹麦克朗_中间价 | float64 | - |
| 人民币/丹麦克朗_涨跌幅 | float64 | 单位: 点 |
| 人民币/挪威克朗_中间价 | float64 | - |
| 人民币/挪威克朗_涨跌幅 | float64 | 单位: 点 |
| 人民币/土耳其里拉_中间价 | float64 | - |
| 人民币/土耳其里拉_涨跌幅 | float64 | 单位: 点 |
| 人民币/墨西哥比索_中间价 | float64 | - |
| 人民币/墨西哥比索_涨跌幅 | float64 | 单位: 点 |
| 人民币/泰铢_中间价 | float64 | - |
| 人民币/泰铢_涨跌幅 | float64 | 单位: 点 |
接口示例
```python
import testforPPshare as tp
China_rmb_df = tp.China_rmb()
print(China_rmb_df)
```
数据示例
```
日期 美元/人民币_中间价 美元/人民币_涨跌幅 ... 人民币/墨西哥比索_涨跌幅 人民币/泰铢_定价 人民币/泰铢_涨跌幅
0 2018-02-06 6.3072 0.0 ... 0.0 5.0191 0.0
1 2018-02-07 6.2882 -190.0 ... -184.0 5.0178 -13.0
2 2018-02-08 6.2822 -60.0 ... 286.0 5.0429 251.0
3 2018-02-09 6.3194 372.0 ... -64.0 5.0406 -23.0
4 2018-02-12 6.3001 -193.0 ... -146.0 5.0310 -96.0
.. ... ... ... ... ... ... ...
786 2021-05-07 6.4678 -217.0 ... -118.0 4.8283 310.0
787 2021-05-10 6.4425 -253.0 ... -171.0 4.8333 50.0
788 2021-05-11 6.4254 -171.0 ... 85.0 4.8434 101.0
789 2021-05-12 6.4258 4.0 ... 65.0 4.8503 69.0
790 2021-05-13 6.4612 354.0 ... 107.0 4.8427 -76.0
```
#### 深圳融资融券报告
接口: China_market_margin_sz
描述: 获取深圳融资融券报告, 数据区间从20100331-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---------------- | ----- | -------- | --------- |
| 日期 | str | Y | 日期-索引 |
| 融资买入额(元) | float | Y | - |
| 融资余额(元) | float | Y | - |
| 融券卖出量(股) | float | Y | - |
| 融券余量(股) | float | Y | - |
| 融券余额(元) | float | Y | - |
| 融资融券余额(元) | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_market_margin_sz_df = tp.China_market_margin_sz()
print(China_market_margin_sz_df)
```
数据示例
```
融资买入额(元) 融资余额(元) 融券卖出量(股) 融券余量(股) 融券余额(元) \
2010-03-31 684569 670796 4000 3900 70895
2010-04-08 6713260 14467758 2100 3100 56023
2010-04-09 9357095 19732998 6700 5400 108362
2010-04-12 10406563 24813027 2200 1000 8100
2010-04-15 16607172 47980287 4200 5200 97676
... ... ... ... ...
2019-12-12 25190412075 423457288662 29769255 209557883 2504593151
2019-12-13 29636811209 423422868505 32820867 206092170 2509424768
2019-12-16 39166060634 428851154451 44000215 217123568 2647520178
2019-12-17 46930557203 433966722200 40492711 220945538 2750371397
2019-12-18 41043515833 438511398249 39150376 224554586 2761303194
融资融券余额(元)
2010-03-31 741691
2010-04-08 14523781
2010-04-09 19841360
2010-04-12 24821127
2010-04-15 48077963
...
2019-12-12 425961881813
2019-12-13 425932293273
2019-12-16 431498674629
2019-12-17 436717093597
2019-12-18 441272701443
```
#### 上海融资融券报告
接口: China_market_margin_sh
描述: 获取上海融资融券报告, 数据区间从20100331-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ------------ | ----- | -------- | ------------ |
| 日期 | str | Y | 日期-索引 |
| 融资余额 | float | Y | 注意单位：元 |
| 融资买入额 | float | Y | 注意单位：元 |
| 融券余量 | float | Y | 注意单位：股 |
| 融券余额 | float | Y | 注意单位：元 |
| 融券卖出量 | float | Y | 注意单位：股 |
| 融资融券余额 | float | Y | 注意单位：元 |
接口示例
```python
import testforPPshare as tp
China_market_margin_sh_df = tp.China_market_margin_sh()
print(China_market_margin_sh_df)
```
数据示例
```
融资余额 融资买入额 ... 融券卖出量 融资融券余额
2010-03-31 5.824813e+06 5.866316e+06 ... 3100.0 5.848955e+06
2010-04-01 6.842114e+06 1.054024e+06 ... 0.0 6.859439e+06
2010-04-02 6.762781e+06 2.075160e+05 ... 0.0 6.774710e+06
2010-04-06 1.009124e+07 3.329461e+06 ... 0.0 1.010151e+07
2010-04-07 2.508683e+07 1.514140e+07 ... 1400.0 2.512524e+07
... ... ... ... ...
2020-08-17 7.320815e+11 6.532228e+10 ... 311910304.0 7.735001e+11
2020-08-18 7.371393e+11 5.588143e+10 ... 236068903.0 7.784736e+11
2020-08-19 7.381023e+11 5.470145e+10 ... 302792889.0 7.794299e+11
2020-08-20 7.368085e+11 3.763784e+10 ... 203660295.0 7.778967e+11
2020-08-21 7.352210e+11 3.599241e+10 ... 196118235.0 7.765762e+11
```
#### 上海黄金交易所报告
接口: China_au_report
描述: 获取上海黄金交易所报告, 数据区间从20140905-至今
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---------- | ----- | -------- | --------- |
| 日期 | str | Y | 日期-索引 |
| 商品 | float | Y | - |
| 开盘价 | float | Y | - |
| 最高价 | float | Y | - |
| 最低价 | float | Y | - |
| 收盘价 | float | Y | - |
| 涨跌 | float | Y | - |
| 涨跌幅 | float | Y | - |
| 加权平均价 | float | Y | - |
| 成交量 | float | Y | - |
| 成交金额 | float | Y | - |
| 持仓量 | float | Y | - |
| 交收方向 | float | Y | - |
| 交收量 | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_au_report_df = tp.China_au_report()
print(China_au_report_df)
```
数据示例
```
商品 开盘价 最高价 ... 持仓量 交收方向 交收量
日期 ...
2014-09-05 Pt9995 293.50 293.50 ... NaN NaN
2014-09-05 Ag(T+D) 4159.00 4197.00 ... 5.25224e+06 空支付多 NaN
2014-09-05 Ag99.99 4218.00 4218.00 ... 322 NaN
2014-09-05 Au(T+D) 250.52 252.48 ... 144574 多支付空 11848
2014-09-05 mAu(T+D) 250.87 252.50 ... 130808 多支付空 23644
... ... ... ... ... ... ...
2020-04-22 NYAuTN12 379.80 385.00 ... 63446 NaN
2020-04-22 PGC30g 375.83 379.50 ... NaN NaN
2020-04-22 Pt99.95 173.30 181.96 ... NaN NaN
2020-04-22 Au99.99 372.00 374.45 ... NaN NaN
2020-04-22 Ag(T+D) 3554.00 3620.00 ... 1.06485e+07 多支付给空 67050
```
### 中国电煤价格指数
#### 全国综合电煤价格指数
接口: China_ctci
描述: 获取中国电煤价格指数-全国综合电煤价格指数图, 20140101-至今的所有历史数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ----- | ----- | -------- | ---- |
| date | str | Y | 日期 |
| value | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_ctci_df = tp.China_ctci()
print(China_ctci_df)
```
数据示例
```
date value
0 20140201 495.79
1 20140301 484.88
2 20140401 470.61
3 20140501 461.02
4 20140601 454.23
5 20140701 443.48
6 20140801 430.77
7 20140901 417.76
8 20141001 412.30
9 20141101 415.58
67 20190901 486.79
68 20191001 489.88
69 20191101 492.01
70 20191201 483.09
```
#### 各价区电煤价格指数
接口: China_ctci_detail
描述: 获取中国电煤价格指数-各价区电煤价格指数, 具体年具体月的历史数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---- |
| 无 | 无 | 无 | 无 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---- | ----- | -------- | ---- |
| 环比 | str | Y | 日期 |
| 上期 | float | Y | - |
| 同比 | float | Y | - |
| 本期 | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_ctci_detail_df = tp.China_ctci_detail()
print(China_ctci_detail_df)
```
数据示例
```
环比 上期 同比 本期
全国 -1.81 492.01 -7.11 483.09
天津市 -1.72 482.96 -12.83 474.65
冀北 0.56 453.80 -6.82 456.32
冀南 -0.89 471.71 -8.22 467.51
山西省 -2.43 344.46 -11.06 336.08
蒙西 0.51 292.07 4.31 293.56
蒙东 -0.04 274.00 11.53 273.90
辽宁省 -1.25 545.90 -6.91 539.09
吉林省 -0.97 556.83 -5.14 551.43
黑龙江省 -0.27 540.51 -0.84 539.07
上海市 -1.43 519.98 -10.75 512.55
江苏省 -0.85 535.04 -9.17 530.51
浙江省 -0.29 571.41 -2.57 569.78
安徽省 -1.12 574.23 -8.08 567.78
福建省 -1.01 532.02 -13.31 526.62
江西省 0.41 649.13 -5.46 651.79
山东省 -1.62 547.18 -12.24 538.33
河南省 -2.10 499.34 -18.86 488.87
湖北省 -0.75 583.65 -10.48 579.30
湖南省 -0.55 616.56 -9.44 613.18
广东省 -1.38 562.91 -8.65 555.12
广西自治区 0.48 682.33 -6.23 685.59
海南省 3.02 505.27 -4.46 520.53
重庆市 -5.14 613.98 -4.42 582.43
四川省 -0.10 570.25 -8.56 569.70
贵州省 0.85 488.61 -1.55 492.78
云南省 -3.38 457.68 -19.56 442.19
陕西省 -2.02 393.92 -10.11 385.95
甘肃省 0.30 463.03 -9.62 464.42
青海省 2.49 529.57 2.57 542.76
宁夏自治区 -2.46 362.00 -3.44 353.08
新疆自治区 -0.33 258.74 0.09 257.89
```
#### 历史电煤价格指数
接口: China_ctci_detail_hist
描述: 获取中国电煤价格指数-历史电煤价格指数, 具体年的历史数据
限量: 单次返回所有历史数据
输入参数
| 名称 | 类型 | 必选 | 描述 |
| ---- | ---- | ---- | ---------------------------- |
| year | str | Y | year="2018", 从 2014-2019 年 |
输出参数
| 名称 | 类型 | 默认显示 | 描述 |
| ---- | ----- | -------- | ---- |
| 地区 | str | Y | 日期 |
| 月份 | float | Y | - |
| --- | --- | --- | - |
| 月份 | float | Y | - |
接口示例
```python
import testforPPshare as tp
China_ctci_detail_hist_df = tp.China_ctci_detail_hist(year="2018")
print(China_ctci_detail_hist_df)
```
数据示例
```
地区 2018年01月 2018年02月 2018年03月 2018年04月 2018年05月 2018年06月 2018年07月 \
0 全国 549.12 567.21 546.58 522.78 515.39 528.57 532.53
1 天津市 561.23 583.85 585.94 551.54 524.41 528.97 540.94
2 冀北 510.57 534.05 517.08 474.42 453.55 461.06 467.58
3 冀南 530.74 540.18 532.12 514.28 503.97 497.25 493.77
4 山西省 393.98 408.07 396.38 370.90 364.30 374.28 376.38
5 蒙西 301.63 301.46 292.33 276.21 275.37 286.48 281.19
6 蒙东 230.38 227.76 242.35 246.00 248.76 250.37 242.71
7 辽宁省 563.70 563.07 558.31 538.79 530.65 537.27 553.26
8 吉林省 543.02 548.27 535.59 513.15 506.41 522.02 544.06
9 黑龙江省 519.31 522.83 495.48 477.43 470.00 472.85 483.66
10 上海市 645.34 643.98 647.36 600.11 578.45 584.03 602.29
11 江苏省 644.64 651.17 624.19 588.70 576.74 583.94 589.85
12 浙江省 636.39 637.83 625.57 592.52 609.26 618.92 586.79
13 安徽省 647.37 661.77 635.92 604.14 587.82 592.20 603.95
14 福建省 656.82 650.69 649.71 613.20 573.53 600.93 618.63
15 江西省 751.64 765.61 739.68 691.16 662.62 677.83 690.77
16 山东省 628.53 649.27 634.08 592.92 573.53 586.10 594.91
17 河南省 613.92 631.25 621.77 594.66 593.18 601.12 608.91
18 湖北省 677.92 703.40 686.57 632.80 610.36 621.44 642.14
19 湖南省 718.96 737.04 719.14 668.50 640.31 649.64 678.89
20 广东省 651.36 657.91 649.06 634.28 630.47 640.65 639.35
21 广西自治区 756.91 754.45 757.12 745.06 716.98 721.96 705.18
22 海南省 614.98 625.04 637.07 593.45 525.72 565.77 587.75
23 重庆市 619.37 629.52 620.51 598.80 571.14 570.81 611.41
24 四川省 648.10 654.02 651.93 619.14 601.58 605.26 612.76
25 贵州省 518.60 505.77 500.04 497.16 493.63 486.77 489.90
26 云南省 467.09 388.74 421.98 447.52 482.76 513.48 510.29
27 陕西省 463.31 478.76 465.24 442.26 435.63 436.38 428.95
28 甘肃省 505.24 509.11 500.83 489.16 487.85 468.13 464.82
29 青海省 544.92 549.28 548.58 536.46 524.28 510.17 516.74
30 宁夏自治区 400.22 398.22 391.12 370.74 370.42 382.99 378.98
31 新疆自治区 254.34 269.80 250.79 235.72 238.54 245.57 234.11
2018年08月 2018年09月 2018年10月 2018年11月 2018年12月
0 522.40 522.16 523.47 520.09 522.20
1 544.64 541.17 548.94 544.48 541.99
2 466.16 471.52 485.16 489.72 490.16
3 500.48 499.84 505.87 509.36 513.28
4 371.11 371.23 378.49 377.88 375.88
5 273.10 282.96 286.80 281.42 284.51
6 228.15 242.71 251.47 245.58 250.44
7 563.19 573.65 577.80 579.09 563.81
8 573.05 588.78 592.40 581.29 568.79
9 520.07 539.22 537.95 543.64 535.24
10 607.19 585.45 574.96 574.26 555.67
11 583.12 577.07 582.36 584.04 576.59
12 575.81 583.42 587.16 584.79 587.46
13 599.81 598.09 605.65 617.72 610.69
14 609.29 604.87 601.59 607.44 608.93
15 690.62 691.52 695.14 689.43 678.53
16 590.17 588.25 596.28 613.43 616.25
17 605.13 595.11 597.53 602.47 599.72
18 638.43 625.53 629.82 647.10 653.36
19 677.36 671.32 678.18 677.13 668.14
20 629.72 626.41 616.66 607.70 612.66
21 712.84 724.77 729.57 731.13 716.45
22 587.61 590.36 558.11 544.82 534.33
23 594.85 597.89 608.23 609.34 618.87
24 622.66 608.49 601.19 623.04 642.92
25 502.76 503.33 498.03 500.56 513.44
26 530.24 540.00 541.58 549.68 569.41
27 412.37 418.11 420.12 429.35 434.98
28 454.77 482.04 502.39 513.85 501.55
29 522.63 516.94 517.64 529.17 546.25
30 374.67 376.04 372.16 365.67 368.41
31 229.33 251.85 254.20 257.66 265.38
```
#### 中国银行同业间拆借市场数据（chinbor）
接口: get_chinbor(period)
描述: 中国银行同业间拆借市场数据报告, 数据区间从 2004.05.25-至今
限量: 单次返回所有数据
输入参数
| 名称 | 类型 | 描述 |
| ------ | ---- | ------------------------------------------------------------ |
| period | str | 选择时期，可选时期<br>'ON':'隔夜'<br/>'1W':'1周'<br/>'2W':'2周'<br/>'3W':'3周'<br/>'1M':'1月'<br/>'2M':'2月' <br/>'3M':'3月'<br/>'4M':'4月'<br/>'6M':'6月'<br/>'9M':'9月'<br/>'1Y':'1年', |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ----- | ---- |
| 日期 | str | - |
| 时期 | str | - |
| 利率（%） | float | - |
| 涨跌（BP） | float | - |
接口示例
```python
import testforPPshare as tp
China_chibor_df = tp.get_chinbor(period='1M')
print(China_chibor_df)
```
数据示例
```
日期 时期 利率（%） 涨跌（BP）
0 2023-03-21 1月(1M) 3.1716 -63.37
0 2023-03-20 1月(1M) 3.8053 68.53
0 2023-03-17 1月(1M) 3.1200 -6.82
0 2023-03-16 1月(1M) 3.1882 52.46
0 2023-03-15 1月(1M) 2.6636 16.37
.. ... ... ... ...
99 2004-05-31 1月(1M) 2.7500 -55.00
100 2004-05-28 1月(1M) 3.3000 131.48
101 2004-05-27 1月(1M) 1.9852 -107.73
102 2004-05-26 1月(1M) 3.0625 31.98
103 2004-05-25 1月(1M) 2.7427 0.00
```
#### 伦敦银行同业间拆借市场数据（Libor）
接口: get_libor(period)
描述: 伦敦银行同业间拆借市场数据报告, 数据区间从 1986.01.02-至今
限量: 单次返回所有数据
输入参数
| 名称 | 类型 | 描述 |
| --------- | ---- | ------------------------------------------------------------ |
| curr_type | str | 货币类型，可选类型<br>'USD':'美元'<br/>'GBP':'英镑'<br/>'JPY':'日元'<br/>'EUR':'欧元' |
| period | str | 选择时期，可选时期<br>'ON':'隔夜'<br/>'1W':'1周'<br/>'1M':'1月'<br/>'2M':'2月' <br/>'3M':'3月'<br/>8M':'8月' |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ----- | ---- |
| 日期 | str | - |
| 时期 | str | - |
| 利率（%） | float | - |
| 涨跌（BP） | float | - |
接口示例
```python
import testforPPshare as tp
df = tp.get_libor(curr_type='USD', period='1M')
print(df)
```
数据示例
```
日期 时期 利率（%） 涨跌（BP）
0 2023-03-20 1月(1M) 4.75229 -2.542
0 2023-03-17 1月(1M) 4.77771 1.628
0 2023-03-16 1月(1M) 4.76143 5.286
0 2023-03-15 1月(1M) 4.70857 -1.914
0 2023-03-14 1月(1M) 4.72771 4.328
.. ... ... ... ...
448 1986-01-08 1月(1M) 8.00000 -12.500
449 1986-01-07 1月(1M) 8.12500 -6.250
450 1986-01-06 1月(1M) 8.18750 6.250
451 1986-01-03 1月(1M) 8.12500 0.000
452 1986-01-02 1月(1M) 8.12500 0.000
```
#### 获取欧洲银行同业间拆借市场数据（eurinbor）
接口: get_euribor(period)
描述: 欧洲银行同业间拆借市场数据报告, 数据区间从 1998.12.30-至今
限量: 单次所有数据
输入参数
| 名称 | 类型 | 描述 |
| ------ | ---- | ------------------------------------------------------------ |
| period | str | 选择时期，可选时期<br/>'ON':'隔夜'<br/>'1W':'1周'<br/>'2W':'2周'<br/>'3W':'3周'<br/>'1M':'1月'<br/>'2M':'2月' <br/>'3M':'3月'<br/>'4M':'4月'<br/>'5M':'5月'<br/>'6M':'6月'<br/>'7M':'7月'<br/>'8M':'8月'<br/>'9M':'9月'<br/>'10M':'10月'<br/>'11M':'11月'<br/>'1Y':'1年', |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ----- | ---- |
| 日期 | str | - |
| 时期 | str | - |
| 利率（%） | float | - |
| 涨跌（BP） | float | - |
接口示例
```python
import testforPPshare as tp
df = tp.get_euribor(period='1Y')
print(df)
```
数据示例
```
日期 时期 利率（%） 涨跌（BP）
0 2023-03-20 1月(1M) 4.75229 -2.542
0 2023-03-17 1月(1M) 4.77771 1.628
0 2023-03-16 1月(1M) 4.76143 5.286
0 2023-03-15 1月(1M) 4.70857 -1.914
0 2023-03-14 1月(1M) 4.72771 4.328
.. ... ... ... ...
448 1986-01-08 1月(1M) 8.00000 -12.500
449 1986-01-07 1月(1M) 8.12500 -6.250
450 1986-01-06 1月(1M) 8.18750 6.250
451 1986-01-03 1月(1M) 8.12500 0.000
452 1986-01-02 1月(1M) 8.12500 0.000
```
#### 香港银行同业间拆借市场数据（hibor）
接口: get_hibor(curr_type, period)
描述: 香港银行同业间拆借市场数据报告, 数据区间从2013.03.22-至今
限量: 单次返回所有数据
输入参数
| 名称 | 类型 | 描述 |
| --------- | ---- | ------------------------------------------------------------ |
| curr_type | str | 货币类型，可选类型<br>'USD':'美元'<br/>'HKD':'港币'<br/>'CNH':'人民币' |
| period | str | 选择时期，可选时期<br>'ON':'隔夜'<br/>'1W':'1周'<br/>'2W':'2周'<br/>'1M':'1月'<br/>'2M':'2月' <br/>'3M':'3月'<br/>'4M':'4月'<br/>'6M':'6月'<br/>'9M':'9月'<br/>'1Y:'1Y' |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ----- | ---- |
| 日期 | str | - |
| 时期 | str | - |
| 利率（%） | float | - |
| 涨跌（BP） | float | - |
接口示例
```python
import testforPPshare as tp
df = tp.get_hibor(curr_type='CNH', period='6M')
print(df)
```
数据示例
```
日期 时期 利率（%） 涨跌（BP）
0 2023-03-22 6月(6M) 2.97924 -1.394
0 2023-03-21 6月(6M) 2.99318 3.924
0 2023-03-20 6月(6M) 2.95394 0.773
0 2023-03-17 6月(6M) 2.94621 -0.046
0 2023-03-16 6月(6M) 2.94667 -0.454
.. ... ... ... ...
453 2013-03-28 6月(6M) 2.73330 0.000
454 2013-03-27 6月(6M) 2.73330 -1.000
455 2013-03-26 6月(6M) 2.74330 1.000
456 2013-03-25 6月(6M) 2.73330 0.000
457 2013-03-22 6月(6M) 2.73330 0.000
```
#### 新加坡银行同业间拆借市场数据（sibor）
接口: get_hibor(curr_type, period)
描述: 新加坡银行同业间拆借市场数据报告, 数据区间从2007.01.05-至今
限量: 单次返回所有数据
输入参数
| 名称 | 类型 | 描述 |
| --------- | ---- | ------------------------------------------------------------ |
| curr_type | str | 货币类型，可选类型<br>'USD':'美元'<br/>'SGD':'星元' |
| period | str | 选择时期，可选时期<br>'1M':'1月'<br/>'2M':'2月' <br/>'3M':'3月'<br/>'6M':'6月'<br/>'9M':'9月'<br/>'1Y:'1Y' |
输出参数
| 名称 | 类型 | 描述 |
| ---------- | ----- | ---- |
| 日期 | str | - |
| 时期 | str | - |
| 利率（%） | float | - |
| 涨跌（BP） | float | - |
接口示例
```python
import testforPPshare as tp
df = tp.get_sibor(curr_type='USD', period='2M')
print(df)
```
数据示例
```
日期 时期 利率（%） 涨跌（BP）
0 2015-09-29 2月(2M) -0.75900 -0.200
0 2015-08-17 2月(2M) -0.75700 5.000
0 2015-05-11 2月(2M) -0.80700 -100.620
0 2014-11-04 2月(2M) 0.19920 0.645
0 2014-07-14 2月(2M) 0.19275 -0.460
.. ... ... ... ...
178 2007-01-11 2月(2M) 5.34927 -0.073
179 2007-01-10 2月(2M) 5.35000 0.000
180 2007-01-09 2月(2M) 5.35000 0.000
181 2007-01-08 2月(2M) 5.35000 0.300
182 2007-01-05 2月(2M) 5.34700 0.000
```
Raw data
{
"_id": null,
"home_page": "https://github.com/zemengchuan/PPtest",
"name": "testforPPshare",
"maintainer": "",
"docs_url": null,
"requires_python": ">=3.7",
"maintainer_email": "",
"keywords": "macro,webcrawler,data",
"author": "zemengchuan",
"author_email": "zemengchuan@gmail.com",
"download_url": "https://files.pythonhosted.org/packages/9e/f4/470aeda7c66ab66f4d83fe5826fd96a2d693cf709deff8691d6d0de40fb0/testforPPshare-0.2.5.tar.gz",
"platform": null,
"description": "# testforPPshare\u4f7f\u7528\u6307\u5357\uff08by@zemengchuan\uff09\r\nGitHub\u94fe\u63a5\uff1ahttps://github.com/zemengchuan/PPtest\r\n\r\n## \u7528\u9014\uff1a\r\n\r\ntestforPPshare\u662fPPshare\u9879\u76ee\u7684\u6d4b\u8bd5\u7248\u672c\uff0c\u76ee\u524d\u7684\u529f\u80fd\u662f\u96c6\u6210\u4e86\u8bb8\u591a\u722c\u53d6\u5b8f\u89c2\u6570\u636e\u7684\u722c\u866b\r\n\r\n## \u5b89\u88c5\u65b9\u5f0f\r\n\r\n```python\r\npip install testforPPshare\r\n```\r\n\r\n## \u65b9\u6cd5\u5e93\r\n\r\n## \u5feb\u901f\u83b7\u53d6\u76ee\u6807\u6570\u636e\u7684\u51fd\u6570\r\n\r\n\u65b9\u6cd5\uff1aget_methods\r\n\r\n\u63cf\u8ff0\uff1a\u901a\u8fc7\u5411get_methods\u65b9\u6cd5\u4f20\u5165\u76ee\u6807\u6570\u636e\u7684\u63cf\u8ff0\uff0c\u53ef\u4ee5\u5feb\u901f\u83b7\u53d6\u4f60\u60f3\u8981\u7684\u51fd\u6570\u540d\u79f0\uff0c\u5e76\u4e14\u53ef\u4ee5\u81ea\u884c\u9009\u62e9\u9700\u8981\u5339\u914d\u7684\u51fd\u6570\u6570\u91cf\uff0c\u4ee5\u53ca\u662f\u5426\u9700\u8981\u8c03\u7528\r\n\r\n\u8f93\u5165\u53c2\u6570\uff1a\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ---- | ------------------- |\r\n| describe | str | \u76ee\u6807\u6570\u636e\u7684\u540d\u5b57 |\r\n| limit | int | \u5339\u914d\u7684\u6570\u91cf\uff0c\u9ed8\u8ba4\u4e3a5 |\r\n\r\n\u65b9\u6cd5\u793a\u4f8b\uff1a\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmethod = tp.get_methods(\"\u5546\u54c1\u4ef7\u683c\u6307\u6570\")\r\nprint(method)\r\n```\r\n\r\n\u7ed3\u679c\u793a\u4f8b\uff1a\r\n\r\n```\r\n\u60a8\u5e0c\u671b\u83b7\u53d6\u7684\u6570\u636e\u6709\u53ef\u80fd\u662f:\r\n0 \" \u4f01\u4e1a\u5546\u54c1\u4ef7\u683c\u6307\u6570\"\uff0c\u5176\u8c03\u7528\u65b9\u6cd5\u4e3aChina_CGPI\r\n1 \"\u5546\u54c1\u96f6\u552e\u4ef7\u683c\u6307\u6570\"\uff0c\u5176\u8c03\u7528\u65b9\u6cd5\u4e3aChina_retail_price_index\r\n2 \"\u5927\u5b97\u5546\u54c1\u4ef7\u683c\"\uff0c\u5176\u8c03\u7528\u65b9\u6cd5\u4e3aChina_commodity_price_index\r\n3 \"\u5efa\u6750\u4ef7\u683c\u6307\u6570\"\uff0c\u5176\u8c03\u7528\u65b9\u6cd5\u4e3aChina_construction_price_index\r\n4 \"\u5de5\u4e1a\u54c1\u51fa\u5382\u4ef7\u683c\u6307\u6570\"\uff0c\u5176\u8c03\u7528\u65b9\u6cd5\u4e3aChina_PPI\r\n\r\n\u8bf7\u9009\u62e9\u9700\u8981\u8c03\u7528\u7684\u51fd\u6570\u7f16\u53f7\uff1a\uff08\u4e0d\u8c03\u7528\u5219\u586bquit\uff090\r\n\r\n\u60a8\u9009\u62e9\u7684\u6570\u636e\u662f:\u201c \u4f01\u4e1a\u5546\u54c1\u4ef7\u683c\u6307\u6570\u201d\r\n[ \u6708\u4efd \u603b\u6307\u6570-\u6307\u6570\u503c \u603b\u6307\u6570-\u540c\u6bd4\u589e\u957f \u603b\u6307\u6570-\u73af\u6bd4\u589e\u957f \u519c\u4ea7\u54c1-\u6307\u6570\u503c \u519c\u4ea7\u54c1-\u540c\u6bd4\u589e\u957f \u519c\u4ea7\u54c1-\u73af\u6bd4\u589e\u957f \u77ff\u4ea7\u54c1-\u6307\u6570\u503c \u77ff\u4ea7\u54c1-\u540c\u6bd4\u589e\u957f \u77ff\u4ea7\u54c1-\u73af\u6bd4\u589e\u957f \u7164\u6cb9\u7535-\u6307\u6570\u503c \u7164\u6cb9\u7535-\u540c\u6bd4\u589e\u957f \u7164\u6cb9\u7535-\u73af\r\n\u6bd4\u589e\u957f\r\n0 2023\u5e7401\u6708\u4efd 100.4 -5.639098 0.199601 107.4 15.359828 2.972196 101.9 -1.450677 -0.682261 105.8 -10.338983 -2.037037\r\n1 2022\u5e7412\u6708\u4efd 100.2 -6.790698 0.400802 104.3 7.971014 -0.666667 102.6 -1.535509 1.886792 108.0 -8.937605 0.185529\r\n2 2022\u5e7411\u6708\u4efd 99.8 -9.107468 -0.299700 105.0 6.924644 -6.166220 100.7 -6.586271 2.650357 107.8 -12.924071 -0.185185\r\n3 2022\u5e7410\u6708\u4efd 100.1 -9.082652 -1.573255 111.9 21.498371 -0.089286 98.1 -11.938959 2.400835 108.0 -12.691997 -3.398927\r\n4 2022\u5e7409\u6708\u4efd 101.7 -5.746061 -0.586510 112.0 24.721604 4.089219 95.8 -16.258741 3.232759 111.8 -4.931973 -2.272727\r\n.. ... ... ... ... ... ... ... ... ... ... ... ... ...\r\n195 2006\u5e7410\u6708\u4efd 103.8 2.843555 0.193050 106.3 8.116355 0.662879 116.0 9.002067 2.112676 107.0 -11.401838 -2.550091\r\n196 2006\u5e7409\u6708\u4efd 103.6 2.139406 0.680272 105.6 6.850147 1.343570 113.6 4.048361 0.709220 109.8 -9.495549 -0.453309\r\n197 2006\u5e7408\u6708\u4efd 102.9 0.753941 0.390244 104.2 4.628979 1.165049 112.8 1.768315 0.624442 110.3 -10.492575 -0.090580\r\n198 2006\u5e7407\u6708\u4efd 102.5 -0.214174 0.195503 103.0 2.763644 0.292113 112.1 1.009191 1.356239 110.4 -10.657927 0.272480\r\n199 2006\u5e7406\u6708\u4efd 102.3 -0.689253 0.788177 102.7 2.392822 1.884921 110.6 -0.887176 1.589051 110.1 -10.356619 -0.524033\r\n\r\n[200 rows x 13 columns]]\r\n```\r\n\r\n\r\n\r\n## \u4e2d\u56fd\u5b8f\u89c2\r\n\r\n### \u4e2d\u56fd\u5b8f\u89c2\u6760\u6746\u7387\r\n\r\n\u63a5\u53e3: macro_cnbs\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u56fd\u5bb6\u91d1\u878d\u4e0e\u53d1\u5c55\u5b9e\u9a8c\u5ba4-\u4e2d\u56fd\u5b8f\u89c2\u6760\u6746\u7387\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------------- | ------- | ----------- |\r\n| \u5e74\u4efd | object | \u65e5\u671f, \u5e74-\u6708 |\r\n| \u5c45\u6c11\u90e8\u95e8 | float64 | - |\r\n| \u975e\u91d1\u878d\u4f01\u4e1a\u90e8\u95e8 | float64 | - |\r\n| \u653f\u5e9c\u90e8\u95e8 | float64 | - |\r\n| \u4e2d\u592e\u653f\u5e9c | float64 | - |\r\n| \u5730\u65b9\u653f\u5e9c | float64 | - |\r\n| \u5b9e\u4f53\u7ecf\u6d4e\u90e8\u95e8 | float64 | - |\r\n| \u91d1\u878d\u90e8\u95e8\u8d44\u4ea7\u65b9 | float64 | - |\r\n| \u91d1\u878d\u90e8\u95e8\u8d1f\u503a\u65b9 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_cnbs_df = tp.macro_cnbs()\r\nprint(macro_cnbs_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5e74\u4efd \u5c45\u6c11\u90e8\u95e8 \u975e\u91d1\u878d\u4f01\u4e1a\u90e8\u95e8 ... \u5b9e\u4f53\u7ecf\u6d4e\u90e8\u95e8 \u91d1\u878d\u90e8\u95e8\u8d44\u4ea7\u65b9 \u91d1\u878d\u90e8\u95e8\u8d1f\u503a\u65b9\r\n0 1993-12 8.311222 91.658000 ... 107.791459 8.896441 7.128428\r\n1 1994-12 7.808230 82.411703 ... 98.354271 9.808787 6.796868\r\n2 1995-12 8.240004 80.950106 ... 97.850373 10.009081 7.006151\r\n3 1996-03 8.403456 81.711651 ... 99.241521 10.183896 7.186300\r\n4 1996-06 8.581114 82.051373 ... 99.679459 10.379730 7.380510\r\n.. ... ... ... ... ... ... ...\r\n93 2018-09 52.575456 155.641011 ... 245.227043 61.350917 60.645733\r\n94 2018-12 53.198837 153.553140 ... 243.702122 60.638348 60.936158\r\n95 2019-03 54.277928 156.881879 ... 248.828108 60.542178 59.417322\r\n96 2019-06 55.304291 155.743313 ... 249.533412 58.736094 58.727086\r\n97 2019-09 56.314848 155.618498 ... 251.147265 55.820243 59.358625\r\n```\r\n\r\n### \u56fd\u6c11\u7ecf\u6d4e\u8fd0\u884c\u72b6\u51b5\r\n\r\n#### \u7ecf\u6d4e\u72b6\u51b5\r\n\r\n##### \u4f01\u4e1a\u5546\u54c1\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_CGPI\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc-\u7ecf\u6d4e\u6570\u636e\u4e00\u89c8-\u4e2d\u56fd-\u4f01\u4e1a\u5546\u54c1\u4ef7\u683c\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 20050101-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------------- | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u603b\u6307\u6570-\u6307\u6570\u503c | float64 | - |\r\n| \u603b\u6307\u6570-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u603b\u6307\u6570-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u519c\u4ea7\u54c1-\u6307\u6570\u503c | float64 | - |\r\n| \u519c\u4ea7\u54c1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u519c\u4ea7\u54c1-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u77ff\u4ea7\u54c1-\u6307\u6570\u503c | float64 | - |\r\n| \u77ff\u4ea7\u54c1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u77ff\u4ea7\u54c1-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7164\u6cb9\u7535-\u6307\u6570\u503c | float64 | - |\r\n| \u7164\u6cb9\u7535-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7164\u6cb9\u7535-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_CGPI_df = tp.China_CGPI()\r\nprint(China_CGPI_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u603b\u6307\u6570-\u6307\u6570\u503c \u603b\u6307\u6570-\u540c\u6bd4\u589e\u957f ... \u7164\u6cb9\u7535-\u6307\u6570\u503c \u7164\u6cb9\u7535-\u540c\u6bd4\u589e\u957f \u7164\u6cb9\u7535-\u73af\u6bd4\u589e\u957f\r\n0 2022\u5e7409\u6708\u4efd 101.70 -5.746061 ... 111.80 -4.931973 -2.272727\r\n1 2022\u5e7408\u6708\u4efd 102.30 -4.925651 ... 114.40 -0.608167 -1.970865\r\n2 2022\u5e7407\u6708\u4efd 103.10 -4.448563 ... 116.70 1.214224 -3.233831\r\n3 2022\u5e7406\u6708\u4efd 105.20 -2.682701 ... 120.60 4.960836 0.249377\r\n4 2022\u5e7405\u6708\u4efd 105.10 -3.666361 ... 120.30 4.427083 -1.635323\r\n.. ... ... ... ... ... ... ...\r\n208 2005\u5e7405\u6708\u4efd 103.16 -5.738304 ... 122.53 11.168572 1.625612\r\n209 2005\u5e7404\u6708\u4efd 102.81 -5.903350 ... 120.57 12.640135 0.920733\r\n210 2005\u5e7403\u6708\u4efd 103.48 -4.485878 ... 119.47 14.292548 0.538585\r\n211 2005\u5e7402\u6708\u4efd 104.82 -2.046538 ... 118.83 13.974679 2.590003\r\n212 2005\u5e7401\u6708\u4efd 104.67 -1.957662 ... 115.83 8.903723 -1.814021\r\n```\r\n\r\n##### \u5916\u5546\u76f4\u63a5\u6295\u8d44\u6570\u636e\r\n\r\n\u63a5\u53e3: China_FDI\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc-\u7ecf\u6d4e\u6570\u636e\u4e00\u89c8-\u4e2d\u56fd-\u5916\u5546\u76f4\u63a5\u6295\u8d44\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 200801-202012\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | int64 | - |\r\n| \u5f53\u6708-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: \u7f8e\u5143 |\r\n| \u5f53\u6708-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u7f8e\u5143 |\r\n| \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_FDI_df = tp.China_FDI()\r\nprint(China_FDI_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u5f53\u6708-\u540c\u6bd4\u589e\u957f \u5f53\u6708-\u73af\u6bd4\u589e\u957f \u7d2f\u8ba1 \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7408\u6708\u4efd 14490000 11.119632 25.237684 138410000 20.20\r\n1 2022\u5e7407\u6708\u4efd 11570000 18.302658 -52.929211 123920000 21.50\r\n2 2022\u5e7406\u6708\u4efd 24580000 26.831785 84.812030 112350000 21.80\r\n3 2022\u5e7405\u6708\u4efd 13300000 6.060606 -13.524057 87770000 22.60\r\n4 2022\u5e7404\u6708\u4efd 15380000 8.462623 -27.555346 74470000 26.10\r\n.. ... ... ... ... ... ...\r\n171 2008\u5e7405\u6708\u4efd 7760960 58.421856 2.079078 42777890 54.97\r\n172 2008\u5e7404\u6708\u4efd 7602890 70.214971 -18.121715 35016930 59.32\r\n173 2008\u5e7403\u6708\u4efd 9285600 50.171752 34.026347 27414040 61.26\r\n174 2008\u5e7402\u6708\u4efd 6928190 52.801205 -38.142541 18128440 75.19\r\n175 2008\u5e7401\u6708\u4efd 11200250 116.422424 -14.460445 11200250 109.78\r\n```\r\n\r\n##### **\u8d37\u6b3e\u5e02\u573a\u62a5\u4ef7\u5229\u7387**\r\n\r\n\u63a5\u53e3:LPR()\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd LPR \u54c1\u79cd\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 2013.10.25-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u4e00\u5e74\uff08364\u5929\uff09\u7684\u6570\u636e\u91cf\uff0c\u8d85\u8fc7\u5219\u4f1a\u8fd4\u56de\u7a7a\u8868\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ------------------- | --------------------------------------- |\r\n| start_date | str / datetime.date | \u8d77\u59cb\u65f6\u95f4\uff0c\u9ed8\u8ba4\u4e3a\u7ec8\u6b62\u65f6\u95f4\u524d\u4e00\u5e74\uff08364\u5929\uff09 |\r\n| end_date | str / datetime.date | \u7ec8\u6b62\u65f6\u95f4\uff0c\u9ed8\u8ba4\u4e3a\u4eca\u5929 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ----- | ---- |\r\n| \u65e5\u671f | str | \u65e5\u671f |\r\n| 1Y | float | 1\u5e74 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_lpr_df = tp.LPR(start_date='2013-10-01',end_date='2014-9-30')\r\nprint(China_lpr_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f 1Y\r\n0 2014-09-30 5.76\r\n1 2014-09-29 5.76\r\n2 2014-09-28 5.76\r\n3 2014-09-26 5.76\r\n4 2014-09-25 5.76\r\n.. ... ...\r\n231 2013-10-31 5.72\r\n232 2013-10-30 5.72\r\n233 2013-10-29 5.72\r\n234 2013-10-28 5.72\r\n235 2013-10-25 5.71\r\n```\r\n\r\n##### \u793e\u4f1a\u878d\u8d44\u89c4\u6a21\u589e\u91cf\u7edf\u8ba1\r\n\r\n\u63a5\u53e3: China_ISFC\r\n\r\n\u63cf\u8ff0: \u5546\u52a1\u6570\u636e\u4e2d\u5fc3-\u56fd\u5185\u8d38\u6613-\u793e\u4f1a\u878d\u8d44\u89c4\u6a21\u589e\u91cf\u7edf\u8ba1, \u6570\u636e\u533a\u95f4\u4ece 201501-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------------------------- | ------- | -------------------------- |\r\n| \u6708\u4efd | object | \u5e74\u6708 |\r\n| \u793e\u4f1a\u878d\u8d44\u89c4\u6a21\u589e\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u4eba\u6c11\u5e01\u8d37\u6b3e | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u59d4\u6258\u8d37\u6b3e\u5916\u5e01\u8d37\u6b3e | float64 | \u6ce8\u610f\u5355\u4f4d: \u6298\u5408\u4eba\u6c11\u5e01, \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u59d4\u6258\u8d37\u6b3e | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u4fe1\u6258\u8d37\u6b3e | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u672a\u8d34\u73b0\u94f6\u884c\u627f\u5151\u6c47\u7968 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u4f01\u4e1a\u503a\u5238 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d-\u975e\u91d1\u878d\u4f01\u4e1a\u5883\u5185\u80a1\u7968\u878d\u8d44 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_ISFC_df = tp.China_ISFC()\r\nprint(China_ISFC_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u793e\u4f1a\u878d\u8d44\u89c4\u6a21\u589e\u91cf \u5176\u4e2d-\u4eba\u6c11\u5e01\u8d37\u6b3e ... \u5176\u4e2d-\u672a\u8d34\u73b0\u94f6\u884c\u627f\u5151\u6c47\u7968 \u5176\u4e2d-\u4f01\u4e1a\u503a\u5238 \u5176\u4e2d-\u975e\u91d1\u878d\u4f01\u4e1a\u5883\u5185\u80a1\u7968\u878d\u8d44\r\n0 201501 20516 14708 ... 1946 1868 526.0\r\n1 201502 13609 11437 ... -592 716 542.0\r\n2 201503 12433 9920 ... -910 1344 639.0\r\n3 201504 10582 8045 ... -74 1616 597.0\r\n4 201505 12397 8510 ... 961 1710 584.0\r\n.. ... ... ... ... ... ... ...\r\n82 202111 25983 13021 ... -383 4006 1294.0\r\n83 202112 23682 10350 ... -1419 2167 2075.0\r\n84 202201 61750 41988 ... 4733 5829 1439.0\r\n85 202202 11928 9084 ... -4228 3377 585.0\r\n86 202203 46531 32291 ... 287 3573 958.0\r\n```\r\n\r\n##### \u4e2d\u56fd GDP \u5e74\u7387\r\n\r\n\u63a5\u53e3: China_GDP_yearly\r\n\r\n\u63cf\u8ff0: \u91d1\u5341\u6570\u636e\u4e2d\u5fc3-\u4e2d\u56fdGDP\u5e74\u7387\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 20110120-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----- | ------- | ---- |\r\n| index | object | \u5e74\u6708 |\r\n| value | float64 | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_GDP_yearly_df = tp.China_GDP_yearly()\r\nprint(China_GDP_yearly_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n date value\r\n0 2011-01-20 9.8\r\n1 2011-04-15 9.7\r\n2 2011-07-13 9.5\r\n3 2011-10-18 9.1\r\n4 2012-01-17 8.9\r\n5 2012-04-13 8.1\r\n6 2012-07-13 7.6\r\n7 2012-10-18 7.4\r\n8 2013-01-18 7.9\r\n9 2013-04-15 7.7\r\n10 2013-07-15 7.5\r\n11 2013-10-18 7.8\r\n12 2014-01-20 7.7\r\n13 2014-04-16 7.4\r\n14 2014-07-16 7.5\r\n15 2014-10-21 7.3\r\n16 2015-01-20 7.3\r\n17 2015-04-15 7.0\r\n18 2015-07-15 7.0\r\n19 2015-10-19 6.9\r\n20 2016-01-19 6.8\r\n21 2016-04-15 6.7\r\n22 2016-07-15 6.7\r\n23 2016-10-19 6.7\r\n24 2017-01-20 6.8\r\n25 2017-04-17 6.9\r\n26 2017-07-17 6.9\r\n28 2017-10-19 6.8\r\n30 2018-01-18 6.8\r\n32 2018-04-17 6.8\r\n34 2018-07-16 6.7\r\n36 2018-10-19 6.5\r\n38 2019-01-21 6.4\r\n40 2019-04-17 6.4\r\n42 2019-07-15 6.2\r\n44 2019-10-18 6.0\r\n46 2020-01-17 6.0\r\n48 2020-04-17 -6.8\r\n50 2020-07-16 3.2\r\n52 2020-10-19 4.9\r\n54 2021-01-18 6.5\r\n56 2021-04-16 18.3\r\n58 2021-07-15 7.9\r\n59 2021-10-18 4.9\r\n60 2022-01-17 4.0\r\n61 2022-04-18 4.8\r\n```\r\n\r\n#### \u7269\u4ef7\u6c34\u5e73\r\n\r\n##### \u4e2d\u56fd CPI \u5e74\u7387\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_CPI_yearly\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u5e74\u5ea6 CPI \u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 19860201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----- | ------- | ---- |\r\n| index | object | \u65e5\u671f |\r\n| value | float64 | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_CPI_yearly_df = tp.China_CPI_yearly()\r\nprint(China_CPI_yearly_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n date value\r\n0 1986-02-01 7.1\r\n1 1986-03-01 7.1\r\n2 1986-04-01 7.1\r\n3 1986-05-01 7.1\r\n4 1986-06-01 7.1\r\n.. ... ...\r\n434 2022-04-11 1.5\r\n435 2022-05-11 2.1\r\n436 2022-06-10 2.1\r\n437 2022-07-09 2.5\r\n438 2022-08-10 2.7\r\n```\r\n\r\n##### \u4e2d\u56fd CPI \u6708\u7387\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_CPI_monthly\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u6708\u5ea6 CPI \u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 19960201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----- | ----- | --------- |\r\n| index | str | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | \u6708\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_CPI_monthly_df = tp.China_CPI_monthly()\r\nprint(China_CPI_monthly_df)\r\nprint(China_CPI_monthly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_CPI_monthly_df.name:\r\n\r\n```\r\nCPI\r\n```\r\n\r\nChina_CPI_monthly_df:\r\n\r\n```\r\n1996-02-01 2.1\r\n1996-03-01 2.3\r\n1996-04-01 0.6\r\n1996-05-01 0.7\r\n2019-07-10 -0.1\r\n2019-08-09 0.4\r\n2019-09-10 0.7\r\n2019-10-15 0.9\r\n2019-11-09 0.9\r\n2019-12-10 0.4\r\n2020-01-09 0\r\n```\r\n\r\n##### \u4e2d\u56fd PPI \u5e74\u7387\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_PPI_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5e74\u5ea6PPI\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece19950801-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----- | ------- | --------- |\r\n| index | object | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float64 | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_PPI_yearly_df = tp.China_PPI_yearly()\r\nprint(China_PPI_yearly_df)\r\nprint(China_PPI_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_PPI_yearly_df.name:\r\n\r\n```\r\nPPI\r\n```\r\n\r\nChina_PPI_yearly_df:\r\n\r\n```\r\n1995-08-01 13.5\r\n1995-09-01 13\r\n1995-10-01 12.9\r\n1995-11-01 12.5\r\n1995-12-01 11.1\r\n2019-08-09 -0.3\r\n2019-09-10 -0.8\r\n2019-10-15 -1.2\r\n2019-11-09 -1.6\r\n2019-12-10 -1.4\r\n2020-01-09 -0.5\r\n```\r\n\r\n### \u8d38\u6613\u72b6\u51b5\r\n\r\n#### \u4ee5\u7f8e\u5143\u8ba1\u7b97\u51fa\u53e3\u5e74\u7387\r\n\r\n\u63a5\u53e3: China_exports_yoy\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u4ee5\u7f8e\u5143\u8ba1\u7b97\u51fa\u53e3\u5e74\u7387\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 19820201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_exports_yoy_df = tp.China_exports_yoy()\r\nprint(China_exports_yoy_df)\r\nprint(China_exports_yoy_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_exports_yoy_df.name:\r\n\r\n```\r\nchina_exports_yoy\r\n```\r\n\r\nChina_exports_yoy_df:\r\n\r\n```\r\n1982-02-01 8.7\r\n1982-03-01 23.2\r\n1982-04-01 12.2\r\n1982-05-01 -2.5\r\n1982-06-01 41.5\r\n2019-03-08 -20.8\r\n2019-04-12 14.2\r\n2019-05-08 -2.7\r\n2019-06-10 1.1\r\n2019-07-12 -1.3\r\n2019-08-08 3.3\r\n2019-09-08 -1\r\n2019-10-14 -3.2\r\n2019-11-08 -0.9\r\n2019-12-08 -1.1\r\n2020-01-14 0\r\n```\r\n\r\n#### \u4ee5\u7f8e\u5143\u8ba1\u7b97\u8fdb\u53e3\u5e74\u7387\r\n\r\n\u63a5\u53e3: China_imports_yoy\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u4ee5\u7f8e\u5143\u8ba1\u7b97\u8fdb\u53e3\u5e74\u7387\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece19960201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_imports_yoy_df = tp.China_imports_yoy()\r\nprint(China_imports_yoy_df)\r\nprint(China_imports_yoy_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_imports_yoy_df.name:\r\n\r\n```\r\nchina_imports_yoy\r\n```\r\n\r\nChina_imports_yoy_df:\r\n\r\n```\r\n1996-02-01 55.8\r\n1996-03-01 14.2\r\n1996-04-01 8.7\r\n1996-05-01 6.4\r\n1996-06-01 4.5\r\n2019-06-10 -8.5\r\n2019-07-12 -7.3\r\n2019-08-08 -5.6\r\n2019-09-08 -5.6\r\n2019-10-14 -8.5\r\n2019-11-08 -6.5\r\n2019-12-08 0.3\r\n2020-01-14 0\r\n```\r\n\r\n#### \u4ee5\u7f8e\u5143\u8ba1\u7b97\u8d38\u6613\u5e10(\u4ebf\u7f8e\u5143)\r\n\r\n\u63a5\u53e3: China_trade_balance\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u4ee5\u7f8e\u5143\u8ba1\u7b97\u8d38\u6613\u5e10\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece19810201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_trade_balance_df = tp.China_trade_balance()\r\nprint(China_trade_balance_df)\r\nprint(China_trade_balance_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_trade_balance_df.name:\r\n\r\n```\r\nchina_trade_balance\r\n```\r\n\r\nChina_trade_balance_df:\r\n\r\n```\r\n1981-02-01 -2.2\r\n1981-03-01 -4.9\r\n1981-04-01 -7.4\r\n1981-05-01 -4.8\r\n2019-10-14 396.5\r\n2019-11-08 430.2\r\n2019-12-08 387.3\r\n2019-12-09 0\r\n2020-01-14 0\r\n```\r\n\r\n### \u4ea7\u4e1a\u6307\u6807\r\n\r\n#### \u5de5\u4e1a\u589e\u52a0\u503c\u589e\u957f\r\n\r\n\u63a5\u53e3: China_gyzjz\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc-\u4e2d\u56fd\u5de5\u4e1a\u589e\u52a0\u503c\u589e\u957f, \u6570\u636e\u533a\u95f4\u4ece 2008 - \u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_gyzjz_df = tp.China_gyzjz\r\nprint(China_gyzjz_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u540c\u6bd4\u589e\u957f \u7d2f\u8ba1\u589e\u957f\r\n0 2021-05-01 8.8 17.8\r\n1 2021-04-01 9.8 20.3\r\n2 2021-03-01 14.1 24.5\r\n3 2021-02-01 0.0 35.1\r\n4 2020-12-01 7.3 2.8\r\n.. ... ... ...\r\n142 2008-06-01 16.0 16.3\r\n143 2008-05-01 16.0 16.3\r\n144 2008-04-01 15.7 16.3\r\n145 2008-03-01 17.8 16.4\r\n146 2008-02-01 15.4 15.4\r\n```\r\n\r\n#### \u89c4\u6a21\u4ee5\u4e0a\u5de5\u4e1a\u589e\u52a0\u503c\u5e74\u7387\r\n\r\n\u63a5\u53e3: China_industrial_production_yoy\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u89c4\u6a21\u4ee5\u4e0a\u5de5\u4e1a\u589e\u52a0\u503c\u5e74\u7387\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece19900301-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_industrial_production_yoy_df = tp.China_industrial_production_yoy()\r\nprint(China_industrial_production_yoy_df)\r\nprint(China_industrial_production_yoy_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_industrial_production_yoy_df.name:\r\n\r\n```\r\nchina_industrial_production_yoy\r\n```\r\n\r\nChina_industrial_production_yoy_df:\r\n\r\n```\r\n1990-03-01 5\r\n1990-04-01 0.8\r\n1990-05-01 1.7\r\n1990-06-01 3.3\r\n1990-07-01 5\r\n ...\r\n2019-09-16 4.4\r\n2019-10-18 5.8\r\n2019-11-14 4.7\r\n2019-12-16 6.2\r\n2020-01-17 0\r\n```\r\n\r\n#### \u5b98\u65b9\u5236\u9020\u4e1aPMI\r\n\r\n\u63a5\u53e3: China_pmi_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5e74\u5ea6PMI\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece20050201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_pmi_yearly_df = tp.China_pmi_yearly()\r\nprint(China_pmi_yearly_df)\r\nprint(China_pmi_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_pmi_yearly_df.name:\r\n\r\n```\r\npmi\r\n```\r\n\r\nChina_pmi_yearly_df:\r\n\r\n```\r\n2005-02-01 54.7\r\n2005-03-01 54.5\r\n2005-04-01 57.9\r\n2005-05-01 56.7\r\n2005-06-01 52.9\r\n ...\r\n2019-09-30 49.8\r\n2019-10-31 49.3\r\n2019-11-30 50.2\r\n2019-12-31 50.2\r\n2020-01-31 0\r\n```\r\n\r\n#### \u8d22\u65b0\u5236\u9020\u4e1aPMI\u7ec8\u503c\r\n\r\n\u63a5\u53e3: China_cx_pmi_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5e74\u5ea6\u8d22\u65b0 PMI \u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece20120120-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_cx_pmi_yearly_df = tp.China_cx_pmi_yearly()\r\nprint(China_cx_pmi_yearly_df)\r\nprint(China_cx_pmi_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_cx_pmi_yearly_df.name:\r\n\r\n```\r\ncx_pmi\r\n```\r\n\r\nChina_cx_pmi_yearly_df:\r\n\r\n```\r\n2012-01-20 48.8\r\n2012-02-22 49.6\r\n2012-03-22 48.3\r\n2012-04-23 49.1\r\n2012-05-02 49.3\r\n ...\r\n2019-09-02 50.4\r\n2019-09-30 51.4\r\n2019-11-01 51.7\r\n2019-12-02 51.8\r\n2020-01-02 51.5\r\n```\r\n\r\n#### \u8d22\u65b0\u670d\u52a1\u4e1aPMI\r\n\r\n\u63a5\u53e3: China_cx_services_pmi_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u8d22\u65b0\u670d\u52a1\u4e1aPMI\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece20120405-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_cx_services_pmi_yearly_df = tp.China_cx_services_pmi_yearly()\r\nprint(China_cx_services_pmi_yearly_df)\r\nprint(China_cx_services_pmi_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_cx_services_pmi_yearly_df.name:\r\n\r\n```\r\ncx_services_pmi\r\n```\r\n\r\nChina_cx_services_pmi_yearly_df:\r\n\r\n```\r\n2012-04-05 53.3\r\n2012-05-04 54.1\r\n2012-06-05 54.7\r\n2012-07-04 52.3\r\n2012-08-03 53.1\r\n ...\r\n2019-09-04 52.1\r\n2019-10-08 51.3\r\n2019-11-05 51.1\r\n2019-12-04 53.5\r\n2020-01-06 52.5\r\n```\r\n\r\n#### \u4e2d\u56fd\u5b98\u65b9\u975e\u5236\u9020\u4e1aPMI\r\n\r\n\u63a5\u53e3: China_non_man_pmi\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5b98\u65b9\u975e\u5236\u9020\u4e1aPMI, \u6570\u636e\u533a\u95f4\u4ece20160101-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_non_man_pmi_df = tp.China_non_man_pmi()\r\nprint(China_non_man_pmi_df)\r\nprint(China_non_man_pmi_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_non_man_pmi_df.name:\r\n\r\n```\r\ncx_services_pmi\r\n```\r\n\r\nChina_non_man_pmi_df:\r\n\r\n```\r\n2007-02-01 60.4\r\n2007-03-01 60.6\r\n2007-04-01 58.2\r\n2007-05-01 60.4\r\n2007-06-01 62.2\r\n ...\r\n2019-09-30 53.7\r\n2019-10-31 52.8\r\n2019-11-30 54.4\r\n2019-12-31 53.5\r\n2020-01-31 0\r\n```\r\n\r\n### \u91d1\u878d\u6307\u6807\r\n\r\n#### \u5916\u6c47\u50a8\u5907(\u4ebf\u7f8e\u5143)\r\n\r\n\u63a5\u53e3: China_fx_reserves_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5e74\u5ea6\u5916\u6c47\u50a8\u5907\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece20140115-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_fx_reserves_yearly_df = tp.China_fx_reserves_yearly()\r\nprint(China_fx_reserves_yearly_df)\r\nprint(China_fx_reserves_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_fx_reserves_yearly_df.name:\r\n\r\n```\r\nfx_reserves\r\n```\r\n\r\nChina_fx_reserves_yearly_df:\r\n\r\n```\r\n2014-01-15 39500\r\n2014-07-15 39900\r\n2015-01-15 32300\r\n2016-03-07 32020\r\n2016-04-07 32100\r\n ...\r\n2019-09-07 31070\r\n2019-10-08 30920\r\n2019-11-07 31050\r\n2019-12-07 30960\r\n2020-01-07 31080\r\n```\r\n\r\n#### M2\u8d27\u5e01\u4f9b\u5e94\u5e74\u7387\r\n\r\n\u63a5\u53e3: China_M2_yearly\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u5e74\u5ea6M2\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece19980201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | --------- |\r\n| index | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| value | float | Y | \u5e74\u7387 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_M2_yearly_df = tp.China_M2_yearly()\r\nprint(China_M2_yearly_df)\r\nprint(China_M2_yearly_df.name)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_M2_yearly_df.name:\r\n\r\n```\r\nM2\r\n```\r\n\r\nChina_M2_yearly_df:\r\n\r\n```\r\n1998-02-01 17.4\r\n1998-03-01 16.7\r\n1998-04-01 15.4\r\n1998-05-01 14.6\r\n1998-06-01 15.5\r\n ...\r\n2019-11-11 8.4\r\n2019-11-14 0\r\n2019-12-10 8.2\r\n2019-12-13 0\r\n2020-01-14 0\r\n```\r\n\r\n#### \u65b0\u623f\u4ef7\u6307\u6570\r\n\r\n\u63a5\u53e3: China_new_house_price\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u65b0\u623f\u4ef7\u6307\u6570\u6708\u5ea6\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 201101-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6307\u5b9a\u57ce\u5e02\u7684\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ---- | -------------------------------------- |\r\n| city_first | str | city_first=\"\u5317\u4eac\"; \u57ce\u5e02\u5217\u8868\u89c1\u76ee\u6807\u7f51\u7ad9 |\r\n| city_second | str | city_second=\"\u4e0a\u6d77\"; \u57ce\u5e02\u5217\u8868\u89c1\u76ee\u6807\u7f51\u7ad9 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------------- | ------- | ---- |\r\n| \u65e5\u671f | object | \u65e5\u671f |\r\n| \u57ce\u5e02 | object | - |\r\n| \u65b0\u5efa\u5546\u54c1\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u73af\u6bd4 | float64 | - |\r\n| \u65b0\u5efa\u5546\u54c1\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u540c\u6bd4 | float64 | - |\r\n| \u65b0\u5efa\u5546\u54c1\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u5b9a\u57fa | float64 | - |\r\n| \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u73af\u6bd4 | float64 | - |\r\n| \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u540c\u6bd4 | float64 | - |\r\n| \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u5b9a\u57fa | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_new_house_price_df = tp.China_new_house_price()\r\nprint(China_new_house_price_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u57ce\u5e02 \u65b0\u5efa\u5546\u54c1\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u540c\u6bd4 ... \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u73af\u6bd4 \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u540c\u6bd4 \u4e8c\u624b\u4f4f\u5b85\u4ef7\u683c\u6307\u6570-\u5b9a\u57fa\r\n0 2022-10-01 \u5317\u4eac 105.9 ... 105.2 100.1 116.7\r\n1 2022-10-01 \u4e0a\u6d77 104.0 ... 103.9 99.6 113.7\r\n2 2022-09-01 \u5317\u4eac 106.1 ... 104.6 100.4 116.5\r\n3 2022-09-01 \u4e0a\u6d77 103.8 ... 103.9 100.5 114.2\r\n4 2022-08-01 \u5317\u4eac 105.8 ... 103.9 100.2 116.0\r\n.. ... .. ... ... ... ... ...\r\n279 2011-03-01 \u4e0a\u6d77 102.0 ... 100.5 100.4 101.4\r\n280 2011-02-01 \u5317\u4eac 108.4 ... 102.9 100.4 101.5\r\n281 2011-02-01 \u4e0a\u6d77 102.8 ... 102.0 100.4 101.0\r\n282 2011-01-01 \u5317\u4eac 109.1 ... 102.6 100.3 101.2\r\n283 2011-01-01 \u4e0a\u6d77 101.8 ... 101.7 100.5 100.6\r\n```\r\n\r\n#### \u4f01\u4e1a\u666f\u6c14\u53ca\u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570\r\n\r\n\u63a5\u53e3: China_enterprise_boom_index\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u4f01\u4e1a\u666f\u6c14\u53ca\u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 2005 \u4e00\u5b63\u5ea6-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------- | ------- | ----------- |\r\n| \u5b63\u5ea6 | object | \u65e5\u671f |\r\n| \u4f01\u4e1a\u666f\u6c14\u6307\u6570-\u6307\u6570 | float64 | - |\r\n| \u4f01\u4e1a\u666f\u6c14\u6307\u6570-\u540c\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4f01\u4e1a\u666f\u6c14\u6307\u6570-\u73af\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u6307\u6570 | float64 | - |\r\n| \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u540c\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u73af\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_enterprise_boom_index_df = tp.China_enterprise_boom_index()\r\nprint(China_enterprise_boom_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5b63\u5ea6 \u4f01\u4e1a\u666f\u6c14\u6307\u6570-\u6307\u6570 \u4f01\u4e1a\u666f\u6c14\u6307\u6570-\u540c\u6bd4 ... \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u6307\u6570 \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u540c\u6bd4 \u4f01\u4e1a\u5bb6\u4fe1\u5fc3\u6307\u6570-\u73af\u6bd4\r\n0 2022\u5e74\u7b2c2\u5b63\u5ea6 101.80 1.80 ... NaN NaN NaN\r\n1 2022\u5e74\u7b2c1\u5b63\u5ea6 112.70 12.70 ... NaN NaN NaN\r\n2 2021\u5e74\u7b2c4\u5b63\u5ea6 119.20 19.20 ... NaN NaN NaN\r\n3 2021\u5e74\u7b2c3\u5b63\u5ea6 119.20 19.20 ... 120.90 20.90 -5.10\r\n4 2021\u5e74\u7b2c2\u5b63\u5ea6 123.80 23.80 ... 126.00 26.00 -1.80\r\n.. ... ... ... ... ... ... ...\r\n65 2006\u5e74\u7b2c1\u5b63\u5ea6 131.50 31.50 ... 133.10 33.10 7.70\r\n66 2005\u5e74\u7b2c4\u5b63\u5ea6 131.70 31.70 ... 125.40 25.40 -2.20\r\n67 2005\u5e74\u7b2c3\u5b63\u5ea6 132.00 32.00 ... 127.60 27.60 -0.90\r\n68 2005\u5e74\u7b2c2\u5b63\u5ea6 131.71 31.71 ... 128.50 28.50 -7.35\r\n69 2005\u5e74\u7b2c1\u5b63\u5ea6 132.46 32.46 ... 135.85 35.85 5.04\r\n```\r\n\r\n#### \u5168\u56fd\u7a0e\u6536\u6536\u5165\r\n\r\n\u63a5\u53e3: China_national_tax_receipts\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u5168\u56fd\u7a0e\u6536\u6536\u5165\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 2005 \u4e00\u5b63\u5ea6-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------ | ------- | -------------- |\r\n| \u5b63\u5ea6 | object | \u65e5\u671f |\r\n| \u7a0e\u6536\u6536\u5165\u5408\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u8f83\u4e0a\u5e74\u540c\u671f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5b63\u5ea6\u73af\u6bd4 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_national_tax_receipts_df = tp.China_national_tax_receipts()\r\nprint(China_national_tax_receipts_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5b63\u5ea6 \u7a0e\u6536\u6536\u5165\u5408\u8ba1 \u8f83\u4e0a\u5e74\u540c\u671f \u5b63\u5ea6\u73af\u6bd4\r\n0 2022\u5e74\u7b2c1-3\u5b63\u5ea6 124365.00 -11.6 0.171811\r\n1 2022\u5e74\u7b2c1-2\u5b63\u5ea6 85564.00 -14.8 -0.368718\r\n2 2022\u5e74\u7b2c1\u5b63\u5ea6 52452.00 7.7 0.637641\r\n3 2021\u5e74\u7b2c1-4\u5b63\u5ea6 172731.00 11.9 -0.204070\r\n4 2021\u5e74\u7b2c1-3\u5b63\u5ea6 140702.00 18.4 -0.222216\r\n.. ... ... ... ...\r\n64 2006\u5e74\u7b2c1-2\u5b63\u5ea6 18484.80 22.0 0.142837\r\n65 2006\u5e74\u7b2c1\u5b63\u5ea6 8626.32 19.0 NaN\r\n66 2005\u5e74\u7b2c1-3\u5b63\u5ea6 21855.35 15.9 -0.151249\r\n67 2005\u5e74\u7b2c1-2\u5b63\u5ea6 15149.73 13.4 0.089860\r\n68 2005\u5e74\u7b2c1\u5b63\u5ea6 7249.16 10.7 NaN\r\n```\r\n\r\n#### \u94f6\u884c\u7406\u8d22\u4ea7\u54c1\u53d1\u884c\u6570\u91cf\r\n\r\n\u63a5\u53e3: China_bank_financing\r\n\r\n\u63cf\u8ff0: \u94f6\u884c\u7406\u8d22\u4ea7\u54c1\u53d1\u884c\u6570\u91cf, \u6570\u636e\u533a\u95f4\u4ece 2000 \u4e00\u6708-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_bank_financing_df = tp.China_bank_financing()\r\nprint(China_bank_financing_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2000-03-01 4 NaN ... NaN NaN NaN\r\n1 2004-02-01 2 -50.000000 ... -50.000000 -50.000000 -50.000000\r\n2 2004-03-01 8 300.000000 ... 100.000000 100.000000 100.000000\r\n3 2004-04-01 3 -62.500000 ... -25.000000 -25.000000 -25.000000\r\n4 2004-05-01 6 100.000000 ... 50.000000 50.000000 50.000000\r\n.. ... ... ... ... ... ... ...\r\n213 2021-10-01 2640 -27.829415 ... -51.710262 -70.054446 -74.346516\r\n214 2021-11-01 3424 29.696970 ... -45.347167 -59.541534 -70.644719\r\n215 2021-12-01 3876 13.200935 ... -44.422139 -44.117647 -64.904020\r\n216 2022-01-01 2793 -27.941176 ... -45.406568 -50.478723 -77.035027\r\n217 2022-02-01 1779 -36.305048 ... -54.893509 -66.204407 -78.496313\r\n```\r\n\r\n#### \u539f\u4fdd\u9669\u4fdd\u8d39\u6536\u5165\r\n\r\n\u63a5\u53e3: China_insurance_income\r\n\r\n\u63cf\u8ff0: \u539f\u4fdd\u9669\u4fdd\u8d39\u6536\u5165, \u6570\u636e\u533a\u95f4\u4ece 200407-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_insurance_income_df = tp.China_insurance_income()\r\nprint(China_insurance_income_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2004-07-01 0.000000e+00 NaN ... NaN NaN NaN\r\n1 2004-09-01 2.453616e+07 NaN ... NaN NaN NaN\r\n2 2004-10-01 2.704315e+07 10.217507 ... NaN NaN NaN\r\n3 2004-11-01 2.956397e+07 9.321471 ... NaN NaN NaN\r\n4 2004-12-01 3.193586e+07 8.022916 ... NaN NaN NaN\r\n.. ... ... ... ... ... ... ...\r\n205 2021-09-01 1.979124e+08 9.327015 ... -1.959838 2.790277 -9.435956\r\n206 2021-10-01 2.094363e+08 5.822728 ... -2.107731 2.866552 -10.337719\r\n207 2021-11-01 2.205047e+08 5.284853 ... -2.053675 2.876131 -11.053454\r\n208 2021-12-01 2.357184e+08 6.899490 ... -1.710283 3.594269 -10.239691\r\n209 2022-01-01 7.049640e+07 -70.092958 ... -5.768089 5.429366 12.398597\r\n```\r\n\r\n#### \u624b\u673a\u51fa\u8d27\u91cf\r\n\r\n\u63a5\u53e3: China_mobile_number\r\n\r\n\u63cf\u8ff0: \u624b\u673a\u51fa\u8d27\u91cf, \u6570\u636e\u533a\u95f4\u4ece 201201-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_mobile_number_df = tp.China_mobile_number()\r\nprint(China_mobile_number_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2012-01-01 2400.6 NaN ... NaN NaN NaN\r\n1 2012-02-01 2998.9 24.922936 ... NaN NaN NaN\r\n2 2012-03-01 3958.6 32.001734 ... NaN NaN NaN\r\n3 2012-04-01 3528.7 -10.859900 ... NaN NaN NaN\r\n4 2012-05-01 3586.8 1.646499 ... NaN NaN NaN\r\n.. ... ... ... ... ... ... ...\r\n117 2021-10-01 3357.5 56.599813 ... 28.379153 -6.655731 -12.866893\r\n118 2021-11-01 3525.2 4.994788 ... 19.159005 1.176741 -0.333616\r\n119 2021-12-01 3340.1 -5.250766 ... 25.591277 9.712916 -6.371587\r\n120 2022-01-01 3302.2 -1.134697 ... -17.691924 58.660453 -3.013393\r\n121 2022-02-01 1486.4 -54.987584 ... -31.688037 132.832080 2.432637\r\n```\r\n\r\n#### \u83dc\u7bee\u5b50\u4ea7\u54c1\u6279\u53d1\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_vegetable_basket\r\n\r\n\u63cf\u8ff0: \u83dc\u7bee\u5b50\u4ea7\u54c1\u6279\u53d1\u4ef7\u683c\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 20050927-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_vegetable_basket_df = tp.China_vegetable_basket()\r\nprint(China_vegetable_basket_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2005-09-27 123.80 NaN ... NaN NaN NaN\r\n1 2005-09-28 123.00 -0.646204 ... NaN NaN NaN\r\n2 2005-09-29 123.10 0.081301 ... NaN NaN NaN\r\n3 2005-09-30 124.10 0.812348 ... NaN NaN NaN\r\n4 2005-10-08 122.20 -1.531023 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n4100 2022-03-28 137.93 0.561388 ... 6.026597 6.608440 15.470908\r\n4101 2022-03-29 138.45 0.377003 ... 6.952491 7.010357 15.712495\r\n4102 2022-03-30 138.85 0.288913 ... 7.410846 7.978847 16.046803\r\n4103 2022-03-31 139.38 0.381707 ... 8.180689 8.289954 16.489762\r\n4104 2022-04-01 139.70 0.229588 ... 8.775208 8.622969 16.484616\r\n```\r\n\r\n#### \u519c\u4ea7\u54c1\u6279\u53d1\u4ef7\u683c\u603b\u6307\u6570\r\n\r\n\u63a5\u53e3: China_agricultural_product\r\n\r\n\u63cf\u8ff0: \u519c\u4ea7\u54c1\u6279\u53d1\u4ef7\u683c\u603b\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 20050927-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_agricultural_product_df = tp.China_agricultural_product()\r\nprint(China_agricultural_product_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2005-09-27 125.50 NaN ... NaN NaN NaN\r\n1 2005-09-28 125.00 -0.398406 ... NaN NaN NaN\r\n2 2005-09-29 125.00 0.000000 ... NaN NaN NaN\r\n3 2005-09-30 125.80 0.640000 ... NaN NaN NaN\r\n4 2005-10-08 124.20 -1.271860 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n4100 2022-03-28 134.83 0.499404 ... 6.349582 7.374373 15.259019\r\n4101 2022-03-29 135.30 0.348587 ... 7.100451 7.748666 15.492958\r\n4102 2022-03-30 135.03 -0.199557 ... 7.098668 8.127803 15.262484\r\n4103 2022-03-31 136.10 0.792416 ... 8.265054 8.862582 16.175843\r\n4104 2022-04-01 136.38 0.205731 ... 8.790683 9.156395 16.176846\r\n```\r\n\r\n#### \u519c\u526f\u6307\u6570\r\n\r\n\u63a5\u53e3: China_agricultural_index\r\n\r\n\u63cf\u8ff0: \u519c\u526f\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20111205-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_agricultural_index_df = tp.China_agricultural_index()\r\nprint(China_agricultural_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2011-12-05 995 NaN ... NaN NaN NaN\r\n1 2011-12-12 986 -0.904523 ... NaN NaN NaN\r\n2 2011-12-19 990 0.405680 ... NaN NaN NaN\r\n3 2011-12-26 988 -0.202020 ... NaN NaN NaN\r\n4 2012-01-02 993 0.506073 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n2971 2022-03-28 1316 -0.679245 ... 7.428571 24.385633 55.739645\r\n2972 2022-03-29 1311 -0.379939 ... 7.635468 23.913043 55.331754\r\n2973 2022-03-30 1305 -0.457666 ... 7.495881 22.881356 54.620853\r\n2974 2022-03-31 1303 -0.153257 ... 8.222591 22.347418 54.383886\r\n2975 2022-04-01 1289 -1.074444 ... 6.090535 21.489161 52.906287\r\n```\r\n\r\n#### \u80fd\u6e90\u6307\u6570\r\n\r\n\u63a5\u53e3: China_energy_index\r\n\r\n\u63cf\u8ff0: \u80fd\u6e90\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20111205-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_energy_index_df = tp.China_energy_index()\r\nprint(China_energy_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2011-12-05 1003 NaN ... NaN NaN NaN\r\n1 2011-12-12 995 -0.797607 ... NaN NaN NaN\r\n2 2011-12-19 987 -0.804020 ... NaN NaN NaN\r\n3 2011-12-26 983 -0.405268 ... NaN NaN NaN\r\n4 2012-01-02 984 0.101729 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n2972 2022-03-29 1208 -0.247729 ... 48.220859 84.992343 48.768473\r\n2973 2022-03-30 1206 -0.165563 ... 47.252747 88.437500 48.522167\r\n2974 2022-03-31 1207 0.082919 ... 47.735618 90.378549 48.645320\r\n2975 2022-04-01 1207 0.000000 ... 48.098160 91.283677 48.828607\r\n2976 2022-04-02 1208 0.082850 ... 47.858017 91.442155 47.858017\r\n```\r\n\r\n#### \u5927\u5b97\u5546\u54c1\u4ef7\u683c\r\n\r\n\u63a5\u53e3: China_commodity_price_index\r\n\r\n\u63cf\u8ff0: \u5927\u5b97\u5546\u54c1\u4ef7\u683c\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20111205-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_commodity_price_index_df = tp.China_commodity_price_index()\r\nprint(China_commodity_price_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2011-12-05 999 NaN ... NaN NaN NaN\r\n1 2011-12-12 991 -0.800801 ... NaN NaN NaN\r\n2 2011-12-19 990 -0.100908 ... NaN NaN NaN\r\n3 2011-12-26 988 -0.202020 ... NaN NaN NaN\r\n4 2012-01-02 992 0.404858 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n2975 2022-03-31 1213 0.000000 ... 21.543086 68.005540 40.556199\r\n2976 2022-04-01 1212 -0.082440 ... 20.958084 69.037657 40.277778\r\n2977 2022-04-02 1212 0.000000 ... 20.717131 70.224719 40.440324\r\n2978 2022-04-03 1212 0.000000 ... 20.837488 70.464135 40.440324\r\n2979 2022-04-04 1212 0.000000 ... 20.837488 70.704225 40.440324\r\n```\r\n\r\n#### \u8d39\u57ce\u534a\u5bfc\u4f53\u6307\u6570\r\n\r\n\u63a5\u53e3: macro_global_sox_index\r\n\r\n\u63cf\u8ff0: \u8d39\u57ce\u534a\u5bfc\u4f53\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 19940504-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_global_sox_index_df = tp.macro_global_sox_index()\r\nprint(macro_global_sox_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 1994-05-04 119.0 NaN ... NaN NaN NaN\r\n1 1994-05-05 118.3 -0.588235 ... NaN NaN NaN\r\n2 1994-05-06 117.7 -0.507185 ... NaN NaN NaN\r\n3 1994-05-09 115.6 -1.784197 ... NaN NaN NaN\r\n4 1994-05-10 117.4 1.557093 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n6957 2022-03-25 3525.3 -0.209472 ... 19.102801 139.397788 154.948472\r\n6958 2022-03-28 3547.2 0.621224 ... 14.194471 138.267003 158.203523\r\n6959 2022-03-29 3625.6 2.210194 ... 18.691953 143.533165 159.804659\r\n6960 2022-03-30 3508.6 -3.227052 ... 15.241990 127.048295 151.420628\r\n6961 2022-03-31 3429.0 -2.268711 ... 9.730107 126.997398 145.716620\r\n```\r\n\r\n#### \u4e49\u4e4c\u5c0f\u5546\u54c1\u6307\u6570-\u7535\u5b50\u5143\u5668\u4ef6\r\n\r\n\u63a5\u53e3: China_yw_electronic_index\r\n\r\n\u63cf\u8ff0: \u4e49\u4e4c\u5c0f\u5546\u54c1\u6307\u6570-\u7535\u5b50\u5143\u5668\u4ef6\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20060911-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_yw_electronic_index_df = tp.China_yw_electronic_index()\r\nprint(China_yw_electronic_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 \u8fd13\u6708\u6da8\u8dcc\u5e45 \u8fd16\u6708\u6da8\u8dcc\u5e45 \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2006-09-11 101.34 NaN NaN NaN NaN NaN NaN\r\n1 2006-09-18 102.94 1.578844 NaN NaN NaN NaN NaN\r\n2 2006-09-25 103.34 0.388576 NaN NaN NaN NaN NaN\r\n3 2006-10-02 103.21 -0.125798 NaN NaN NaN NaN NaN\r\n4 2006-10-09 103.06 -0.145335 NaN NaN NaN NaN NaN\r\n.. ... ... ... ... ... ... ... ...\r\n755 2022-03-07 100.18 -0.169407 0.089919 0.18 0.18 -0.802060 0.18\r\n756 2022-03-14 100.09 -0.089838 0.039980 0.09 0.09 -0.407960 0.09\r\n757 2022-03-21 106.11 6.014587 0.463927 6.11 6.11 5.845387 6.11\r\n758 2022-03-28 103.06 -2.874376 0.243167 3.06 3.06 2.936476 3.06\r\n759 2022-04-04 101.53 -1.484572 0.118332 1.53 1.53 1.469119 1.53\r\n```\r\n\r\n#### \u5efa\u6750\u6307\u6570\r\n\r\n\u63a5\u53e3: China_construction_index\r\n\r\n\u63cf\u8ff0: \u5efa\u6750\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20111205-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_construction_index_df = tp.China_construction_index()\r\nprint(China_construction_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2011-12-05 1014 NaN ... NaN NaN NaN\r\n1 2011-12-12 1013 -0.098619 ... NaN NaN NaN\r\n2 2011-12-19 1005 -0.789733 ... NaN NaN NaN\r\n3 2011-12-26 993 -1.194030 ... NaN NaN NaN\r\n4 2012-01-02 991 -0.201410 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n2455 2022-04-03 1287 0.000000 ... 1.658768 42.209945 6.628003\r\n2456 2022-04-04 1287 0.000000 ... 1.658768 42.209945 6.628003\r\n2457 2022-04-05 1287 0.000000 ... 1.658768 42.209945 6.628003\r\n2458 2022-04-06 1289 0.155400 ... 1.018809 42.430939 6.793703\r\n2459 2022-04-07 1287 -0.155159 ... 0.704225 43.638393 6.628003\r\n```\r\n\r\n#### \u5efa\u6750\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_construction_price_index\r\n\r\n\u63cf\u8ff0: \u5efa\u6750\u4ef7\u683c\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20100615-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_construction_price_index_df = tp.China_construction_price_index()\r\nprint(China_construction_price_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2010-06-15 1230.40 NaN ... NaN NaN NaN\r\n1 2010-06-16 1245.10 1.194733 ... NaN NaN NaN\r\n2 2010-08-01 1281.60 2.931491 ... NaN NaN NaN\r\n3 2010-08-02 1214.90 -5.204432 ... NaN NaN NaN\r\n4 2010-08-03 1218.90 0.329245 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n3841 2022-02-25 1099.01 1.567395 ... 1.467995 1.493295 2.177410\r\n3842 2022-02-26 1088.05 -0.997261 ... 0.456094 0.481142 1.521824\r\n3843 2022-02-27 1097.41 0.860255 ... 1.120479 1.345536 2.198733\r\n3844 2022-02-28 1088.05 -0.852917 ... 0.977244 0.481142 1.549302\r\n3845 2022-03-01 1097.41 0.860255 ... 1.419528 0.749139 2.051425\r\n```\r\n\r\n#### \u7269\u6d41\u666f\u6c14\u6307\u6570\r\n\r\n\u63a5\u53e3: China_lpi_index\r\n\r\n\u63cf\u8ff0: \u7269\u6d41\u666f\u6c14\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20130701-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_lpi_index_df = tp.China_lpi_index()\r\nprint(China_lpi_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2013-07-01 52.4 NaN ... NaN NaN NaN\r\n1 2013-08-01 52.9 0.954198 ... NaN NaN NaN\r\n2 2013-09-01 53.3 0.756144 ... NaN NaN NaN\r\n3 2013-10-01 53.6 0.562852 ... NaN NaN NaN\r\n4 2013-11-01 53.0 -1.119403 ... NaN NaN NaN\r\n.. ... ... ... ... ... ... ...\r\n100 2021-11-01 53.6 0.186916 ... -6.782609 -8.998302 7.200000\r\n101 2021-12-01 52.6 -1.865672 ... -7.557118 -10.238908 -3.839122\r\n102 2022-01-01 51.1 -2.851711 ... -6.066176 2.404810 -4.841713\r\n103 2022-02-01 51.2 0.195695 ... 2.811245 95.419847 3.225806\r\n104 2022-03-01 48.7 -4.882812 ... -6.165703 -5.436893 -7.414449\r\n```\r\n\r\n#### \u539f\u6cb9\u8fd0\u8f93\u6307\u6570\r\n\r\n\u63a5\u53e3: China_bdti_index\r\n\r\n\u63cf\u8ff0: \u539f\u6cb9\u8fd0\u8f93\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20011227-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_bdti_index_df = tp.China_bdti_index()\r\nprint(China_bdti_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2001-12-27 849 NaN ... NaN NaN NaN\r\n1 2001-12-28 850 0.117786 ... NaN NaN NaN\r\n2 2002-01-02 845 -0.588235 ... NaN NaN NaN\r\n3 2002-01-03 826 -2.248521 ... NaN NaN NaN\r\n4 2002-01-04 811 -1.815981 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n4921 2022-04-05 1469 7.304602 ... 110.157368 6.218366 138.087520\r\n4922 2022-04-06 1547 5.309735 ... 125.839416 24.758065 150.729335\r\n4923 2022-04-07 1653 6.851972 ... 144.888889 47.326203 167.909238\r\n4924 2022-04-08 1677 1.451906 ... 154.863222 56.582633 174.918033\r\n4925 2022-04-11 1730 3.160405 ... 167.801858 55.296230 172.870662\r\n```\r\n\r\n#### \u8d85\u7075\u4fbf\u578b\u8239\u8fd0\u4ef7\u6307\u6570\r\n\r\n\u63a5\u53e3: China_bsi_index\r\n\r\n\u63cf\u8ff0: \u8d85\u7075\u4fbf\u578b\u8239\u8fd0\u4ef7\u6307\u6570\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 20060103-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_bsi_index_df = tp.China_bsi_index()\r\nprint(China_bsi_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2006-01-03 1819 NaN ... NaN NaN NaN\r\n1 2006-01-05 1825 0.329852 ... NaN NaN NaN\r\n2 2006-01-09 1814 -0.602740 ... NaN NaN NaN\r\n3 2006-01-11 1784 -1.653804 ... NaN NaN NaN\r\n4 2006-01-12 1759 -1.401345 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n3984 2022-04-06 2605 -2.067669 ... 44.002211 437.113402 251.078167\r\n3985 2022-04-07 2547 -2.226488 ... 42.131696 439.618644 243.261456\r\n3986 2022-04-08 2502 -1.766784 ... 40.089586 451.101322 241.336971\r\n3987 2022-04-11 2473 -1.159073 ... 38.932584 460.770975 245.874126\r\n3988 2022-04-12 2448 -1.010918 ... 37.993236 455.102041 244.303797\r\n```\r\n\r\n#### \u6d77\u5cac\u578b\u8fd0\u8d39\u6307\u6570\r\n\r\n\u63a5\u53e3: macro_shiPPIng_bci\r\n\r\n\u63cf\u8ff0: \u6d77\u5cac\u578b\u8fd0\u8d39\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 19990430-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_shiPPIng_bci_df = tp.macro_shiPPIng_bci()\r\nprint(macro_shiPPIng_bci_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 1999-04-30 940 NaN ... NaN NaN NaN\r\n1 1999-05-04 947 0.744681 ... NaN NaN NaN\r\n2 1999-05-05 960 1.372756 ... NaN NaN NaN\r\n3 1999-05-06 969 0.937500 ... NaN NaN NaN\r\n4 1999-05-07 981 1.238390 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n5988 2023-03-03 1195 19.500000 ... -27.089689 -28.741801 445.375723\r\n5989 2023-03-06 1329 11.213389 ... -18.715596 -25.504484 525.961538\r\n5990 2023-03-07 1471 10.684725 ... -15.894797 -17.544843 571.474359\r\n5991 2023-03-08 1550 5.370496 ... -18.248945 -15.068493 596.794872\r\n5992 2023-03-09 1662 7.225806 ... -27.169150 -14.769231 546.774194\r\n```\r\n\r\n#### \u6ce2\u7f57\u7684\u6d77\u5e72\u6563\u8d27\u6307\u6570\r\n\r\n\u63a5\u53e3: macro_shiPPIng_bdi\r\n\r\n\u63cf\u8ff0: \u6ce2\u7f57\u7684\u6d77\u5e72\u6563\u8d27\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 19881019-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_shiPPIng_bdi_df = tp.macro_shiPPIng_bdi()\r\nprint(macro_shiPPIng_bdi_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 1988-10-19 1317 NaN ... NaN NaN NaN\r\n1 1988-10-20 1316 -0.075930 ... NaN NaN NaN\r\n2 1988-10-21 1328 0.911854 ... NaN NaN NaN\r\n3 1988-10-24 1361 2.484940 ... NaN NaN NaN\r\n4 1988-10-25 1363 0.146951 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n8577 2023-03-03 1211 5.764192 ... -42.442966 -31.310267 120.582878\r\n8578 2023-03-06 1258 3.881090 ... -41.433892 -31.219245 103.889789\r\n8579 2023-03-07 1298 3.179650 ... -41.923937 -29.032258 110.372771\r\n8580 2023-03-08 1327 2.234206 ... -43.579932 -28.386400 115.072934\r\n8581 2023-03-09 1379 3.918613 ... -46.090696 -27.459232 123.863636\r\n```\r\n\r\n#### \u5df4\u62ff\u9a6c\u578b\u8fd0\u8d39\u6307\u6570\r\n\r\n\u63a5\u53e3: macro_shiPPIng_bpi\r\n\r\n\u63cf\u8ff0: \u5df4\u62ff\u9a6c\u578b\u8fd0\u8d39\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 19981231-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_shiPPIng_bpi_df = tp.macro_shiPPIng_bpi()\r\nprint(macro_shiPPIng_bpi_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 1998-12-31 732 NaN ... NaN NaN NaN\r\n1 1999-01-04 717 -2.049180 ... NaN NaN NaN\r\n2 1999-01-05 709 -1.115760 ... NaN NaN NaN\r\n3 1999-01-06 729 2.820874 ... NaN NaN NaN\r\n4 1999-01-07 734 0.685871 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n5951 2023-03-03 1565 0.578406 ... -42.015561 -27.579824 67.379679\r\n5952 2023-03-06 1582 1.086262 ... -43.195691 -29.406515 48.127341\r\n5953 2023-03-07 1580 -0.126422 ... -45.536022 -29.495761 47.940075\r\n5954 2023-03-08 1592 0.759494 ... -47.648800 -29.495128 49.063670\r\n5955 2023-03-09 1624 2.010050 ... -49.154665 -27.435210 52.202437\r\n```\r\n\r\n#### \u6210\u54c1\u6cb9\u8fd0\u8f93\u6307\u6570\r\n\r\n\u63a5\u53e3: macro_shiPPIng_bcti\r\n\r\n\u63cf\u8ff0: \u6210\u54c1\u6cb9\u8fd0\u8f93\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 20011217-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ----------- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | int64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nmacro_shiPPIng_bcti_df = tp.macro_shiPPIng_bcti()\r\nprint(macro_shiPPIng_bcti_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 2001-12-27 693 NaN ... NaN NaN NaN\r\n1 2001-12-28 691 -0.288600 ... NaN NaN NaN\r\n2 2002-01-02 688 -0.434153 ... NaN NaN NaN\r\n3 2002-01-03 687 -0.145349 ... NaN NaN NaN\r\n4 2002-01-04 687 0.000000 ... NaN NaN NaN\r\n ... ... ... ... ... ... ...\r\n5148 2023-03-03 789 -1.743462 ... -20.383451 62.012320 22.136223\r\n5149 2023-03-06 782 -0.887199 ... -20.930233 60.245902 14.160584\r\n5150 2023-03-07 784 0.255754 ... -26.797386 60.655738 14.452555\r\n5151 2023-03-08 827 5.484694 ... -21.163012 67.748479 20.729927\r\n5152 2023-03-09 871 5.320435 ... -15.682478 73.161034 21.478382\r\n```\r\n\r\n#### \u65b0\u589e\u4fe1\u8d37\u6570\u636e\r\n\r\n\u63a5\u53e3: China_new_financial_credit\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u65b0\u589e\u4fe1\u8d37\u6570\u636e\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5f53\u6708-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5f53\u6708-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_new_financial_credit_df = tp.China_new_financial_credit()\r\nprint(China_new_financial_credit_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u5f53\u6708-\u540c\u6bd4\u589e\u957f \u5f53\u6708-\u73af\u6bd4\u589e\u957f \u7d2f\u8ba1 \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 4431.0 -42.840557 -82.749358 183298.0 4.127067\r\n1 2022\u5e7409\u6708\u4efd 25686.0 44.669107 92.491007 178867.0 6.290669\r\n2 2022\u5e7408\u6708\u4efd 13344.0 4.963423 226.418787 153181.0 1.763815\r\n3 2022\u5e7407\u6708\u4efd 4088.0 -51.281135 -86.614276 139837.0 1.468657\r\n4 2022\u5e7406\u6708\u4efd 30540.0 31.740143 67.526056 135749.0 4.888659\r\n.. ... ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 3185.0 28.790942 -32.089552 21201.0 1.386830\r\n174 2008\u5e7404\u6708\u4efd 4690.0 11.137441 65.490473 18016.0 -2.288751\r\n175 2008\u5e7403\u6708\u4efd 2834.0 -35.838805 16.433854 13326.0 -6.273738\r\n176 2008\u5e7402\u6708\u4efd 2434.0 -41.179314 -69.793994 10492.0 7.050301\r\n177 2008\u5e7401\u6708\u4efd 8058.0 42.292071 1561.443299 8058.0 42.292071\r\n```\r\n\r\n#### \u5c45\u6c11\u6d88\u8d39\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_CPI\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u5c45\u6c11\u6d88\u8d39\u4ef7\u683c\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------- | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5168\u56fd-\u5f53\u6708 | float64 | - |\r\n| \u5168\u56fd-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5168\u56fd-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5168\u56fd-\u7d2f\u8ba1 | float64 | - |\r\n| \u57ce\u5e02-\u5f53\u6708 | float64 | - |\r\n| \u57ce\u5e02-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u5e02-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u5e02-\u7d2f\u8ba1 | float64 | - |\r\n| \u519c\u6751-\u5f53\u6708 | float64 | - |\r\n| \u519c\u6751-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u519c\u6751-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u519c\u6751-\u7d2f\u8ba1 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_CPI_df = tp.China_CPI()\r\nprint(China_CPI_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5168\u56fd-\u5f53\u6708 \u5168\u56fd-\u540c\u6bd4\u589e\u957f ... \u519c\u6751-\u540c\u6bd4\u589e\u957f \u519c\u6751-\u73af\u6bd4\u589e\u957f \u519c\u6751-\u7d2f\u8ba1\r\n0 2022\u5e7410\u6708\u4efd 102.1000 2.1000 ... 2.5000 0.1 102.0000\r\n1 2022\u5e7409\u6708\u4efd 102.8000 2.8000 ... 3.1000 0.4 102.0000\r\n2 2022\u5e7408\u6708\u4efd 102.5000 2.5000 ... 2.7000 -0.1 101.8000\r\n3 2022\u5e7407\u6708\u4efd 102.7000 2.7000 ... 3.0000 0.5 101.7000\r\n4 2022\u5e7406\u6708\u4efd 102.5000 2.5000 ... 2.6000 0.0 101.5000\r\n.. ... ... ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 107.7163 7.7163 ... 8.5481 -0.3 108.7612\r\n174 2008\u5e7404\u6708\u4efd 108.4829 8.4829 ... 9.2737 0.1 108.8147\r\n175 2008\u5e7403\u6708\u4efd 108.3097 8.3097 ... 9.0330 -0.5 108.6618\r\n176 2008\u5e7402\u6708\u4efd 108.7443 8.7443 ... 9.2344 2.4 108.4812\r\n177 2008\u5e7401\u6708\u4efd 107.0781 7.0781 ... 7.7209 1.2 107.7209\r\n```\r\n\r\n#### \u56fd\u5185\u751f\u4ea7\u603b\u503c\r\n\r\n\u63a5\u53e3: China_GDP\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u56fd\u5185\u751f\u4ea7\u603b\u503c, \u6570\u636e\u533a\u95f4\u4ece 200601 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------------------- | ------- | -------------- |\r\n| \u5b63\u5ea6 | object | - |\r\n| \u56fd\u5185\u751f\u4ea7\u603b\u503c-\u7edd\u5bf9\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u56fd\u5185\u751f\u4ea7\u603b\u503c-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e00\u4ea7\u4e1a-\u7edd\u5bf9\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7b2c\u4e00\u4ea7\u4e1a-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e8c\u4ea7\u4e1a-\u7edd\u5bf9\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7b2c\u4e8c\u4ea7\u4e1a-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e09\u4ea7\u4e1a-\u7edd\u5bf9\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7b2c\u4e09\u4ea7\u4e1a-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_GDP_df = tp.China_GDP()\r\nprint(China_GDP_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5b63\u5ea6 \u56fd\u5185\u751f\u4ea7\u603b\u503c-\u7edd\u5bf9\u503c \u56fd\u5185\u751f\u4ea7\u603b\u503c-\u540c\u6bd4\u589e\u957f ... \u7b2c\u4e8c\u4ea7\u4e1a-\u540c\u6bd4\u589e\u957f \u7b2c\u4e09\u4ea7\u4e1a-\u7edd\u5bf9\u503c \u7b2c\u4e09\u4ea7\u4e1a-\u540c\u6bd4\u589e\u957f\r\n0 2021-03-01 249310.0 18.3 ... 24.4 145355.0 15.6\r\n1 2020-12-01 1015986.2 2.3 ... 2.6 553976.8 2.1\r\n2 2020-09-01 719688.4 0.7 ... 0.9 401249.1 0.4\r\n3 2020-06-01 454712.1 -1.6 ... -1.9 258427.4 -1.6\r\n4 2020-03-01 205727.0 -6.8 ... -9.6 123008.5 -5.2\r\n.. ... ... ... ... ... ... ...\r\n56 2007-03-01 57159.3 13.8 ... 14.8 27703.2 14.1\r\n57 2006-12-01 219438.5 12.7 ... 13.5 91762.2 14.1\r\n58 2006-09-01 155816.8 12.8 ... 13.7 67187.0 13.7\r\n59 2006-06-01 99752.2 13.1 ... 14.2 44996.5 13.6\r\n60 2006-03-01 47078.9 12.5 ... 13.1 22648.0 13.1\r\n```\r\n\r\n#### \u5de5\u4e1a\u54c1\u51fa\u5382\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_PPI\r\n\r\n\u63cf\u8ff0: \u5de5\u4e1a\u54c1\u51fa\u5382\u4ef7\u683c\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 200601 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------ | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | - |\r\n| \u5f53\u6708\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_PPI_df = tp.China_PPI()\r\nprint(China_PPI_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u5f53\u6708\u540c\u6bd4\u589e\u957f \u7d2f\u8ba1\r\n0 2022\u5e7410\u6708\u4efd 98.700 -1.30 105.2000\r\n1 2022\u5e7409\u6708\u4efd 100.948 0.90 105.9397\r\n2 2022\u5e7408\u6708\u4efd 102.300 2.30 106.6000\r\n3 2022\u5e7407\u6708\u4efd 104.200 4.20 107.2000\r\n4 2022\u5e7406\u6708\u4efd 106.100 6.10 107.7000\r\n.. ... ... ... ...\r\n197 2006\u5e7405\u6708\u4efd 102.430 2.43 102.5700\r\n198 2006\u5e7404\u6708\u4efd 101.870 1.87 102.6000\r\n199 2006\u5e7403\u6708\u4efd 102.490 2.49 102.9000\r\n200 2006\u5e7402\u6708\u4efd 103.010 3.01 103.0000\r\n201 2006\u5e7401\u6708\u4efd 103.050 3.05 103.0500\r\n```\r\n\r\n#### \u91c7\u8d2d\u7ecf\u7406\u4eba\u6307\u6570\r\n\r\n\u63a5\u53e3: China_pmi\r\n\r\n\u63cf\u8ff0: \u91c7\u8d2d\u7ecf\u7406\u4eba\u6307\u6570, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------------- | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5236\u9020\u4e1a-\u6307\u6570 | float64 | - |\r\n| \u5236\u9020\u4e1a-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u975e\u5236\u9020\u4e1a-\u6307\u6570 | float64 | - |\r\n| \u975e\u5236\u9020\u4e1a-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_pmi_df = tp.China_pmi()\r\nprint(China_pmi_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5236\u9020\u4e1a-\u6307\u6570 \u5236\u9020\u4e1a-\u540c\u6bd4\u589e\u957f \u975e\u5236\u9020\u4e1a-\u6307\u6570 \u975e\u5236\u9020\u4e1a-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 49.2 0.000000 48.7 -7.061069\r\n1 2022\u5e7409\u6708\u4efd 50.1 1.008065 50.6 -4.887218\r\n2 2022\u5e7408\u6708\u4efd 49.4 -1.397206 52.6 10.736842\r\n3 2022\u5e7407\u6708\u4efd 49.0 -2.777778 53.8 0.938086\r\n4 2022\u5e7406\u6708\u4efd 50.2 -1.375246 54.7 2.242991\r\n.. ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 53.3 -4.308797 57.4 -7.717042\r\n174 2008\u5e7404\u6708\u4efd 59.2 1.023891 58.4 -3.311258\r\n175 2008\u5e7403\u6708\u4efd 58.4 4.099822 58.9 1.202749\r\n176 2008\u5e7402\u6708\u4efd 53.4 0.564972 59.3 -2.145215\r\n177 2008\u5e7401\u6708\u4efd 53.0 -3.811252 60.2 -0.331126\r\n```\r\n\r\n#### \u4e2d\u56fd\u57ce\u9547\u56fa\u5b9a\u8d44\u4ea7\u6295\u8d44\r\n\r\n\u63a5\u53e3: China_gdzctz\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u57ce\u9547\u56fa\u5b9a\u8d44\u4ea7\u6295\u8d44, \u6570\u636e\u533a\u95f4\u4ece 200802 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u81ea\u5e74\u521d\u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_gdzctz_df = tp.China_gdzctz()\r\nprint(China_gdzctz_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u540c\u6bd4\u589e\u957f \u73af\u6bd4\u589e\u957f \u81ea\u5e74\u521d\u7d2f\u8ba1\r\n0 2022\u5e7410\u6708\u4efd 50047.00 4.27 -7.84 471459.00\r\n1 2022\u5e7409\u6708\u4efd 54306.00 6.66 14.83 421412.00\r\n2 2022\u5e7408\u6708\u4efd 47294.00 6.57 -2.25 367106.00\r\n3 2022\u5e7407\u6708\u4efd 48382.00 3.75 -26.10 319812.00\r\n4 2022\u5e7406\u6708\u4efd 65466.00 5.62 24.89 271430.00\r\n.. ... ... ... ... ...\r\n158 2008\u5e7406\u6708\u4efd 18171.78 29.49 53.29 58435.98\r\n159 2008\u5e7405\u6708\u4efd 11854.13 25.44 17.45 40264.20\r\n160 2008\u5e7404\u6708\u4efd 10093.14 25.37 -1.01 28410.07\r\n161 2008\u5e7403\u6708\u4efd 10195.65 27.31 NaN 18316.94\r\n162 2008\u5e7402\u6708\u4efd NaN NaN NaN 8121.29\r\n```\r\n\r\n#### \u6d77\u5173\u8fdb\u51fa\u53e3\u589e\u51cf\u60c5\u51b5\r\n\r\n\u63a5\u53e3: China_hgjck\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u6d77\u5173\u8fdb\u51fa\u53e3\u589e\u51cf\u60c5\u51b5\u4e00\u89c8\u8868, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------- | ------- | ---------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708\u51fa\u53e3\u989d-\u91d1\u989d | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u5f53\u6708\u51fa\u53e3\u989d-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5f53\u6708\u51fa\u53e3\u989d-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5f53\u6708\u8fdb\u53e3\u989d-\u91d1\u989d | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u5f53\u6708\u8fdb\u53e3\u989d-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5f53\u6708\u8fdb\u53e3\u989d-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1\u51fa\u53e3\u989d-\u91d1\u989d | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u7d2f\u8ba1\u51fa\u53e3\u989d-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1\u8fdb\u53e3\u989d-\u91d1\u989d | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u7d2f\u8ba1\u8fdb\u53e3\u989d-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_hgjck_df = tp.China_hgjck()\r\nprint(China_hgjck_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708\u51fa\u53e3\u989d-\u91d1\u989d \u5f53\u6708\u51fa\u53e3\u989d-\u540c\u6bd4\u589e\u957f ... \u7d2f\u8ba1\u51fa\u53e3\u989d-\u540c\u6bd4\u589e\u957f \u7d2f\u8ba1\u8fdb\u53e3\u989d-\u91d1\u989d \u7d2f\u8ba1\u8fdb\u53e3\u989d-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 2.983717e+08 -0.3 ... 11.1 2.264551e+09 3.5\r\n1 2022\u5e7409\u6708\u4efd 3.226903e+08 5.9 ... 12.5 2.051334e+09 4.0\r\n2 2022\u5e7408\u6708\u4efd 3.143794e+08 7.2 ... 13.5 1.813451e+09 4.5\r\n3 2022\u5e7407\u6708\u4efd 3.318411e+08 18.0 ... 14.5 1.578288e+09 5.2\r\n4 2022\u5e7406\u6708\u4efd 3.281211e+08 17.1 ... 13.9 1.347358e+09 5.7\r\n.. ... ... ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 1.204965e+08 28.1 ... 22.9 4.670271e+08 30.4\r\n174 2008\u5e7404\u6708\u4efd 1.187067e+08 21.8 ... 21.5 3.665725e+08 27.9\r\n175 2008\u5e7403\u6708\u4efd 1.089629e+08 30.6 ... 21.4 2.644787e+08 28.6\r\n176 2008\u5e7402\u6708\u4efd 8.736780e+07 6.5 ... 16.8 1.689377e+08 30.9\r\n177 2008\u5e7401\u6708\u4efd 1.096400e+08 26.6 ... 26.6 9.017445e+07 27.6\r\n```\r\n\r\n#### \u8d22\u653f\u6536\u5165\r\n\r\n\u63a5\u53e3: China_czsr\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u8d22\u653f\u6536\u5165, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5f53\u6708-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5f53\u6708-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_czsr_df = tp.China_czsr()\r\nprint(China_czsr_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u5f53\u6708-\u540c\u6bd4\u589e\u957f \u5f53\u6708-\u73af\u6bd4\u589e\u957f \u7d2f\u8ba1 \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 20246.00 15.651777 34.008472 173397.00 -4.5\r\n1 2022\u5e7409\u6708\u4efd 15108.00 8.440999 15.663757 153151.00 -6.6\r\n2 2022\u5e7408\u6708\u4efd 13062.00 5.577110 -33.896761 138043.00 -8.0\r\n3 2022\u5e7407\u6708\u4efd 19760.00 -4.077670 6.914836 124981.00 -9.2\r\n4 2022\u5e7406\u6708\u4efd 18482.00 -10.550770 48.497509 105221.00 -10.2\r\n.. ... ... ... ... ... ...\r\n169 2008\u5e7405\u6708\u4efd 6268.15 52.602556 -8.157360 29064.37 33.8\r\n170 2008\u5e7404\u6708\u4efd 6824.88 17.016465 54.550663 22796.22 29.4\r\n171 2008\u5e7403\u6708\u4efd 4415.95 24.671449 6.184551 15971.34 35.5\r\n172 2008\u5e7402\u6708\u4efd 4158.75 36.552139 -43.775147 11555.39 40.2\r\n173 2008\u5e7401\u6708\u4efd 7396.64 42.352305 135.212710 7396.64 42.4\r\n```\r\n\r\n#### \u5916\u6c47\u8d37\u6b3e\u6570\u636e\r\n\r\n\u63a5\u53e3: China_whxd\r\n\r\n\u63cf\u8ff0: \u5916\u6c47\u8d37\u6b3e\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece 200802 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ------- | ---------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_whxd_df = tp.China_whxd()\r\nprint(China_whxd_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u540c\u6bd4\u589e\u957f \u73af\u6bd4\u589e\u957f \u7d2f\u8ba1\r\n0 2022\u5e7410\u6708\u4efd -264.00 -303.08 -142.20 7895.00\r\n1 2022\u5e7409\u6708\u4efd -109.00 -581.25 68.59 8159.00\r\n2 2022\u5e7408\u6708\u4efd -347.00 -2378.57 -11.58 8268.00\r\n3 2022\u5e7407\u6708\u4efd -311.00 -972.41 -79.77 8615.00\r\n4 2022\u5e7406\u6708\u4efd -173.00 -269.61 -50.43 8926.00\r\n.. ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 30.04 -13.15 40.70 2739.34\r\n174 2008\u5e7404\u6708\u4efd 21.35 39.82 -79.40 2709.30\r\n175 2008\u5e7403\u6708\u4efd 103.62 279.28 -52.25 2687.95\r\n176 2008\u5e7402\u6708\u4efd 217.02 754.75 28.20 2584.33\r\n177 2008\u5e7401\u6708\u4efd 169.28 4508.33 1789.29 2367.31\r\n```\r\n\r\n#### \u672c\u5916\u5e01\u5b58\u6b3e\r\n\r\n\u63a5\u53e3: China_wbck\r\n\r\n\u63cf\u8ff0: \u672c\u5916\u5e01\u5b58\u6b3e, \u6570\u636e\u533a\u95f4\u4ece 200802 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_wbck_df = tp.China_wbck()\r\nprint(China_wbck_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u540c\u6bd4\u589e\u957f \u73af\u6bd4\u589e\u957f \u7d2f\u8ba1\r\n0 2022\u5e7410\u6708\u4efd -2650.78 -132.917535 -110.068013 2610227.88\r\n1 2022\u5e7409\u6708\u4efd 26328.73 14.546846 134.206364 2612878.66\r\n2 2022\u5e7408\u6708\u4efd 11241.68 -19.737487 871.473473 2586549.93\r\n3 2022\u5e7407\u6708\u4efd -1457.17 88.621966 -102.976736 2575308.25\r\n4 2022\u5e7406\u6708\u4efd 48951.94 22.914621 63.520287 2576765.42\r\n.. ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 8763.12 370.965835 22.035258 442540.86\r\n174 2008\u5e7404\u6708\u4efd 7180.81 69.117415 -33.125126 433777.74\r\n175 2008\u5e7403\u6708\u4efd 10737.68 25.845804 -19.689339 426596.93\r\n176 2008\u5e7402\u6708\u4efd 13370.18 152.665137 829.976560 415859.25\r\n177 2008\u5e7401\u6708\u4efd 1437.69 -72.142704 -59.893939 402489.07\r\n```\r\n\r\n#### \u8d27\u5e01\u51c0\u6295\u653e\u4e0e\u51c0\u56de\u7b3c\r\n\r\n\u63d0\u793a: \u8be5\u63a5\u53e3\u6682\u505c\u66f4\u65b0\r\n\r\n\u63a5\u53e3: China_hb\r\n\r\n\u63cf\u8ff0: \u592e\u884c\u5e01\u51c0\u6295\u653e\u4e0e\u51c0\u56de\u7b3c, \u6570\u636e\u533a\u95f4\u4ece 19970310 \u81f3\u4eca, \u5468\u6216\u5219\u6708\u9891\u7387\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6307\u5b9a symbol \u7684\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------ | ---- | ------------------------------------------------ |\r\n| symbol | str | symbol=\"weekly\"; choice of {\"weekly\", \"monthly\"} |\r\n\r\n\u8f93\u51fa\u53c2\u6570-weekly\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ------- | ------------ |\r\n| \u65e5\u671f | object | - |\r\n| \u5f00\u59cb\u65e5\u671f | object | - |\r\n| \u7ed3\u675f\u65e5\u671f | object | - |\r\n| \u6295\u653e\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u56de\u7b3c\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u51c0\u6295\u653e | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n\r\n\u63a5\u53e3\u793a\u4f8b-weekly\r\n\r\n```\r\nimport testforPPshare as tp\r\n\r\nChina_hb_df = tp.China_hb(symbol=\"weekly\")\r\nprint(China_hb_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b-weekly\r\n\r\n```\r\n \u65e5\u671f \u5f00\u59cb\u65e5\u671f \u7ed3\u675f\u65e5\u671f \u6295\u653e\u91cf \u56de\u7b3c\u91cf \u51c0\u6295\u653e\r\n0 1997-11 1997-03-10 1997-03-16 0.0 0.0 0.0\r\n1 1997-12 1997-03-17 1997-03-23 0.0 0.0 0.0\r\n2 1997-13 1997-03-24 1997-03-30 0.0 0.0 0.0\r\n3 1997-14 1997-03-31 1997-04-06 0.0 0.0 0.0\r\n4 1997-15 1997-04-07 1997-04-13 0.0 0.0 0.0\r\n ... ... ... ... ... ...\r\n1287 2021-50 2021-12-06 2021-12-12 500.0 2300.0 -1800.0\r\n1288 2021-51 2021-12-13 2021-12-19 500.0 500.0 0.0\r\n1289 2021-52 2021-12-20 2021-12-26 1000.0 500.0 500.0\r\n1290 2022-01 2021-12-27 2022-01-02 6500.0 500.0 6000.0\r\n1291 2022-02 2022-01-03 2022-01-09 300.0 7000.0 -6700.0\r\n```\r\n\r\n\u8f93\u51fa\u53c2\u6570-monthly\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------ | ------- | ------------ |\r\n| \u65e5\u671f | object | - |\r\n| \u6295\u653e\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u56de\u7b3c\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u51c0\u6295\u653e | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n\r\n\u63a5\u53e3\u793a\u4f8b-monthly\r\n\r\n```\r\nimport testforPPshare as tp\r\n\r\nChina_hb_df = tp.China_hb(symbol=\"monthly\")\r\nprint(China_hb_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b-monthly\r\n\r\n```\r\n \u65e5\u671f \u6295\u653e\u91cf \u56de\u7b3c\u91cf \u51c0\u6295\u653e\r\n0 1997-12 0.0 0.0 0.0\r\n1 1997-11 0.0 0.0 0.0\r\n2 1997-10 0.0 0.0 0.0\r\n3 1997-09 0.0 0.0 0.0\r\n4 1997-08 0.0 0.0 0.0\r\n.. ... ... ... ...\r\n294 2021-04 2200.0 2100.0 100.0\r\n295 2021-03 2400.0 2500.0 -100.0\r\n296 2021-02 8300.0 11440.0 -3140.0\r\n297 2021-01 10740.0 12450.0 -1710.0\r\n298 2022-01 300.0 7300.0 -7000.0\r\n```\r\n#### \u65b0\u503a\u53d1\u884c\r\n\r\n\u63a5\u53e3: China_bond_public\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u5916\u6c47\u4ea4\u6613\u4e2d\u5fc3\u66a8\u5168\u56fd\u94f6\u884c\u95f4\u540c\u4e1a\u62c6\u501f\u4e2d\u5fc3-\u503a\u5238\u4fe1\u606f\u62ab\u9732-\u65b0\u503a\u53d1\u884c; \u8fd1\u671f\u503a\u5238\u53d1\u884c\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ------- | -------------- |\r\n| \u503a\u5238\u5168\u79f0 | object | - |\r\n| \u503a\u5238\u7c7b\u578b | object | - |\r\n| \u53d1\u884c\u65e5\u671f | object | - |\r\n| \u8ba1\u606f\u65b9\u5f0f | object | - |\r\n| \u4ef7\u683c | float64 | \u6ce8\u610f\u5355\u4f4d: \u5143 |\r\n| \u503a\u5238\u671f\u9650 | object | - |\r\n| \u8ba1\u5212\u53d1\u884c\u91cf | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u503a\u5238\u8bc4\u7ea7 | object | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_bond_public_df = tp.China_bond_public()\r\nprint(China_bond_public_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u503a\u5238\u5168\u79f0 \u503a\u5238\u7c7b\u578b \u53d1\u884c\u65e5\u671f ... \u503a\u5238\u671f\u9650 \u8ba1\u5212\u53d1\u884c\u91cf \u503a\u5238\u8bc4\u7ea7\r\n0 2022\u5e74\u676d\u5dde\u5e02\u4e34\u5b89\u533a\u65b0\u9526\u4ea7\u4e1a\u53d1\u5c55\u96c6\u56e2\u6709\u9650\u516c\u53f8\u516c\u53f8\u503a\u5238(\u7b2c\u4e00\u671f) \u4f01\u4e1a\u503a 01-07 ... 3+4\u5e74 7.0 AA+\r\n1 \u65e0\u9521\u5e02\u9521\u897f\u65b0\u57ce\u4ea7\u4e1a\u53d1\u5c55\u96c6\u56e2\u6709\u9650\u516c\u53f82022\u5e74\u5ea6\u7b2c\u4e00\u671f\u4e2d\u671f\u7968\u636e \u4e2d\u671f\u7968\u636e 01-06 ... 3\u5e74 5.0 None\r\n2 \u5b81\u6ce2\u821c\u519c\u96c6\u56e2\u6709\u9650\u516c\u53f82022\u5e74\u5ea6\u7b2c\u4e00\u671f\u4e2d\u671f\u7968\u636e \u4e2d\u671f\u7968\u636e 01-06 ... 3\u5e74 10.0 None\r\n3 2022\u5e74\u7b2c\u4e00\u671f\u6dee\u5317\u5e02\u5efa\u6295\u63a7\u80a1\u96c6\u56e2\u6709\u9650\u516c\u53f8\u5c0f\u5fae\u4f01\u4e1a\u589e\u4fe1\u96c6\u5408\u503a\u5238 \u4f01\u4e1a\u503a 01-06 ... 3+1\u5e74 10.0 AAA\r\n4 \u878d\u817e2022\u5e74\u7b2c\u4e00\u671f\u4e2a\u4eba\u6c7d\u8f66\u8d37\u6b3e\u8d44\u4ea7\u652f\u6301\u8bc1\u5238(\u6b21\u7ea7) \u8d44\u4ea7\u652f\u6301\u8bc1\u5238 01-06 ... 1507\u65e5 5.7 None\r\n.. ... ... ... ... ... ... ...\r\n229 \u5c71\u4e1c\u9ad8\u901f\u96c6\u56e2\u6709\u9650\u516c\u53f82021\u5e74\u5ea6\u7b2c\u516d\u671f\u8d85\u77ed\u671f\u878d\u8d44\u5238 \u8d85\u77ed\u671f\u878d\u8d44\u5238 12-30 ... 269\u65e5 20.0 None\r\n230 \u6d6a\u6f6e\u7535\u5b50\u4fe1\u606f\u4ea7\u4e1a\u80a1\u4efd\u6709\u9650\u516c\u53f82021\u5e74\u5ea6\u7b2c\u56db\u671f\u8d85\u77ed\u671f\u878d\u8d44\u5238 \u8d85\u77ed\u671f\u878d\u8d44\u5238 12-30 ... 268\u65e5 10.0 None\r\n231 \u9655\u897f\u7164\u4e1a\u5316\u5de5\u96c6\u56e2\u6709\u9650\u8d23\u4efb\u516c\u53f82021\u5e74\u5ea6\u7b2c\u5341\u4e8c\u671f\u4e2d\u671f\u7968\u636e \u4e2d\u671f\u7968\u636e 12-30 ... 3\u5e74 20.0 None\r\n232 \u9655\u897f\u5ef6\u957f\u77f3\u6cb9(\u96c6\u56e2)\u6709\u9650\u8d23\u4efb\u516c\u53f82021\u5e74\u5ea6\u7b2c\u56db\u671f\u4e2d\u671f\u7968\u636e \u4e2d\u671f\u7968\u636e 12-30 ... 3\u5e74 20.0 None\r\n233 \u6606\u660e\u6ec7\u6c60\u6295\u8d44\u6709\u9650\u8d23\u4efb\u516c\u53f82021\u5e74\u5ea6\u7b2c\u56db\u671f\u7eff\u8272\u8d85\u77ed\u671f\u878d\u8d44\u5238 \u8d85\u77ed\u671f\u878d\u8d44\u5238 12-29 ... 270\u65e5 10.0 None\r\n```\r\n\r\n#### \u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570\r\n\r\n\u63a5\u53e3: China_xfzxx\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc\u7f51-\u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------------------- | ------- | ----------- |\r\n| \u6708\u4efd | object | - |\r\n| \u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570-\u6307\u6570\u503c | float64 | - |\r\n| \u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u8d39\u8005\u6ee1\u610f\u6307\u6570-\u6307\u6570\u503c | float64 | - |\r\n| \u6d88\u8d39\u8005\u6ee1\u610f\u6307\u6570-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u8d39\u8005\u6ee1\u610f\u6307\u6570-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u8d39\u8005\u9884\u671f\u6307\u6570-\u6307\u6570\u503c | float64 | - |\r\n| \u6d88\u8d39\u8005\u9884\u671f\u6307\u6570-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u8d39\u8005\u9884\u671f\u6307\u6570-\u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_xfzxx_df = tp.China_xfzxx()\r\nprint(China_xfzxx_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u6d88\u8d39\u8005\u4fe1\u5fc3\u6307\u6570-\u6307\u6570\u503c ... \u6d88\u8d39\u8005\u9884\u671f\u6307\u6570-\u540c\u6bd4\u589e\u957f \u6d88\u8d39\u8005\u9884\u671f\u6307\u6570-\u73af\u6bd4\u589e\u957f\r\n0 2022\u5e7409\u6708\u4efd 87.2 ... -28.995984 0.568828\r\n1 2022\u5e7408\u6708\u4efd 87.0 ... -26.134454 -1.897321\r\n2 2022\u5e7407\u6708\u4efd 87.9 ... -25.581395 -1.538462\r\n3 2022\u5e7406\u6708\u4efd 88.9 ... -27.949327 3.762828\r\n4 2022\u5e7405\u6708\u4efd 86.8 ... -30.063796 1.036866\r\n.. ... ... ... ... ...\r\n184 2007\u5e7405\u6708\u4efd 112.8 ... 2.975654 0.351494\r\n185 2007\u5e7404\u6708\u4efd 112.3 ... 2.430243 1.426025\r\n186 2007\u5e7403\u6708\u4efd 111.0 ... 0.718133 -1.232394\r\n187 2007\u5e7402\u6708\u4efd 111.8 ... 2.805430 -0.525394\r\n188 2007\u5e7401\u6708\u4efd 112.4 ... 3.442029 -0.609225\r\n```\r\n\r\n#### \u5b58\u6b3e\u51c6\u5907\u91d1\u7387\r\n\r\n\u63a5\u53e3: China_reserve_requirement_ratio\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u5b58\u6b3e\u51c6\u5907\u91d1\u7387\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------------- | ------- | ----------- |\r\n| \u516c\u5e03\u65f6\u95f4 | object | XXXX\u5e74X\u6708 |\r\n| \u751f\u6548\u65f6\u95f4 | object | XXXX\u5e74X\u6708 |\r\n| \u5927\u578b\u91d1\u878d\u673a\u6784-\u8c03\u6574\u524d | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5927\u578b\u91d1\u878d\u673a\u6784-\u8c03\u6574\u540e | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5927\u578b\u91d1\u878d\u673a\u6784-\u8c03\u6574\u5e45\u5ea6 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e2d\u5c0f\u91d1\u878d\u673a\u6784-\u8c03\u6574\u524d | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e2d\u5c0f\u91d1\u878d\u673a\u6784-\u8c03\u6574\u540e | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e2d\u5c0f\u91d1\u878d\u673a\u6784-\u8c03\u6574\u5e45\u5ea6 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u606f\u516c\u5e03\u6b21\u65e5\u6307\u6570\u6da8\u8dcc-\u4e0a\u8bc1 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d88\u606f\u516c\u5e03\u6b21\u65e5\u6307\u6570\u6da8\u8dcc-\u6df1\u8bc1 | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5907\u6ce8 | object | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_reserve_requirement_ratio_df = tp.China_reserve_requirement_ratio()\r\nprint(China_reserve_requirement_ratio_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u516c\u5e03\u65f6\u95f4 ... \u5907\u6ce8\r\n0 2022\u5e7411\u670825\u65e5 ... \u4e3a\u4fdd\u6301\u6d41\u52a8\u6027\u5408\u7406\u5145\u88d5,\u4fc3\u8fdb\u7efc\u5408\u878d\u8d44\u6210\u672c\u7a33\u4e2d\u6709\u964d,\u843d\u5b9e\u7a33\u7ecf\u6d4e\u4e00\u63fd\u5b50\u653f\u7b56\u63aa\u65bd,\u5de9\u56fa\u7ecf\u6d4e\u56de\u7a33\u5411\u4e0a\u57fa...\r\n1 2022\u5e7404\u670815\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4fc3\u8fdb\u7efc\u5408\u878d\u8d44\u6210\u672c\u7a33\u4e2d\u6709\u964d,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e8e2022\u5e744\u670825\u65e5\u4e0b\u8c03\u91d1\u878d...\r\n2 2021\u5e7412\u670806\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4fc3\u8fdb\u7efc\u5408\u878d\u8d44\u6210\u672c\u7a33\u4e2d\u6709\u964d,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e8e2021\u5e7412\u670815\u65e5\u4e0b\u8c03\u91d1...\r\n3 2021\u5e7407\u670809\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4fc3\u8fdb\u7efc\u5408\u878d\u8d44\u6210\u672c\u7a33\u4e2d\u6709\u964d,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e8e2021\u5e747\u670815\u65e5\u4e0b\u8c03\u91d1\u878d...\r\n4 2020\u5e7404\u670803\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4fc3\u8fdb\u52a0\u5927\u5bf9\u4e2d\u5c0f\u5fae\u4f01\u4e1a\u7684\u652f\u6301\u529b\u5ea6,\u964d\u4f4e\u793e\u4f1a\u878d\u8d44\u5b9e\u9645\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u5bf9...\r\n5 2020\u5e7404\u670803\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4fc3\u8fdb\u52a0\u5927\u5bf9\u4e2d\u5c0f\u5fae\u4f01\u4e1a\u7684\u652f\u6301\u529b\u5ea6,\u964d\u4f4e\u793e\u4f1a\u878d\u8d44\u5b9e\u9645\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u5bf9...\r\n6 2020\u5e7401\u670801\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u964d\u4f4e\u793e\u4f1a\u878d\u8d44\u5b9e\u9645\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e8e2020\u5e741\u67086\u65e5\u4e0b\u8c03\u91d1\u878d\u673a\u6784\u5b58...\r\n7 2019\u5e7409\u670806\u65e5 ... \u4e3a\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u964d\u4f4e\u793e\u4f1a\u878d\u8d44\u5b9e\u9645\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e8e2019\u5e749\u670816\u65e5\u5168\u9762\u4e0b\u8c03\u91d1\u878d...\r\n8 2019\u5e7401\u670804\u65e5 ... \u4e3a\u8fdb\u4e00\u6b65\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4f18\u5316\u6d41\u52a8\u6027\u7ed3\u6784,\u964d\u4f4e\u878d\u8d44\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e0b\u8c03\u91d1\u878d\u673a\u6784\u5b58\u6b3e\u51c6\u5907...\r\n9 2019\u5e7401\u670804\u65e5 ... \u4e3a\u8fdb\u4e00\u6b65\u652f\u6301\u5b9e\u4f53\u7ecf\u6d4e\u53d1\u5c55,\u4f18\u5316\u6d41\u52a8\u6027\u7ed3\u6784,\u964d\u4f4e\u878d\u8d44\u6210\u672c,\u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e0b\u8c03\u91d1\u878d\u673a\u6784\u5b58\u6b3e\u51c6\u5907...\r\n10 2018\u5e7410\u670807\u65e5 ... \u4ece2018\u5e7410\u670815\u65e5\u8d77,\u4e0b\u8c03\u5927\u578b\u5546\u4e1a\u94f6\u884c\u3001\u80a1\u4efd\u5236\u5546\u4e1a\u94f6\u884c\u3001\u57ce\u5e02\u5546\u4e1a\u94f6\u884c\u3001\u975e\u53bf\u57df\u519c\u6751\u5546\u4e1a\u94f6...\r\n11 2018\u5e7406\u670824\u65e5 ... \u4ece2018\u5e747\u67085\u65e5\u8d77,\u4e0b\u8c03\u5927\u578b\u5546\u4e1a\u94f6\u884c\u3001\u80a1\u4efd\u5236\u5546\u4e1a\u94f6\u884c\u3001\u90ae\u653f\u50a8\u84c4\u94f6\u884c\u3001\u57ce\u5e02\u5546\u4e1a\u94f6\u884c\u3001\u975e\u53bf\u57df...\r\n12 2018\u5e7404\u670817\u65e5 ... \u4ece2018\u5e744\u670825\u65e5\u8d77,\u4e0b\u8c03\u5927\u578b\u5546\u4e1a\u94f6\u884c\u3001\u80a1\u4efd\u5236\u5546\u4e1a\u94f6\u884c\u3001\u57ce\u5e02\u5546\u4e1a\u94f6\u884c\u3001\u975e\u53bf\u57df\u519c\u6751\u5546\u4e1a\u94f6\u884c...\r\n13 2016\u5e7402\u670829\u65e5 ... \u81ea2016\u5e743\u67081\u65e5\u8d77,\u666e\u904d\u4e0b\u8c03\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73870.5\u4e2a\u767e\u5206\u70b9,\u4ee5\u4fdd\u6301\u91d1\u878d\u4f53\u7cfb\u6d41\u52a8...\r\n14 2015\u5e7410\u670823\u65e5 ... 2015-10-24,\u81ea\u540c\u65e5\u8d77,\u4e0b\u8c03\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73870.5\u4e2a\u767e\u5206\u70b9,\u4ee5\u4fdd\u6301\u94f6\u884c\u4f53\u7cfb...\r\n15 2015\u5e7408\u670825\u65e5 ... \u81ea2015\u5e749\u67086\u65e5\u8d77,\u4e3a\u8fdb\u4e00\u6b65\u589e\u5f3a\u91d1\u878d\u673a\u6784\u652f\u6301\u201c\u4e09\u519c\u201d\u548c\u5c0f\u5fae\u4f01\u4e1a\u7684\u80fd\u529b,\u989d\u5916\u964d\u4f4e\u53bf\u57df\u519c\u6751\u5546...\r\n16 2015\u5e7404\u670819\u65e5 ... \u81ea4\u670820\u65e5\u8d77\u5bf9\u519c\u4fe1\u793e\u3001\u6751\u9547\u94f6\u884c\u7b49\u519c\u6751\u91d1\u878d\u673a\u6784\u989d\u5916\u964d\u4f4e\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73871\u4e2a\u767e\u5206\u70b9,\u5e76\u7edf\u4e00\u4e0b...\r\n17 2015\u5e7402\u670804\u65e5 ... \u540c\u65f6,\u4e3a\u8fdb\u4e00\u6b65\u589e\u5f3a\u91d1\u878d\u673a\u6784\u652f\u6301\u7ed3\u6784\u8c03\u6574\u7684\u80fd\u529b,\u52a0\u5927\u5bf9\u5c0f\u5fae\u4f01\u4e1a\u3001\u201c\u4e09\u519c\u201d\u4ee5\u53ca\u91cd\u5927\u6c34\u5229\u5de5\u7a0b\u5efa\u8bbe\u7684...\r\n18 2012\u5e7405\u670812\u65e5 ... None\r\n19 2012\u5e7402\u670818\u65e5 ... None\r\n20 2011\u5e7411\u670830\u65e5 ... None\r\n21 2011\u5e7406\u670814\u65e5 ... None\r\n22 2011\u5e7405\u670812\u65e5 ... None\r\n23 2011\u5e7404\u670817\u65e5 ... None\r\n24 2011\u5e7403\u670818\u65e5 ... None\r\n25 2011\u5e7402\u670818\u65e5 ... None\r\n26 2011\u5e7401\u670814\u65e5 ... None\r\n27 2010\u5e7412\u670810\u65e5 ... None\r\n28 2010\u5e7411\u670819\u65e5 ... None\r\n29 2010\u5e7411\u670810\u65e5 ... None\r\n30 2010\u5e7405\u670802\u65e5 ... \u4ece2010\u5e745\u670810\u65e5\u8d77,\u4e0a\u8c03\u5b58\u6b3e\u7c7b\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73870.5\u4e2a\u767e\u5206\u70b9,\u519c\u6751\u4fe1\u7528\u793e\u3001\u6751...\r\n31 2010\u5e7402\u670812\u65e5 ... \u4ece2010\u5e742\u670825\u65e5\u8d77,\u4e0a\u8c03\u5b58\u6b3e\u7c7b\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73870.5\u4e2a\u767e\u5206\u70b9\u3002\u4e3a\u52a0\u5927\u5bf9\u201c\u4e09\u519c...\r\n32 2010\u5e7401\u670812\u65e5 ... \u4ece2010\u5e741\u670818\u65e5\u8d77,\u4e0a\u8c03\u5b58\u6b3e\u7c7b\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73870.5\u4e2a\u767e\u5206\u70b9\u3002\u4e3a\u589e\u5f3a\u652f\u519c\u8d44\u91d1...\r\n33 2008\u5e7412\u670822\u65e5 ... None\r\n34 2008\u5e7411\u670826\u65e5 ... None\r\n35 2008\u5e7410\u670808\u65e5 ... None\r\n36 2008\u5e7409\u670815\u65e5 ... \u4ece2008\u5e749\u670825\u65e5\u8d77,\u9664\u5de5\u5546\u94f6\u884c\u3001\u519c\u4e1a\u94f6\u884c\u3001\u4e2d\u56fd\u94f6\u884c\u3001\u5efa\u8bbe\u94f6\u884c\u3001\u4ea4\u901a\u94f6\u884c\u3001\u90ae\u653f\u50a8\u84c4\u94f6\u884c\u6682...\r\n37 2008\u5e7406\u670807\u65e5 ... None\r\n38 2008\u5e7406\u670807\u65e5 ... \u4e2d\u56fd\u4eba\u6c11\u94f6\u884c\u51b3\u5b9a\u4e0a\u8c03\u5b58\u6b3e\u7c7b\u91d1\u878d\u673a\u6784\u4eba\u6c11\u5e01\u5b58\u6b3e\u51c6\u5907\u91d1\u73871\u4e2a\u767e\u5206\u70b9,\u4e8e2008\u5e746\u670815\u65e5\u548c25...\r\n39 2008\u5e7405\u670812\u65e5 ... None\r\n40 2008\u5e7404\u670816\u65e5 ... None\r\n41 2008\u5e7403\u670818\u65e5 ... None\r\n42 2008\u5e7401\u670816\u65e5 ... None\r\n43 2007\u5e7412\u670808\u65e5 ... None\r\n44 2007\u5e7411\u670810\u65e5 ... None\r\n45 2007\u5e7410\u670813\u65e5 ... None\r\n46 2007\u5e7409\u670806\u65e5 ... None\r\n47 2007\u5e7407\u670830\u65e5 ... None\r\n48 2007\u5e7405\u670818\u65e5 ... None\r\n49 2007\u5e7404\u670829\u65e5 ... None\r\n50 2007\u5e7404\u670805\u65e5 ... None\r\n51 2007\u5e7402\u670816\u65e5 ... None\r\n52 2007\u5e7401\u670805\u65e5 ... None\r\n```\r\n\r\n#### \u793e\u4f1a\u6d88\u8d39\u54c1\u96f6\u552e\u603b\u989d\r\n\r\n\u63a5\u53e3: China_consumer_goods_retail\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc-\u7ecf\u6d4e\u6570\u636e-\u793e\u4f1a\u6d88\u8d39\u54c1\u96f6\u552e\u603b\u989d\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------- | ------- | -------------- |\r\n| \u6708\u4efd | object | - |\r\n| \u5f53\u6708 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u73af\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7d2f\u8ba1 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f | float64 | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_consumer_goods_retail_df = tp.China_consumer_goods_retail()\r\nprint(China_consumer_goods_retail_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u5f53\u6708 \u540c\u6bd4\u589e\u957f \u73af\u6bd4\u589e\u957f \u7d2f\u8ba1 \u7d2f\u8ba1-\u540c\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 40271.0 -0.5 6.692277 360575.0 0.6\r\n1 2022\u5e7409\u6708\u4efd 37745.0 2.5 4.101164 320305.0 0.7\r\n2 2022\u5e7408\u6708\u4efd 36258.0 5.4 1.081684 282560.0 0.5\r\n3 2022\u5e7407\u6708\u4efd 35870.0 2.7 -7.413143 246302.0 -0.2\r\n4 2022\u5e7406\u6708\u4efd 38742.0 3.1 15.485736 210432.0 -0.7\r\n.. ... ... ... ... ... ...\r\n162 2008\u5e7405\u6708\u4efd 8703.5 21.6 6.896340 42400.7 21.1\r\n163 2008\u5e7404\u6708\u4efd 8142.0 22.0 0.231436 33697.2 21.0\r\n164 2008\u5e7403\u6708\u4efd 8123.2 21.5 -2.770895 25555.2 20.6\r\n165 2008\u5e7402\u6708\u4efd 8354.7 19.1 -7.960517 17432.0 20.2\r\n166 2008\u5e7401\u6708\u4efd 9077.3 21.2 0.687720 9077.3 21.2\r\n```\r\n\r\n#### \u5168\u793e\u4f1a\u7528\u7535\u5206\u7c7b\u60c5\u51b5\u8868\r\n\r\n\u63a5\u53e3: China_society_electricity\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u5168\u793e\u4f1a\u7528\u7535\u5206\u7c7b\u60c5\u51b5\u8868\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| -------------------------- | ----- | -------- | ------------------ |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | Y | - |\r\n| \u5168\u793e\u4f1a\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u5168\u793e\u4f1a\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5404\u884c\u4e1a\u7528\u7535\u91cf\u5408\u8ba1 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u5404\u884c\u4e1a\u7528\u7535\u91cf\u5408\u8ba1\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e00\u4ea7\u4e1a\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u7b2c\u4e00\u4ea7\u4e1a\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e8c\u4ea7\u4e1a\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u7b2c\u4e8c\u4ea7\u4e1a\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7b2c\u4e09\u4ea7\u4e1a\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u7b2c\u4e09\u4ea7\u4e1a\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u4e61\u5c45\u6c11\u751f\u6d3b\u7528\u7535\u91cf\u5408\u8ba1 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u57ce\u4e61\u5c45\u6c11\u751f\u6d3b\u7528\u7535\u91cf\u5408\u8ba1\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u9547\u5c45\u6c11\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u57ce\u9547\u5c45\u6c11\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e61\u6751\u5c45\u6c11\u7528\u7535\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5343\u74e6\u65f6 |\r\n| \u4e61\u6751\u5c45\u6c11\u7528\u7535\u91cf\u540c\u6bd4 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_society_electricity_df = tp.China_society_electricity()\r\nprint(China_society_electricity_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u5168\u793e\u4f1a\u7528\u7535\u91cf \u5168\u793e\u4f1a\u7528\u7535\u91cf\u540c\u6bd4 ... \u57ce\u9547\u5c45\u6c11\u7528\u7535\u91cf\u540c\u6bd4 \u4e61\u6751\u5c45\u6c11\u7528\u7535\u91cf \u4e61\u6751\u5c45\u6c11\u7528\u7535\u91cf\u540c\u6bd4\r\n0 2020.8 476760000.00 0.50 ... None None None\r\n1 2020.7 403810000.00 -0.70 ... None None None\r\n2 2020.6 335470000.00 -1.30 ... None None None\r\n3 2020.5 271970000.00 -2.80 ... None None None\r\n4 2020.4 212700000.00 -4.70 ... None None None\r\n.. ... ... ... ... ... ... ...\r\n171 2004.11 194584023.00 15.13 ... 8.95 8408040.00 10.48\r\n172 2004.10 175828690.00 15.17 ... 8.74 7652223.00 8.99\r\n173 2004.9 157131146.00 14.92 ... 8.58 6814158.00 9.80\r\n174 2004.3 48045510.00 15.70 ... 9.85 2187609.00 11.68\r\n175 2003.12 188912117.00 15.29 ... 16.12 8806708.00 5.79\r\n```\r\n\r\n#### \u5168\u793e\u4f1a\u5ba2\u8d27\u8fd0\u8f93\u91cf\r\n\r\n\u63a5\u53e3: China_society_traffic_volume\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u5168\u793e\u4f1a\u5ba2\u8d27\u8fd0\u8f93\u91cf-\u975e\u7d2f\u8ba1\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------------------ | ----- | -------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | \u5e74\u6708 |\r\n| \u7edf\u8ba1\u5bf9\u8c61 | float | - |\r\n| \u8d27\u8fd0\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5428 |\r\n| \u8d27\u8fd0\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8d27\u7269\u5468\u8f6c\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u516c\u91cc\u8d27\u7269\u5468\u8f6c\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5ba2\u8fd0\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u4eba |\r\n| \u5ba2\u8fd0\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u65c5\u5ba2\u5468\u8f6c\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u516c\u91cc\u65c5\u5ba2\u5468\u8f6c\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6cbf\u6d77\u4e3b\u8981\u6e2f\u53e3\u8d27\u7269\u541e\u5410\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5428 |\r\n| \u6cbf\u6d77\u4e3b\u8981\u6e2f\u53e3\u8d27\u7269\u541e\u5410\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5176\u4e2d:\u5916\u8d38\u8d27\u7269\u541e\u5410\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5428 |\r\n| \u5176\u4e2d:\u5916\u8d38\u8d27\u7269\u541e\u5410\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6c11\u822a\u603b\u5468\u8f6c\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf |\r\n| \u516c\u91cc\u6c11\u822a\u603b\u5468\u8f6c | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_society_traffic_volume_df = tp.China_society_traffic_volume()\r\nprint(China_society_traffic_volume_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u7edf\u8ba1\u5bf9\u8c61 \u8d27\u8fd0\u91cf \u8d27\u8fd0\u91cf\u540c\u6bd4\u589e\u957f ... \u5176\u4e2d:\u5916\u8d38\u8d27\u7269\u541e\u5410\u91cf \u5176\u4e2d:\u5916\u8d38\u8d27\u7269\u541e\u5410\u91cf\u540c\u6bd4\u589e\u957f \u6c11\u822a\u603b\u5468\u8f6c\u91cf \u516c\u91cc\u6c11\u822a\u603b\u5468\u8f6c\r\n0 2020.8 \u6c11\u822a 54.94 -12.70 ... None None None None\r\n1 2020.8 \u6c34\u8fd0 6.72 0.60 ... None None None None\r\n2 2020.8 \u516c\u8def 32.53 5.50 ... None None None None\r\n3 2020.8 \u94c1\u8def 3.84 6.50 ... None None None None\r\n4 2020.8 \u5408\u8ba1 43.10 4.80 ... None None None None\r\n ... ... ... ... ... ... ... ... ...\r\n2088 1952.12 \u6c34\u8fd0 None None ... None None None None\r\n2089 1952.12 \u516c\u8def None None ... None None None None\r\n2090 1952.12 \u94c1\u8def None None ... None None None None\r\n2091 1952.12 \u5408\u8ba1 None None ... None None None None\r\n2092 1952.12 \u6c11\u822a None None ... None None None None\r\n```\r\n\r\n#### \u90ae\u7535\u4e1a\u52a1\u57fa\u672c\u60c5\u51b5\r\n\r\n\u63a5\u53e3: China_postal_telecommunicational\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u90ae\u7535\u4e1a\u52a1\u57fa\u672c\u60c5\u51b5-\u975e\u7d2f\u8ba1\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------------------------- | ----- | -------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | \u5e74\u6708 |\r\n| \u90ae\u7535\u4e1a\u52a1\u603b\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u90ae\u7535\u4e1a\u52a1\u603b\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u90ae\u653f\u4e1a\u52a1\u603b\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u90ae\u653f\u4e1a\u52a1\u603b\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7535\u4fe1\u4e1a\u52a1\u603b\u91cf | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u7535\u4fe1\u4e1a\u52a1\u603b\u91cf\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u51fd\u4ef6\u603b\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u4ef6 |\r\n| \u51fd\u4ef6\u603b\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5305\u4ef6 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u4ef6 |\r\n| \u5305\u4ef6\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u7279\u5feb\u4e13\u9012 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u4ef6 |\r\n| \u7279\u5feb\u4e13\u9012\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6c47\u7968 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5f20 |\r\n| \u6c47\u7968\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8ba2\u9500\u62a5\u7eb8\u7d2f\u8ba1\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u4efd |\r\n| \u8ba2\u9500\u62a5\u7eb8\u7d2f\u8ba1\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8ba2\u9500\u6742\u5fd7\u7d2f\u8ba1\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u4efd |\r\n| \u8ba2\u9500\u6742\u5fd7\u7d2f\u8ba1\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u96c6\u90ae\u4e1a\u52a1 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u679a |\r\n| \u96c6\u90ae\u4e1a\u52a1\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u90ae\u653f\u50a8\u84c4\u671f\u672b\u4f59\u989d | float | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u90ae\u653f\u50a8\u84c4\u671f\u672b\u4f59\u989d\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u957f\u9014\u7535\u8bdd\u901a\u8bdd\u65f6\u957f | float | \u6ce8\u610f\u5355\u4f4d: \u4e07 |\r\n| \u949f\u957f\u9014\u7535\u8bdd\u901a\u8bdd\u65f6\u957f\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u672c\u5730\u7535\u8bdd\u671f\u672b\u7528\u6237\u6570 | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u672c\u5730\u7535\u8bdd\u671f\u672b\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u5e02\u7535\u8bdd\u7528\u6237\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u57ce\u5e02\u7535\u8bdd\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e61\u6751\u7535\u8bdd\u7528\u6237\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u4e61\u6751\u7535\u8bdd\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u65e0\u7ebf\u5bfb\u547c\u7528\u6237\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u65e0\u7ebf\u5bfb\u547c\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u79fb\u52a8\u7535\u8bdd\u7528\u6237\u6570 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u79fb\u52a8\u7535\u8bdd\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u56fa\u5b9a\u7535\u8bdd\u7528 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u56fa\u5b9a\u7535\u8bdd\u7528\u6237\u6570\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u57ce\u5e02\u4f4f\u5b85\u7535\u8bdd\u7528\u6237 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u57ce\u5e02\u4f4f\u5b85\u7535\u8bdd\u7528\u6237\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u4e61\u6751\u4f4f\u5b85\u7535\u8bdd\u7528\u6237 | float | \u6ce8\u610f\u5355\u4f4d: \u4e07\u6237 |\r\n| \u4e61\u6751\u4f4f\u5b85\u7535\u8bdd\u7528\u6237\u540c\u6bd4\u589e\u957f | float | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_postal_telecommunicational_df = tp.China_postal_telecommunicational()\r\nprint(China_postal_telecommunicational_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u90ae\u7535\u4e1a\u52a1\u603b\u91cf \u90ae\u7535\u4e1a\u52a1\u603b\u91cf\u540c\u6bd4\u589e\u957f ... \u57ce\u5e02\u4f4f\u5b85\u7535\u8bdd\u7528\u6237\u540c\u6bd4\u589e\u957f \u4e61\u6751\u4f4f\u5b85\u7535\u8bdd\u7528\u6237 \u4e61\u6751\u4f4f\u5b85\u7535\u8bdd\u7528\u6237\u540c\u6bd4\u589e\u957f\r\n0 2020.8 None None ... None None None\r\n1 2020.7 None None ... None None None\r\n2 2020.6 None None ... None None None\r\n3 2020.5 None None ... None None None\r\n4 2020.4 None None ... None None None\r\n.. ... ... ... ... ... ... ...\r\n267 1970.12 None None ... None None None\r\n268 1965.12 None None ... None None None\r\n269 1962.12 None None ... None None None\r\n270 1957.12 None None ... None None None\r\n271 1952.12 None None ... None None None\r\n```\r\n\r\n#### \u56fd\u9645\u65c5\u6e38\u5916\u6c47\u6536\u5165\u6784\u6210\r\n\r\n\u63a5\u53e3: China_international_tourism_fx\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u56fd\u9645\u65c5\u6e38\u5916\u6c47\u6536\u5165\u6784\u6210\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| -------- | ----- | -------- | ------------------ |\r\n| \u7edf\u8ba1\u5e74\u5ea6 | str | Y | \u5e74 |\r\n| \u6307\u6807 | float | Y | - |\r\n| \u6570\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d: \u767e\u4e07\u7f8e\u5143 |\r\n| \u6bd4\u91cd | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_international_tourism_fx_df = tp.China_international_tourism_fx()\r\nprint(China_international_tourism_fx_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u5e74\u5ea6 \u6307\u6807 \u6570\u91cf \u6bd4\u91cd\r\n0 2019 \u603b\u8ba1 131254.00 None\r\n1 2018 \u5176\u4ed6\u670d\u52a1 11454.26 9.00\r\n2 2018 \u4f4f\u5bbf 18108.80 14.00\r\n3 2018 \u603b\u8ba1 127103.00 100.00\r\n4 2018 \u5546\u54c1\u9500\u552e 32761.35 26.00\r\n.. ... ... ... ...\r\n238 1996 \u9910\u996e 1376.00 13.50\r\n239 1995 \u603b\u8ba1 8733.00 100.00\r\n240 1994 \u603b\u8ba1 7323.00 100.00\r\n241 1993 \u603b\u8ba1 4683.00 100.00\r\n242 1992 \u603b\u8ba1 3947.00 100.00\r\n```\r\n\r\n#### \u6c11\u822a\u5ba2\u5ea7\u7387\u53ca\u8f7d\u8fd0\u7387\r\n\r\n\u63a5\u53e3: China_passenger_load_factor\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u6c11\u822a\u5ba2\u5ea7\u7387\u53ca\u8f7d\u8fd0\u7387\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| -------- | ----- | -------- | ----------- |\r\n| \u7edf\u8ba1\u5e74\u5ea6 | str | Y | \u5e74\u6708 |\r\n| \u5ba2\u5ea7\u7387 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8f7d\u8fd0\u7387 | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_passenger_load_factor_df = tp.China_passenger_load_factor()\r\nprint(China_passenger_load_factor_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u5ba2\u5ea7\u7387 \u8f7d\u8fd0\u7387\r\n0 2020.7 74.80 67.80\r\n1 2020.6 70.30 67.60\r\n2 2020.5 68.50 66.10\r\n3 2020.4 66.30 66.80\r\n4 2020.3 58.60 62.70\r\n.. ... ... ...\r\n167 2006.6 72.00 64.60\r\n168 2006.5 71.30 64.40\r\n169 2006.4 76.30 69.00\r\n170 2006.3 72.40 67.50\r\n171 2006.2 72.70 64.60\r\n```\r\n\r\n#### \u822a\u8d38\u8fd0\u4ef7\u6307\u6570\r\n\r\n\u63a5\u53e3: China_freight_index\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u822a\u8d38\u8fd0\u4ef7\u6307\u6570\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------------------ | ------- | ---- |\r\n| \u622a\u6b62\u65e5\u671f | object | \u5e74\u6708 |\r\n| \u6ce2\u7f57\u7684\u6d77\u597d\u671b\u89d2\u578b\u8239\u8fd0\u4ef7\u6307\u6570BCI | float64 | - |\r\n| \u7075\u4fbf\u578b\u8239\u7efc\u5408\u8fd0\u4ef7\u6307\u6570BHMI | float64 | - |\r\n| \u6ce2\u7f57\u7684\u6d77\u8d85\u7ea7\u5927\u7075\u4fbf\u578b\u8239BSI\u6307\u6570 | float64 | - |\r\n| \u6ce2\u7f57\u7684\u6d77\u7efc\u5408\u8fd0\u4ef7\u6307\u6570BDI | float64 | - |\r\n| HRCI\u56fd\u9645\u96c6\u88c5\u7bb1\u79df\u8239\u6307\u6570 | float64 | - |\r\n| \u6cb9\u8f6e\u8fd0\u4ef7\u6307\u6570\u6210\u54c1\u6cb9\u8fd0\u4ef7\u6307\u6570BCTI | float64 | - |\r\n| \u6cb9\u8f6e\u8fd0\u4ef7\u6307\u6570\u539f\u6cb9\u8fd0\u4ef7\u6307\u6570BDTI | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_freight_index_df = tp.China_freight_index()\r\nprint(China_freight_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u622a\u6b62\u65e5\u671f \u6ce2\u7f57\u7684\u6d77\u597d\u671b\u89d2\u578b\u8239\u8fd0\u4ef7\u6307\u6570BCI ... \u6cb9\u8f6e\u8fd0\u4ef7\u6307\u6570\u6210\u54c1\u6cb9\u8fd0\u4ef7\u6307\u6570BCTI \u6cb9\u8f6e\u8fd0\u4ef7\u6307\u6570\u539f\u6cb9\u8fd0\u4ef7\u6307\u6570BDTI\r\n0 2021-08-10 4328.0 ... NaN NaN\r\n1 2021-08-09 4342.0 ... NaN NaN\r\n2 2021-08-06 4359.0 ... NaN NaN\r\n3 2021-08-05 4414.0 ... NaN NaN\r\n4 2021-08-04 4302.0 ... NaN NaN\r\n ... ... ... ... ...\r\n3845 2005-12-13 3459.0 ... 1326.0 2063.0\r\n3846 2005-12-12 3476.0 ... 1286.0 2051.0\r\n3847 2005-12-09 3509.0 ... 1261.0 2061.0\r\n3848 2005-12-08 3553.0 ... NaN NaN\r\n3849 2005-12-07 3709.0 ... NaN NaN\r\n```\r\n\r\n#### \u592e\u884c\u8d27\u5e01\u5f53\u5c40\u8d44\u4ea7\u8d1f\u503a\r\n\r\n\u63a5\u53e3: China_central_bank_balance\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u592e\u884c\u8d27\u5e01\u5f53\u5c40\u8d44\u4ea7\u8d1f\u503a\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| -------------------- | ----- | -------- | -------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | Y | \u5e74\u6708 |\r\n| \u56fd\u5916\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5916\u6c47 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u8d27\u5e01\u9ec4\u91d1 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u56fd\u5916\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u653f\u5e9c\u503a\u6743 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4e2d:\u4e2d\u592e\u653f\u5e9c | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u5176\u4ed6\u5b58\u6b3e\u6027\u516c\u53f8\u503a\u6743 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u5176\u4ed6\u91d1\u878d\u6027\u516c\u53f8\u503a\u6743 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u975e\u8d27\u5e01\u91d1\u878d\u673a\u6784\u503a\u6743 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u975e\u91d1\u878d\u6027\u516c\u53f8\u503a\u6743 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u603b\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u50a8\u5907\u8d27\u5e01 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u53d1\u884c\u8d27\u5e01 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u91d1\u878d\u6027\u516c\u53f8\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u5b58\u6b3e\u6027\u516c\u53f8 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u91d1\u878d\u6027\u516c\u53f8 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5bf9\u91d1\u878d\u673a\u6784\u8d1f\u503a | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u51c6\u5907\u91d1\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u975e\u91d1\u878d\u6027\u516c\u53f8\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6d3b\u671f\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u503a\u5238 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u56fd\u5916\u8d1f\u503a | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u653f\u5e9c\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u81ea\u6709\u8d44\u91d1 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u8d1f\u503a | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u603b\u8d1f\u503a | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_central_bank_balance_df = tp.China_central_bank_balance()\r\nprint(China_central_bank_balance_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u56fd\u5916\u8d44\u4ea7 \u5916\u6c47 ... \u81ea\u6709\u8d44\u91d1 \u5176\u4ed6\u8d1f\u503a \u603b\u8d1f\u503a\r\n0 2020.8 218361.92 211684.91 ... 219.75 11750.36 365052.29\r\n1 2020.7 218374.92 211723.16 ... 219.75 11068.35 357924.90\r\n2 2020.6 218332.59 211742.47 ... 219.75 10222.08 363931.30\r\n3 2020.5 218333.25 211802.63 ... 219.75 9494.26 367870.74\r\n4 2020.4 218310.70 211914.83 ... 219.75 8914.45 360347.67\r\n.. ... ... ... ... ... ... ...\r\n279 1994.3 2437.60 2253.80 ... 280.50 -298.60 None\r\n280 1993.12 1549.50 1431.80 ... 310.30 -255.00 None\r\n281 1993.9 1451.00 1332.20 ... 310.30 -286.50 None\r\n282 1993.6 1286.50 1183.00 ... 310.30 -411.60 None\r\n283 1993.3 1324.00 1222.00 ... 310.30 -384.10 None\r\n```\r\n\r\n#### \u4fdd\u9669\u4e1a\u7ecf\u8425\u60c5\u51b5\r\n\r\n\u63a5\u53e3: China_insurance\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u4fdd\u9669\u4e1a\u7ecf\u8425\u60c5\u51b5\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| -------------------------------- | ----- | -------- | -------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | Y | \u5e74\u6708 |\r\n| \u7701\u5e02\u5730\u533a | float | Y | - |\r\n| \u539f\u4fdd\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u8d22\u4ea7\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u5bff\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u5065\u5eb7\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u610f\u5916\u9669\u4fdd\u8d39\u6536\u5165 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u517b\u8001\u4fdd\u9669\u516c\u53f8\u4f01\u4e1a\u5e74\u91d1\u7f34\u8d39 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u539f\u4fdd\u9669\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u8d22\u4ea7\u9669\u4fdd\u8d39\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669\u4fdd\u8d39\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u5bff\u9669\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u5065\u5eb7\u9669\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4eba\u8eab\u9669-\u610f\u5916\u9669\u8d54\u4ed8\u652f\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u4e1a\u52a1\u53ca\u7ba1\u7406\u8d39 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u94f6\u884c\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u6295\u8d44 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u8d44\u4ea7\u603b\u989d | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u517b\u8001\u4fdd\u9669\u516c\u53f8\u4f01\u4e1a\u5e74\u91d1\u53d7\u6258\u7ba1\u7406\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n| \u517b\u8001\u4fdd\u9669\u516c\u53f8\u4f01\u4e1a\u5e74\u91d1\u6295\u8d44\u7ba1\u7406\u8d44\u4ea7 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_insurance_df = tp.China_insurance()\r\nprint(China_insurance_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u7701\u5e02\u5730\u533a \u539f\u4fdd\u9669\u4fdd\u8d39\u6536\u5165 ... \u8d44\u4ea7\u603b\u989d \u517b\u8001\u4fdd\u9669\u516c\u53f8\u4f01\u4e1a\u5e74\u91d1\u53d7\u6258\u7ba1\u7406\u8d44\u4ea7 \u517b\u8001\u4fdd\u9669\u516c\u53f8\u4f01\u4e1a\u5e74\u91d1\u6295\u8d44\u7ba1\u7406\u8d44\u4ea7\r\n0 2020.8 \u65b0\u7586 5176100.00 ... None None None\r\n1 2020.8 \u5b81\u590f 1564700.00 ... None None None\r\n2 2020.8 \u9752\u6d77 751400.00 ... None None None\r\n3 2020.8 \u7518\u8083 3679100.00 ... None None None\r\n4 2020.8 \u9655\u897f 8222700.00 ... None None None\r\n ... ... ... ... ... ... ...\r\n6755 1999.5 \u5168\u56fd 5289491.00 ... None None None\r\n6756 1999.4 \u5168\u56fd 4161147.00 ... None None None\r\n6757 1999.3 \u5168\u56fd 2837194.00 ... 21408761.00 None None\r\n6758 1999.2 \u5168\u56fd 1543697.00 ... None None None\r\n6759 1999.1 \u5168\u56fd 885113.00 ... None None None\r\n```\r\n\r\n#### \u8d27\u5e01\u4f9b\u5e94\u91cf\r\n\r\n\u63a5\u53e3: China_supply_of_money\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u8d27\u5e01\u4f9b\u5e94\u91cf\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---------------------------------- | ----- | -------- | -------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | Y | \u5e74\u6708 |\r\n| \u8d27\u5e01\u548c\u51c6\u8d27\u5e01\uff08\u5e7f\u4e49\u8d27\u5e01M2\uff09 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u8d27\u5e01\u548c\u51c6\u8d27\u5e01\uff08\u5e7f\u4e49\u8d27\u5e01M2\uff09\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u8d27\u5e01(\u72ed\u4e49\u8d27\u5e01M1) | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u8d27\u5e01(\u72ed\u4e49\u8d27\u5e01M1)\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d41\u901a\u4e2d\u73b0\u91d1(M0) | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6d41\u901a\u4e2d\u73b0\u91d1(M0)\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u6d3b\u671f\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6d3b\u671f\u5b58\u6b3e\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u51c6\u8d27\u5e01 | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u51c6\u8d27\u5e01\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5b9a\u671f\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5b9a\u671f\u5b58\u6b3e\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u50a8\u84c4\u5b58\u6b3e\u51fa | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u50a8\u84c4\u5b58\u6b3e\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n| \u5176\u4ed6\u5b58\u6b3e | float | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5176\u4ed6\u5b58\u6b3e\u540c\u6bd4\u589e\u957f | float | Y | \u6ce8\u610f\u5355\u4f4d: % |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_supply_of_money_df = tp.China_supply_of_money()\r\nprint(China_supply_of_money_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u8d27\u5e01\u548c\u51c6\u8d27\u5e01\uff08\u5e7f\u4e49\u8d27\u5e01M2\uff09 \u8d27\u5e01\u548c\u51c6\u8d27\u5e01\uff08\u5e7f\u4e49\u8d27\u5e01M2\uff09\u540c\u6bd4\u589e\u957f ... \u50a8\u84c4\u5b58\u6b3e\u540c\u6bd4\u589e\u957f \u5176\u4ed6\u5b58\u6b3e \u5176\u4ed6\u5b58\u6b3e\u540c\u6bd4\u589e\u957f\r\n0 2020.8 2136800.00 10.40 ... None 235344.24 None\r\n1 2020.7 2125458.46 10.70 ... None 240538.49 None\r\n2 2020.6 2134948.66 11.10 ... None 228402.91 None\r\n3 2020.5 2100183.74 11.10 ... None 233222.73 None\r\n4 2020.4 2093533.83 11.10 ... None 241313.38 None\r\n.. ... ... ... ... ... ... ...\r\n507 1978.5 None None ... None None None\r\n508 1978.4 None None ... None None None\r\n509 1978.3 None None ... None None None\r\n510 1978.2 None None ... None None None\r\n511 1978.1 None None ... None None None\r\n```\r\n\r\n#### FR007\u5229\u7387\u4e92\u6362\u66f2\u7ebf\u5386\u53f2\u6570\u636e\r\n\r\n\u63a5\u53e3: China_swap_rate\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-FR007 \u5229\u7387\u4e92\u6362\u66f2\u7ebf\u5386\u53f2\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e, \u8be5\u63a5\u53e3\u53ea\u80fd\u83b7\u53d6\u8fd1\u4e00\u5e74\u7684\u6570\u636e\u7684\u6570\u636e\uff0c\u5176\u4e2d\u6bcf\u6b21\u53ea\u80fd\u83b7\u53d6\u4e00\u4e2a\u6708\u7684\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| -------- | ------- | ---- |\r\n| \u65e5\u671f | object | - |\r\n| \u66f2\u7ebf\u540d\u79f0 | object | - |\r\n| \u65f6\u523b | object | - |\r\n| \u4ef7\u683c\u7c7b\u578b | object | - |\r\n| 1M | float64 | - |\r\n| 3M | float64 | - |\r\n| 6M | float64 | - |\r\n| 9M | float64 | - |\r\n| 1Y | float64 | - |\r\n| 2Y | float64 | - |\r\n| 3Y | float64 | - |\r\n| 4Y | float64 | - |\r\n| 5Y | float64 | - |\r\n| 7Y | float64 | - |\r\n| 10Y | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_swap_rate_df = tp.China_swap_rate(start_date=\"20220212\", end_date=\"20220312\")\r\nprint(China_swap_rate_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u66f2\u7ebf\u540d\u79f0 \u65f6\u523b \u4ef7\u683c\u7c7b\u578b ... 4Y 5Y 7Y 10Y\r\n0 2022-03-11 FR007\u5229\u7387\u4e92\u6362\u6536\u76d8\u66f2\u7ebf 16:30 \u62a5\u4e70 ... 2.4435 2.5505 2.6617 2.8240\r\n1 2022-03-11 FR007\u5229\u7387\u4e92\u6362\u6536\u76d8\u66f2\u7ebf 16:30 \u5747\u503c ... 2.4565 2.5518 2.6907 2.8511\r\n2 2022-03-11 FR007\u5229\u7387\u4e92\u6362\u6536\u76d8\u66f2\u7ebf 16:30 \u62a5\u5356 ... 2.4695 2.5532 2.7197 2.8782\r\n3 2022-03-11 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 16:00 \u62a5\u4e70 ... 2.4800 2.5765 2.7200 2.8758\r\n4 2022-03-11 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 16:00 \u5747\u503c ... 2.4850 2.5783 2.7324 2.8891\r\n.. ... ... ... ... ... ... ... ... ...\r\n895 2022-02-14 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 10:00 \u5747\u503c ... 2.4238 2.5236 2.6710 2.8269\r\n896 2022-02-14 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 10:00 \u62a5\u5356 ... 2.4329 2.5251 2.6825 2.8398\r\n897 2022-02-14 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 9:30 \u62a5\u4e70 ... 2.4045 2.5160 2.6461 2.7976\r\n898 2022-02-14 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 9:30 \u5747\u503c ... 2.4212 2.5212 2.6647 2.8197\r\n899 2022-02-14 FR007\u5229\u7387\u4e92\u6362\u884c\u60c5\u66f2\u7ebf 9:30 \u62a5\u5356 ... 2.4379 2.5264 2.6833 2.8419\r\n```\r\n\r\n#### \u592e\u884c\u9ec4\u91d1\u548c\u5916\u6c47\u50a8\u5907\r\n\r\n\u63a5\u53e3: China_foreign_exchange_gold\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u592e\u884c\u9ec4\u91d1\u548c\u5916\u6c47\u50a8\u5907, \u6bd4\u4e1c\u8d22\u63a5\u53e3\u6570\u636e\u65f6\u95f4\u957f\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ------------ | ---- | -------- | ---------------- |\r\n| \u7edf\u8ba1\u65f6\u95f4 | str | Y | \u5e74\u6708 |\r\n| \u9ec4\u91d1\u50a8\u5907 | str | Y | \u6ce8\u610f\u5355\u4f4d: \u4e07\u76ce\u53f8 |\r\n| \u56fd\u5bb6\u5916\u6c47\u50a8\u5907 | str | Y | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_foreign_exchange_gold_df = tp.China_foreign_exchange_gold()\r\nprint(China_foreign_exchange_gold_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u65f6\u95f4 \u9ec4\u91d1\u50a8\u5907 \u56fd\u5bb6\u5916\u6c47\u50a8\u5907\r\n0 2020.9 6264.00 31425.62\r\n1 2020.8 6264.00 31646.09\r\n2 2020.7 6264.00 31543.91\r\n3 2020.6 6264.00 31123.28\r\n4 2020.5 6264.00 31016.92\r\n.. ... ... ...\r\n343 1982.12 1267.00 69.86\r\n344 1981.12 1267.00 27.08\r\n345 1980.12 1280.00 -12.96\r\n346 1979.12 1280.00 8.40\r\n347 1978.12 1280.00 1.67\r\n```\r\n\r\n#### \u5546\u54c1\u96f6\u552e\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_retail_price_index\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u5546\u54c1\u96f6\u552e\u4ef7\u683c\u6307\u6570\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---------------- | ----- | -------- | ---- |\r\n| \u7edf\u8ba1\u6708\u4efd | str | Y | \u5e74\u6708 |\r\n| \u5c45\u6c11\u6d88\u8d39\u9879\u76ee | str | Y | - |\r\n| \u96f6\u552e\u5546\u54c1\u4ef7\u683c\u6307\u6570 | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_retail_price_index_df = tp.China_retail_price_index()\r\nprint(China_retail_price_index_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u7edf\u8ba1\u6708\u4efd \u5c45\u6c11\u6d88\u8d39\u9879\u76ee \u96f6\u552e\u5546\u54c1\u4ef7\u683c\u6307\u6570\r\n0 2020.8 \u5efa\u7b51\u6750\u6599\u53ca\u4e94\u91d1\u7535\u6599 100.10\r\n1 2020.8 \u71c3\u6599 90.70\r\n2 2020.8 \u4e66\u62a5\u6742\u5fd7\u53ca\u7535\u5b50\u51fa\u7248\u7269 101.70\r\n3 2020.8 \u4e2d\u897f\u836f\u54c1\u53ca\u533b\u7597\u4fdd\u5065\u7528\u54c1 100.30\r\n4 2020.8 \u91d1\u94f6\u73e0\u5b9d 122.90\r\n ... ... ...\r\n3777 2002.1 \u673a\u7535\u4ea7\u54c1 94.10\r\n3778 2002.1 \u5bb6\u7528\u7535\u5668\u53ca\u97f3\u50cf\u5668\u6750 94.20\r\n3779 2002.1 \u4f53\u80b2\u5a31\u4e50\u7528\u54c1 98.80\r\n3780 2002.1 \u4e2d\u897f\u836f\u54c1\u53ca\u533b\u7597\u4fdd\u5065\u7528\u54c1 97.30\r\n3781 2002.1 \u4e66\u62a5\u6742\u5fd7\u53ca\u7535\u5b50\u51fa\u7248\u7269 101.00\r\n```\r\n\r\n#### \u56fd\u623f\u666f\u6c14\u6307\u6570\r\n\r\n\u63a5\u53e3: China_real_estate\r\n\r\n\u63cf\u8ff0: \u56fd\u5bb6\u7edf\u8ba1\u5c40-\u56fd\u623f\u666f\u6c14\u6307\u6570\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------- | ------- | ---- |\r\n| \u65e5\u671f | object | - |\r\n| \u6700\u65b0\u503c | float64 | - |\r\n| \u6da8\u8dcc\u5e45 | float64 | - |\r\n| \u8fd13\u6708\u6da8\u8dcc\u5e45 | float64 | - |\r\n| \u8fd16\u6708\u6da8\u8dcc\u5e45 | float64 | - |\r\n| \u8fd11\u5e74\u6da8\u8dcc\u5e45 | float64 | - |\r\n| \u8fd12\u5e74\u6da8\u8dcc\u5e45 | float64 | - |\r\n| \u8fd13\u5e74\u6da8\u8dcc\u5e45 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_real_estate_df = tp.China_real_estate()\r\nprint(China_real_estate_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u6700\u65b0\u503c \u6da8\u8dcc\u5e45 ... \u8fd11\u5e74\u6da8\u8dcc\u5e45 \u8fd12\u5e74\u6da8\u8dcc\u5e45 \u8fd13\u5e74\u6da8\u8dcc\u5e45\r\n0 1998-01-01 98.60 NaN ... NaN NaN NaN\r\n1 1998-02-01 98.99 0.395538 ... NaN NaN NaN\r\n2 1998-03-01 99.05 0.060612 ... NaN NaN NaN\r\n3 1998-04-01 100.81 1.776880 ... NaN NaN NaN\r\n4 1998-05-01 101.68 0.863010 ... NaN NaN NaN\r\n.. ... ... ... ... ... ... ...\r\n280 2022-03-01 96.66 -0.278552 ... -4.618117 -1.598290 -4.306504\r\n281 2022-04-01 95.89 -0.796607 ... -5.349916 -3.023867 -5.190825\r\n282 2022-05-01 95.60 -0.302430 ... -5.533597 -3.774534 -5.402731\r\n283 2022-06-01 95.40 -0.209205 ... -5.619311 -4.456685 -5.628648\r\n284 2022-07-01 95.26 -0.146751 ... -5.683168 -4.825657 -5.757816\r\n```\r\n\r\n#### \u5916\u6c47\u548c\u9ec4\u91d1\u50a8\u5907\r\n\r\n\u63a5\u53e3: China_fx_gold\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u5916\u6c47\u548c\u9ec4\u91d1\u50a8\u5907, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ----------------- | ------- | ---------------- |\r\n| \u6708\u4efd | object | \u5e74\u5ea6\u548c\u6708\u4efd |\r\n| \u9ec4\u91d1\u50a8\u5907-\u6570\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4e07\u76ce\u53f8 |\r\n| \u9ec4\u91d1\u50a8\u5907-\u540c\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4e07\u76ce\u53f8 |\r\n| \u9ec4\u91d1\u50a8\u5907-\u73af\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4e07\u76ce\u53f8 |\r\n| \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u6570\u503c | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u540c\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n| \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u73af\u6bd4 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u7f8e\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_fx_gold_df = tp.China_fx_gold()\r\nprint(China_fx_gold_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u9ec4\u91d1\u50a8\u5907-\u6570\u503c \u9ec4\u91d1\u50a8\u5907-\u540c\u6bd4 \u9ec4\u91d1\u50a8\u5907-\u73af\u6bd4 \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u6570\u503c \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u540c\u6bd4 \u56fd\u5bb6\u5916\u6c47\u50a8\u5907-\u73af\u6bd4\r\n0 2008\u5e7401\u6708\u4efd NaN NaN NaN 15898.1040 43.914387 4.028224\r\n1 2008\u5e7402\u6708\u4efd NaN NaN NaN 16471.3371 42.316677 3.605670\r\n2 2008\u5e7403\u6708\u4efd NaN NaN NaN 16821.7700 39.944557 2.127532\r\n3 2008\u5e7404\u6708\u4efd NaN NaN NaN 17566.5514 40.919594 4.427485\r\n4 2008\u5e7405\u6708\u4efd NaN NaN NaN 17969.6074 39.011455 2.294451\r\n.. ... ... ... ... ... ... ...\r\n170 2022\u5e7403\u6708\u4efd 1216.63 14.849008 1.690906 31879.9400 0.566714 -0.803808\r\n171 2022\u5e7404\u6708\u4efd 1197.31 8.126829 -1.587993 31197.2000 -2.453270 -2.141598\r\n172 2022\u5e7405\u6708\u4efd 1151.83 -3.223828 -3.798515 31277.8000 -2.918335 0.258357\r\n173 2022\u5e7406\u6708\u4efd 1138.23 3.053871 -1.180730 30712.7200 -4.441119 -1.806649\r\n174 2022\u5e7407\u6708\u4efd 1098.39 -3.963383 -3.500171 31040.7100 -4.073655 1.067929\r\n```\r\n\r\n#### \u4e2d\u56fd\u8d27\u5e01\u4f9b\u5e94\u91cf\r\n\r\n\u63a5\u53e3: China_money_supply\r\n\r\n\u63cf\u8ff0: \u4e1c\u65b9\u8d22\u5bcc-\u7ecf\u6d4e\u6570\u636e-\u4e2d\u56fd\u5b8f\u89c2-\u4e2d\u56fd\u8d27\u5e01\u4f9b\u5e94\u91cf; \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------------------------- | ------- | ---------- |\r\n| \u6708\u4efd | object | \u5e74\u5ea6\u548c\u6708\u4efd |\r\n| \u8d27\u5e01\u548c\u51c6\u8d27\u5e01(M2)-\u6570\u91cf(\u4ebf\u5143) | float64 | - |\r\n| \u8d27\u5e01\u548c\u51c6\u8d27\u5e01(M2)-\u540c\u6bd4\u589e\u957f | float64 | - |\r\n| \u8d27\u5e01\u548c\u51c6\u8d27\u5e01(M2)-\u73af\u6bd4\u589e\u957f | float64 | - |\r\n| \u8d27\u5e01(M1)-\u6570\u91cf(\u4ebf\u5143) | float64 | - |\r\n| \u8d27\u5e01(M1)-\u540c\u6bd4\u589e\u957f | float64 | - |\r\n| \u8d27\u5e01(M1)-\u73af\u6bd4\u589e\u957f | float64 | - |\r\n| \u6d41\u901a\u4e2d\u7684\u73b0\u91d1(M0)-\u6570\u91cf(\u4ebf\u5143) | float64 | - |\r\n| \u6d41\u901a\u4e2d\u7684\u73b0\u91d1(M0)-\u540c\u6bd4\u589e\u957f | float64 | - |\r\n| \u6d41\u901a\u4e2d\u7684\u73b0\u91d1(M0)-\u73af\u6bd4\u589e\u957f | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_money_supply_df = tp.China_money_supply()\r\nprint(China_money_supply_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6708\u4efd \u8d27\u5e01\u548c\u51c6\u8d27\u5e01(M2)-\u6570\u91cf(\u4ebf\u5143) ... \u6d41\u901a\u4e2d\u7684\u73b0\u91d1(M0)-\u540c\u6bd4\u589e\u957f \u6d41\u901a\u4e2d\u7684\u73b0\u91d1(M0)-\u73af\u6bd4\u589e\u957f\r\n0 2022\u5e7410\u6708\u4efd 2612914.57 ... 14.30 -0.258787\r\n1 2022\u5e7409\u6708\u4efd 2626600.92 ... 13.60 1.482068\r\n2 2022\u5e7408\u6708\u4efd 2595068.27 ... 14.30 0.747950\r\n3 2022\u5e7407\u6708\u4efd 2578078.57 ... 13.90 0.518710\r\n4 2022\u5e7406\u6708\u4efd 2581451.20 ... 13.80 0.485950\r\n.. ... ... ... ... ...\r\n173 2008\u5e7405\u6708\u4efd 436221.60 ... 12.88 -2.014673\r\n174 2008\u5e7404\u6708\u4efd 429313.72 ... 10.70 1.171555\r\n175 2008\u5e7403\u6708\u4efd 423054.53 ... 11.12 -6.228418\r\n176 2008\u5e7402\u6708\u4efd 421037.84 ... 5.96 -11.503457\r\n177 2008\u5e7401\u6708\u4efd 417846.17 ... 31.21 20.896562\r\n```\r\n\r\n#### \u5168\u56fd\u80a1\u7968\u4ea4\u6613\u7edf\u8ba1\u8868\r\n\r\n\u63a5\u53e3: China_stock_market_cap\r\n\r\n\u63cf\u8ff0: \u5168\u56fd\u80a1\u7968\u4ea4\u6613\u7edf\u8ba1\u8868, \u6570\u636e\u533a\u95f4\u4ece 200801 \u81f3\u4eca, \u6708\u5ea6\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------------------------ | ------- | -------------- |\r\n| \u6570\u636e\u65e5\u671f | object | \u5e74\u5ea6\u548c\u6708\u4efd |\r\n| \u53d1\u884c\u603b\u80a1\u672c-\u4e0a\u6d77 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u53d1\u884c\u603b\u80a1\u672c-\u6df1\u5733 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5e02\u4ef7\u603b\u503c-\u4e0a\u6d77 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u5e02\u4ef7\u603b\u503c-\u6df1\u5733 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6210\u4ea4\u91d1\u989d-\u4e0a\u6d77 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6210\u4ea4\u91d1\u989d-\u6df1\u5733 | float64 | \u6ce8\u610f\u5355\u4f4d: \u4ebf\u5143 |\r\n| \u6210\u4ea4\u91cf-\u4e0a\u6d77 | float64 | - |\r\n| \u6210\u4ea4\u91cf-\u6df1\u5733 | float64 | - |\r\n| A\u80a1\u6700\u9ad8\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u4e0a\u6d77 | float64 | - |\r\n| A\u80a1\u6700\u9ad8\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u6df1\u5733 | float64 | - |\r\n| A\u80a1\u6700\u4f4e\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u4e0a\u6d77 | float64 | - |\r\n| A\u80a1\u6700\u4f4e\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u6df1\u5733 | float64 | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_stock_market_cap_df = tp.China_stock_market_cap()\r\nprint(China_stock_market_cap_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u6570\u636e\u65e5\u671f \u53d1\u884c\u603b\u80a1\u672c-\u4e0a\u6d77 ... A\u80a1\u6700\u4f4e\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u4e0a\u6d77 A\u80a1\u6700\u4f4e\u7efc\u5408\u80a1\u4ef7\u6307\u6570-\u6df1\u5733\r\n0 2022\u5e7411\u6708\u4efd NaN ... 2896.7572 2032.0920\r\n1 2022\u5e7410\u6708\u4efd 47240.00 ... 2885.0894 1974.9663\r\n2 2022\u5e7409\u6708\u4efd 47205.00 ... 3021.9309 2032.3677\r\n3 2022\u5e7408\u6708\u4efd 47038.00 ... 3155.1866 2231.3209\r\n4 2022\u5e7407\u6708\u4efd 46908.00 ... 3226.2315 2284.0597\r\n.. ... ... ... ... ...\r\n174 2008\u5e7405\u6708\u4efd 14980.19 ... 3333.9510 1086.0100\r\n175 2008\u5e7404\u6708\u4efd 14785.95 ... 2990.7880 963.8400\r\n176 2008\u5e7403\u6708\u4efd 14476.47 ... 3357.2290 1186.6000\r\n177 2008\u5e7402\u6708\u4efd 14300.84 ... 4123.3050 1385.0400\r\n178 2008\u5e7401\u6708\u4efd 14198.16 ... 4330.6970 1424.3500\r\n```\r\n\r\n#### \u4e0a\u6d77\u94f6\u884c\u4e1a\u540c\u4e1a\u62c6\u501f\u62a5\u544a\r\n\r\n\u63a5\u53e3: shibor\r\n\r\n\u63cf\u8ff0: \u4e0a\u6d77\u94f6\u884c\u4e1a\u540c\u4e1a\u62c6\u501f\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece2006.0108-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u4e00\u5e74\uff08364\u5929\uff09\u7684\u6570\u636e\uff0c\u8d85\u8fc7\u5219\u4f1a\u8fd4\u56de\u7a7a\u8868\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ------------------- | ------------------------------------------------------------ |\r\n| mode | str | \u9009\u62e9\u6a21\u5f0f\uff0c\u9ed8\u8ba4\u4e3a\u2018data\u2019\u3002\u53ef\u9009\u6a21\u5f0f\u6709\uff1a<br>data\uff1aShibor\u6570\u636e<br>queto:Shibor\u62a5\u4ef7\u6570\u636e<br>avg\uff1aShibor\u5747\u503c\u6570\u636e |\r\n| start_date | str / datetime.date | \u8d77\u59cb\u65f6\u95f4\uff0c\u9ed8\u8ba4\u4e3a\u7ec8\u6b62\u65f6\u95f4\u7684\u4e00\u5e74\u524d\uff08364\u5929\uff09 |\r\n| end_date | str / datetime.date | \u7ec8\u6b62\u65f6\u95f4\uff0c\u9ed8\u8ba4\u4e3a\u4eca\u5929 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ----- | --------- |\r\n| \u65e5\u671f | str | \u65e5\u671f-\u7d22\u5f15 |\r\n| O/N | float | - |\r\n| 1W | float | 1\u5468 |\r\n| 2W | float | 2\u5468 |\r\n| 1M | float | 1\u6708 |\r\n| 3M | float | 3\u6708 |\r\n| 6M | float | 6\u6708 |\r\n| 9M | float | 9\u6708 |\r\n| 1Y | float | 1\u5e74 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_shibor_df = tp.shibor(mode='data',end_date='2007-01-01')\r\nprint(China_shibor_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f O/N 1W 2W 1M 3M 6M 9M 1Y\r\n0 2006-12-31 1.5675 1.6321 1.9753 2.5833 2.8082 2.8685 2.9301 3.0021\r\n1 2006-12-30 1.5651 1.9182 2.0744 2.5848 2.8081 2.8683 2.9301 3.0021\r\n2 2006-12-29 1.7203 1.9641 2.2236 2.5852 2.8080 2.8682 2.9301 3.0020\r\n3 2006-12-28 1.7107 2.0753 2.3773 2.5832 2.8079 2.8681 2.9301 3.0020\r\n4 2006-12-27 1.7185 2.2785 2.4817 2.5802 2.8076 2.8680 2.9300 3.0020\r\n.. ... ... ... ... ... ... ... ... ...\r\n58 2006-10-12 2.0943 2.2904 2.5240 2.5900 2.6380 2.7470 2.8570 2.9550\r\n59 2006-10-11 2.0955 2.2932 2.4930 2.5864 2.6338 2.7475 2.8547 2.9559\r\n60 2006-10-10 2.0922 2.2971 2.4236 2.5739 2.6325 2.7454 2.8544 2.9531\r\n61 2006-10-09 2.0990 2.2960 2.3972 2.5522 2.6248 2.7431 2.8514 2.9549\r\n62 2006-10-08 2.1184 2.2930 2.3848 2.5319 2.6110 2.7404 2.8521 2.9543\r\n```\r\n\r\n#### \u4eba\u6c11\u5e01\u9999\u6e2f\u94f6\u884c\u540c\u4e1a\u62c6\u606f\r\n\r\n\u63a5\u53e3: China_hk_market_info\r\n\r\n\u63cf\u8ff0: \u9999\u6e2f\u540c\u4e1a\u62c6\u501f\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 20170320-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ------- | -------- |\r\n| \u65e5\u671f | object | \u65e5\u671f |\r\n| O/N_\u5b9a\u4ef7 | float64 | - |\r\n| O/N_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 1W_\u5b9a\u4ef7 | float64 | - |\r\n| 1W_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 2W_\u5b9a\u4ef7 | float64 | - |\r\n| 2W_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 1M_\u5b9a\u4ef7 | float64 | - |\r\n| 1M_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 3M_\u5b9a\u4ef7 | float64 | - |\r\n| 3M_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 6M_\u5b9a\u4ef7 | float64 | - |\r\n| 6M_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 9M_\u5b9a\u4ef7 | float64 | - |\r\n| 9M_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 1Y_\u5b9a\u4ef7 | float64 | - |\r\n| 1Y_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| ON_\u5b9a\u4ef7 | float64 | - |\r\n| ON_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 2M_\u5b9a\u4ef7 | float64 | - |\r\n| 2M_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_hk_market_info_df = tp.China_hk_market_info()\r\nprint(China_hk_market_info_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f 1W_\u5b9a\u4ef7 1W_\u6da8\u8dcc\u5e45 2W_\u5b9a\u4ef7 ... ON_\u5b9a\u4ef7 ON_\u6da8\u8dcc\u5e45 2M_\u5b9a\u4ef7 2M_\u6da8\u8dcc\u5e45\r\n0 2017-03-20 3.9428 NaN 4.2417 ... 2.0283 NaN 4.5915 NaN\r\n1 2017-03-21 3.9094 -3.34 4.1647 ... 2.3883 36.00 4.6113 1.98\r\n2 2017-03-22 4.3795 47.01 4.5853 ... 2.3100 -7.83 4.8365 22.52\r\n3 2017-03-23 4.3538 -2.57 4.3930 ... 2.2263 -8.37 4.5410 -29.55\r\n4 2017-03-24 4.3542 0.03 4.4410 ... 2.2438 1.75 4.6405 9.95\r\n ... ... ... ... ... ... ... ... ...\r\n1327 2022-08-09 1.3648 -5.27 1.4678 ... 1.1943 -3.39 2.0330 -0.90\r\n1328 2022-08-10 1.5283 16.35 1.6553 ... 1.3379 14.37 2.0668 3.38\r\n1329 2022-08-11 1.6290 10.07 1.6748 ... 1.3677 2.97 2.0758 0.90\r\n1330 2022-08-12 1.6195 -0.95 1.6733 ... 1.5007 13.30 2.0658 -1.00\r\n1331 2022-08-15 1.5908 -2.87 1.6330 ... 1.3665 -13.42 2.0623 -0.35\r\n```\r\n\r\n### \u5176\u4ed6\u6307\u6807\r\n\r\n#### \u4e2d\u56fd\u65e5\u5ea6\u6cbf\u6d77\u516d\u5927\u7535\u5e93\u5b58\r\n\r\n\u63a5\u53e3: China_daily_energy\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u65e5\u5ea6\u6cbf\u6d77\u516d\u5927\u7535\u5e93\u5b58\u6570\u636e, \u6570\u636e\u533a\u95f4\u4ece20160101-\u81f3\u4eca, \u4e0d\u518d\u66f4\u65b0, \u53ea\u80fd\u83b7\u5f97\u5386\u53f2\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---- | ----- | -------- | --------- |\r\n| \u65e5\u671f | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| \u6570\u503c | float | Y | energy |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_daily_energy_df = tp.China_daily_energy()\r\nprint(China_daily_energy_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\nChina_daily_energy_df:\r\n\r\n```\r\n \u6cbf\u6d77\u516d\u5927\u7535\u5e93\u5b58 \u65e5\u8017 \u5b58\u7164\u53ef\u7528\u5929\u6570\r\n2016-01-01 1167.60 64.20 18.19\r\n2016-01-02 1162.90 63.40 18.34\r\n2016-01-03 1160.80 62.60 18.54\r\n2016-01-04 1185.30 57.60 20.58\r\n2016-01-05 1150.20 57.20 20.11\r\n ... ... ...\r\n2019-05-17 1639.47 61.71 26.56\r\n2019-05-21 1591.92 62.67 25.40\r\n2019-05-22 1578.63 59.54 26.51\r\n2019-05-24 1671.83 60.65 27.56\r\n2019-06-21 1786.64 66.57 26.84\r\n```\r\n\r\n#### \u4eba\u6c11\u5e01\u6c47\u7387\u4e2d\u95f4\u4ef7\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_rmb\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u4eba\u6c11\u5e01\u6c47\u7387\u4e2d\u95f4\u4ef7\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 20170103-20210513\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- |\r\n| - | - | - |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------------------------- | ------- | ---------- |\r\n| \u65e5\u671f | object | \u65e5\u671f |\r\n| \u7f8e\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u7f8e\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u6b27\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u6b27\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| 100\u65e5\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| 100\u65e5\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9\u5bf9 |\r\n| \u6e2f\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u6e2f\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u82f1\u9551/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u82f1\u9551/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u6fb3\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u6fb3\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u65b0\u897f\u5170\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u65b0\u897f\u5170\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u65b0\u52a0\u5761\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u65b0\u52a0\u5761\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u745e\u90ce/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u745e\u90ce/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u52a0\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u52a0\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u9a6c\u6765\u897f\u4e9a\u6797\u5409\u7279_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u9a6c\u6765\u897f\u4e9a\u6797\u5409\u7279_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u4fc4\u7f57\u65af\u5362\u5e03_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u4fc4\u7f57\u65af\u5362\u5e03_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u5357\u975e\u5170\u7279_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u5357\u975e\u5170\u7279_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u97e9\u5143_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u97e9\u5143_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u963f\u8054\u914b\u8fea\u62c9\u59c6_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u963f\u8054\u914b\u8fea\u62c9\u59c6_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u6c99\u7279\u91cc\u4e9a\u5c14_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u6c99\u7279\u91cc\u4e9a\u5c14_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u5308\u7259\u5229\u798f\u6797_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u5308\u7259\u5229\u798f\u6797_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u6ce2\u5170\u5179\u7f57\u63d0_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u6ce2\u5170\u5179\u7f57\u63d0_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u4e39\u9ea6\u514b\u6717_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u4e39\u9ea6\u514b\u6717_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u745e\u5178\u514b\u6717_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u745e\u5178\u514b\u6717_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u4e39\u9ea6\u514b\u6717_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u4e39\u9ea6\u514b\u6717_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u632a\u5a01\u514b\u6717_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u632a\u5a01\u514b\u6717_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u571f\u8033\u5176\u91cc\u62c9_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u571f\u8033\u5176\u91cc\u62c9_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u58a8\u897f\u54e5\u6bd4\u7d22_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u58a8\u897f\u54e5\u6bd4\u7d22_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n| \u4eba\u6c11\u5e01/\u6cf0\u94e2_\u4e2d\u95f4\u4ef7 | float64 | - |\r\n| \u4eba\u6c11\u5e01/\u6cf0\u94e2_\u6da8\u8dcc\u5e45 | float64 | \u5355\u4f4d: \u70b9 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_rmb_df = tp.China_rmb()\r\nprint(China_rmb_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u7f8e\u5143/\u4eba\u6c11\u5e01_\u4e2d\u95f4\u4ef7 \u7f8e\u5143/\u4eba\u6c11\u5e01_\u6da8\u8dcc\u5e45 ... \u4eba\u6c11\u5e01/\u58a8\u897f\u54e5\u6bd4\u7d22_\u6da8\u8dcc\u5e45 \u4eba\u6c11\u5e01/\u6cf0\u94e2_\u5b9a\u4ef7 \u4eba\u6c11\u5e01/\u6cf0\u94e2_\u6da8\u8dcc\u5e45\r\n0 2018-02-06 6.3072 0.0 ... 0.0 5.0191 0.0\r\n1 2018-02-07 6.2882 -190.0 ... -184.0 5.0178 -13.0\r\n2 2018-02-08 6.2822 -60.0 ... 286.0 5.0429 251.0\r\n3 2018-02-09 6.3194 372.0 ... -64.0 5.0406 -23.0\r\n4 2018-02-12 6.3001 -193.0 ... -146.0 5.0310 -96.0\r\n.. ... ... ... ... ... ... ...\r\n786 2021-05-07 6.4678 -217.0 ... -118.0 4.8283 310.0\r\n787 2021-05-10 6.4425 -253.0 ... -171.0 4.8333 50.0\r\n788 2021-05-11 6.4254 -171.0 ... 85.0 4.8434 101.0\r\n789 2021-05-12 6.4258 4.0 ... 65.0 4.8503 69.0\r\n790 2021-05-13 6.4612 354.0 ... 107.0 4.8427 -76.0\r\n```\r\n\r\n#### \u6df1\u5733\u878d\u8d44\u878d\u5238\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_market_margin_sz\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u6df1\u5733\u878d\u8d44\u878d\u5238\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece20100331-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---------------- | ----- | -------- | --------- |\r\n| \u65e5\u671f | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| \u878d\u8d44\u4e70\u5165\u989d(\u5143) | float | Y | - |\r\n| \u878d\u8d44\u4f59\u989d(\u5143) | float | Y | - |\r\n| \u878d\u5238\u5356\u51fa\u91cf(\u80a1) | float | Y | - |\r\n| \u878d\u5238\u4f59\u91cf(\u80a1) | float | Y | - |\r\n| \u878d\u5238\u4f59\u989d(\u5143) | float | Y | - |\r\n| \u878d\u8d44\u878d\u5238\u4f59\u989d(\u5143) | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_market_margin_sz_df = tp.China_market_margin_sz()\r\nprint(China_market_margin_sz_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u878d\u8d44\u4e70\u5165\u989d(\u5143) \u878d\u8d44\u4f59\u989d(\u5143) \u878d\u5238\u5356\u51fa\u91cf(\u80a1) \u878d\u5238\u4f59\u91cf(\u80a1) \u878d\u5238\u4f59\u989d(\u5143) \\\r\n2010-03-31 684569 670796 4000 3900 70895\r\n2010-04-08 6713260 14467758 2100 3100 56023\r\n2010-04-09 9357095 19732998 6700 5400 108362\r\n2010-04-12 10406563 24813027 2200 1000 8100\r\n2010-04-15 16607172 47980287 4200 5200 97676\r\n ... ... ... ... ...\r\n2019-12-12 25190412075 423457288662 29769255 209557883 2504593151\r\n2019-12-13 29636811209 423422868505 32820867 206092170 2509424768\r\n2019-12-16 39166060634 428851154451 44000215 217123568 2647520178\r\n2019-12-17 46930557203 433966722200 40492711 220945538 2750371397\r\n2019-12-18 41043515833 438511398249 39150376 224554586 2761303194\r\n \u878d\u8d44\u878d\u5238\u4f59\u989d(\u5143)\r\n2010-03-31 741691\r\n2010-04-08 14523781\r\n2010-04-09 19841360\r\n2010-04-12 24821127\r\n2010-04-15 48077963\r\n ...\r\n2019-12-12 425961881813\r\n2019-12-13 425932293273\r\n2019-12-16 431498674629\r\n2019-12-17 436717093597\r\n2019-12-18 441272701443\r\n```\r\n\r\n#### \u4e0a\u6d77\u878d\u8d44\u878d\u5238\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_market_margin_sh\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e0a\u6d77\u878d\u8d44\u878d\u5238\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece20100331-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ------------ | ----- | -------- | ------------ |\r\n| \u65e5\u671f | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| \u878d\u8d44\u4f59\u989d | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u5143 |\r\n| \u878d\u8d44\u4e70\u5165\u989d | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u5143 |\r\n| \u878d\u5238\u4f59\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u80a1 |\r\n| \u878d\u5238\u4f59\u989d | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u5143 |\r\n| \u878d\u5238\u5356\u51fa\u91cf | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u80a1 |\r\n| \u878d\u8d44\u878d\u5238\u4f59\u989d | float | Y | \u6ce8\u610f\u5355\u4f4d\uff1a\u5143 |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_market_margin_sh_df = tp.China_market_margin_sh()\r\nprint(China_market_margin_sh_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u878d\u8d44\u4f59\u989d \u878d\u8d44\u4e70\u5165\u989d ... \u878d\u5238\u5356\u51fa\u91cf \u878d\u8d44\u878d\u5238\u4f59\u989d\r\n2010-03-31 5.824813e+06 5.866316e+06 ... 3100.0 5.848955e+06\r\n2010-04-01 6.842114e+06 1.054024e+06 ... 0.0 6.859439e+06\r\n2010-04-02 6.762781e+06 2.075160e+05 ... 0.0 6.774710e+06\r\n2010-04-06 1.009124e+07 3.329461e+06 ... 0.0 1.010151e+07\r\n2010-04-07 2.508683e+07 1.514140e+07 ... 1400.0 2.512524e+07\r\n ... ... ... ... ...\r\n2020-08-17 7.320815e+11 6.532228e+10 ... 311910304.0 7.735001e+11\r\n2020-08-18 7.371393e+11 5.588143e+10 ... 236068903.0 7.784736e+11\r\n2020-08-19 7.381023e+11 5.470145e+10 ... 302792889.0 7.794299e+11\r\n2020-08-20 7.368085e+11 3.763784e+10 ... 203660295.0 7.778967e+11\r\n2020-08-21 7.352210e+11 3.599241e+10 ... 196118235.0 7.765762e+11\r\n```\r\n\r\n#### \u4e0a\u6d77\u9ec4\u91d1\u4ea4\u6613\u6240\u62a5\u544a\r\n\r\n\u63a5\u53e3: China_au_report\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e0a\u6d77\u9ec4\u91d1\u4ea4\u6613\u6240\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece20140905-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---------- | ----- | -------- | --------- |\r\n| \u65e5\u671f | str | Y | \u65e5\u671f-\u7d22\u5f15 |\r\n| \u5546\u54c1 | float | Y | - |\r\n| \u5f00\u76d8\u4ef7 | float | Y | - |\r\n| \u6700\u9ad8\u4ef7 | float | Y | - |\r\n| \u6700\u4f4e\u4ef7 | float | Y | - |\r\n| \u6536\u76d8\u4ef7 | float | Y | - |\r\n| \u6da8\u8dcc | float | Y | - |\r\n| \u6da8\u8dcc\u5e45 | float | Y | - |\r\n| \u52a0\u6743\u5e73\u5747\u4ef7 | float | Y | - |\r\n| \u6210\u4ea4\u91cf | float | Y | - |\r\n| \u6210\u4ea4\u91d1\u989d | float | Y | - |\r\n| \u6301\u4ed3\u91cf | float | Y | - |\r\n| \u4ea4\u6536\u65b9\u5411 | float | Y | - |\r\n| \u4ea4\u6536\u91cf | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_au_report_df = tp.China_au_report()\r\nprint(China_au_report_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5546\u54c1 \u5f00\u76d8\u4ef7 \u6700\u9ad8\u4ef7 ... \u6301\u4ed3\u91cf \u4ea4\u6536\u65b9\u5411 \u4ea4\u6536\u91cf\r\n\u65e5\u671f ...\r\n2014-09-05 Pt9995 293.50 293.50 ... NaN NaN\r\n2014-09-05 Ag(T+D) 4159.00 4197.00 ... 5.25224e+06 \u7a7a\u652f\u4ed8\u591a NaN\r\n2014-09-05 Ag99.99 4218.00 4218.00 ... 322 NaN\r\n2014-09-05 Au(T+D) 250.52 252.48 ... 144574 \u591a\u652f\u4ed8\u7a7a 11848\r\n2014-09-05 mAu(T+D) 250.87 252.50 ... 130808 \u591a\u652f\u4ed8\u7a7a 23644\r\n ... ... ... ... ... ... ...\r\n2020-04-22 NYAuTN12 379.80 385.00 ... 63446 NaN\r\n2020-04-22 PGC30g 375.83 379.50 ... NaN NaN\r\n2020-04-22 Pt99.95 173.30 181.96 ... NaN NaN\r\n2020-04-22 Au99.99 372.00 374.45 ... NaN NaN\r\n2020-04-22 Ag(T+D) 3554.00 3620.00 ... 1.06485e+07 \u591a\u652f\u4ed8\u7ed9\u7a7a 67050\r\n```\r\n\r\n### \u4e2d\u56fd\u7535\u7164\u4ef7\u683c\u6307\u6570\r\n\r\n#### \u5168\u56fd\u7efc\u5408\u7535\u7164\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_ctci\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u7535\u7164\u4ef7\u683c\u6307\u6570-\u5168\u56fd\u7efc\u5408\u7535\u7164\u4ef7\u683c\u6307\u6570\u56fe, 20140101-\u81f3\u4eca\u7684\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ----- | ----- | -------- | ---- |\r\n| date | str | Y | \u65e5\u671f |\r\n| value | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_ctci_df = tp.China_ctci()\r\nprint(China_ctci_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n date value\r\n0 20140201 495.79\r\n1 20140301 484.88\r\n2 20140401 470.61\r\n3 20140501 461.02\r\n4 20140601 454.23\r\n5 20140701 443.48\r\n6 20140801 430.77\r\n7 20140901 417.76\r\n8 20141001 412.30\r\n9 20141101 415.58\r\n67 20190901 486.79\r\n68 20191001 489.88\r\n69 20191101 492.01\r\n70 20191201 483.09\r\n```\r\n\r\n#### \u5404\u4ef7\u533a\u7535\u7164\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_ctci_detail\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u7535\u7164\u4ef7\u683c\u6307\u6570-\u5404\u4ef7\u533a\u7535\u7164\u4ef7\u683c\u6307\u6570, \u5177\u4f53\u5e74\u5177\u4f53\u6708\u7684\u5386\u53f2\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---- |\r\n| \u65e0 | \u65e0 | \u65e0 | \u65e0 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---- | ----- | -------- | ---- |\r\n| \u73af\u6bd4 | str | Y | \u65e5\u671f |\r\n| \u4e0a\u671f | float | Y | - |\r\n| \u540c\u6bd4 | float | Y | - |\r\n| \u672c\u671f | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_ctci_detail_df = tp.China_ctci_detail()\r\nprint(China_ctci_detail_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u73af\u6bd4 \u4e0a\u671f \u540c\u6bd4 \u672c\u671f\r\n\u5168\u56fd -1.81 492.01 -7.11 483.09\r\n\u5929\u6d25\u5e02 -1.72 482.96 -12.83 474.65\r\n\u5180\u5317 0.56 453.80 -6.82 456.32\r\n\u5180\u5357 -0.89 471.71 -8.22 467.51\r\n\u5c71\u897f\u7701 -2.43 344.46 -11.06 336.08\r\n\u8499\u897f 0.51 292.07 4.31 293.56\r\n\u8499\u4e1c -0.04 274.00 11.53 273.90\r\n\u8fbd\u5b81\u7701 -1.25 545.90 -6.91 539.09\r\n\u5409\u6797\u7701 -0.97 556.83 -5.14 551.43\r\n\u9ed1\u9f99\u6c5f\u7701 -0.27 540.51 -0.84 539.07\r\n\u4e0a\u6d77\u5e02 -1.43 519.98 -10.75 512.55\r\n\u6c5f\u82cf\u7701 -0.85 535.04 -9.17 530.51\r\n\u6d59\u6c5f\u7701 -0.29 571.41 -2.57 569.78\r\n\u5b89\u5fbd\u7701 -1.12 574.23 -8.08 567.78\r\n\u798f\u5efa\u7701 -1.01 532.02 -13.31 526.62\r\n\u6c5f\u897f\u7701 0.41 649.13 -5.46 651.79\r\n\u5c71\u4e1c\u7701 -1.62 547.18 -12.24 538.33\r\n\u6cb3\u5357\u7701 -2.10 499.34 -18.86 488.87\r\n\u6e56\u5317\u7701 -0.75 583.65 -10.48 579.30\r\n\u6e56\u5357\u7701 -0.55 616.56 -9.44 613.18\r\n\u5e7f\u4e1c\u7701 -1.38 562.91 -8.65 555.12\r\n\u5e7f\u897f\u81ea\u6cbb\u533a 0.48 682.33 -6.23 685.59\r\n\u6d77\u5357\u7701 3.02 505.27 -4.46 520.53\r\n\u91cd\u5e86\u5e02 -5.14 613.98 -4.42 582.43\r\n\u56db\u5ddd\u7701 -0.10 570.25 -8.56 569.70\r\n\u8d35\u5dde\u7701 0.85 488.61 -1.55 492.78\r\n\u4e91\u5357\u7701 -3.38 457.68 -19.56 442.19\r\n\u9655\u897f\u7701 -2.02 393.92 -10.11 385.95\r\n\u7518\u8083\u7701 0.30 463.03 -9.62 464.42\r\n\u9752\u6d77\u7701 2.49 529.57 2.57 542.76\r\n\u5b81\u590f\u81ea\u6cbb\u533a -2.46 362.00 -3.44 353.08\r\n\u65b0\u7586\u81ea\u6cbb\u533a -0.33 258.74 0.09 257.89\r\n```\r\n\r\n#### \u5386\u53f2\u7535\u7164\u4ef7\u683c\u6307\u6570\r\n\r\n\u63a5\u53e3: China_ctci_detail_hist\r\n\r\n\r\n\u63cf\u8ff0: \u83b7\u53d6\u4e2d\u56fd\u7535\u7164\u4ef7\u683c\u6307\u6570-\u5386\u53f2\u7535\u7164\u4ef7\u683c\u6307\u6570, \u5177\u4f53\u5e74\u7684\u5386\u53f2\u6570\u636e\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u5386\u53f2\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u5fc5\u9009 | \u63cf\u8ff0 |\r\n| ---- | ---- | ---- | ---------------------------- |\r\n| year | str | Y | year=\"2018\", \u4ece 2014-2019 \u5e74 |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u9ed8\u8ba4\u663e\u793a | \u63cf\u8ff0 |\r\n| ---- | ----- | -------- | ---- |\r\n| \u5730\u533a | str | Y | \u65e5\u671f |\r\n| \u6708\u4efd | float | Y | - |\r\n| --- | --- | --- | - |\r\n| \u6708\u4efd | float | Y | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_ctci_detail_hist_df = tp.China_ctci_detail_hist(year=\"2018\")\r\nprint(China_ctci_detail_hist_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u5730\u533a 2018\u5e7401\u6708 2018\u5e7402\u6708 2018\u5e7403\u6708 2018\u5e7404\u6708 2018\u5e7405\u6708 2018\u5e7406\u6708 2018\u5e7407\u6708 \\\r\n0 \u5168\u56fd 549.12 567.21 546.58 522.78 515.39 528.57 532.53\r\n1 \u5929\u6d25\u5e02 561.23 583.85 585.94 551.54 524.41 528.97 540.94\r\n2 \u5180\u5317 510.57 534.05 517.08 474.42 453.55 461.06 467.58\r\n3 \u5180\u5357 530.74 540.18 532.12 514.28 503.97 497.25 493.77\r\n4 \u5c71\u897f\u7701 393.98 408.07 396.38 370.90 364.30 374.28 376.38\r\n5 \u8499\u897f 301.63 301.46 292.33 276.21 275.37 286.48 281.19\r\n6 \u8499\u4e1c 230.38 227.76 242.35 246.00 248.76 250.37 242.71\r\n7 \u8fbd\u5b81\u7701 563.70 563.07 558.31 538.79 530.65 537.27 553.26\r\n8 \u5409\u6797\u7701 543.02 548.27 535.59 513.15 506.41 522.02 544.06\r\n9 \u9ed1\u9f99\u6c5f\u7701 519.31 522.83 495.48 477.43 470.00 472.85 483.66\r\n10 \u4e0a\u6d77\u5e02 645.34 643.98 647.36 600.11 578.45 584.03 602.29\r\n11 \u6c5f\u82cf\u7701 644.64 651.17 624.19 588.70 576.74 583.94 589.85\r\n12 \u6d59\u6c5f\u7701 636.39 637.83 625.57 592.52 609.26 618.92 586.79\r\n13 \u5b89\u5fbd\u7701 647.37 661.77 635.92 604.14 587.82 592.20 603.95\r\n14 \u798f\u5efa\u7701 656.82 650.69 649.71 613.20 573.53 600.93 618.63\r\n15 \u6c5f\u897f\u7701 751.64 765.61 739.68 691.16 662.62 677.83 690.77\r\n16 \u5c71\u4e1c\u7701 628.53 649.27 634.08 592.92 573.53 586.10 594.91\r\n17 \u6cb3\u5357\u7701 613.92 631.25 621.77 594.66 593.18 601.12 608.91\r\n18 \u6e56\u5317\u7701 677.92 703.40 686.57 632.80 610.36 621.44 642.14\r\n19 \u6e56\u5357\u7701 718.96 737.04 719.14 668.50 640.31 649.64 678.89\r\n20 \u5e7f\u4e1c\u7701 651.36 657.91 649.06 634.28 630.47 640.65 639.35\r\n21 \u5e7f\u897f\u81ea\u6cbb\u533a 756.91 754.45 757.12 745.06 716.98 721.96 705.18\r\n22 \u6d77\u5357\u7701 614.98 625.04 637.07 593.45 525.72 565.77 587.75\r\n23 \u91cd\u5e86\u5e02 619.37 629.52 620.51 598.80 571.14 570.81 611.41\r\n24 \u56db\u5ddd\u7701 648.10 654.02 651.93 619.14 601.58 605.26 612.76\r\n25 \u8d35\u5dde\u7701 518.60 505.77 500.04 497.16 493.63 486.77 489.90\r\n26 \u4e91\u5357\u7701 467.09 388.74 421.98 447.52 482.76 513.48 510.29\r\n27 \u9655\u897f\u7701 463.31 478.76 465.24 442.26 435.63 436.38 428.95\r\n28 \u7518\u8083\u7701 505.24 509.11 500.83 489.16 487.85 468.13 464.82\r\n29 \u9752\u6d77\u7701 544.92 549.28 548.58 536.46 524.28 510.17 516.74\r\n30 \u5b81\u590f\u81ea\u6cbb\u533a 400.22 398.22 391.12 370.74 370.42 382.99 378.98\r\n31 \u65b0\u7586\u81ea\u6cbb\u533a 254.34 269.80 250.79 235.72 238.54 245.57 234.11\r\n 2018\u5e7408\u6708 2018\u5e7409\u6708 2018\u5e7410\u6708 2018\u5e7411\u6708 2018\u5e7412\u6708\r\n0 522.40 522.16 523.47 520.09 522.20\r\n1 544.64 541.17 548.94 544.48 541.99\r\n2 466.16 471.52 485.16 489.72 490.16\r\n3 500.48 499.84 505.87 509.36 513.28\r\n4 371.11 371.23 378.49 377.88 375.88\r\n5 273.10 282.96 286.80 281.42 284.51\r\n6 228.15 242.71 251.47 245.58 250.44\r\n7 563.19 573.65 577.80 579.09 563.81\r\n8 573.05 588.78 592.40 581.29 568.79\r\n9 520.07 539.22 537.95 543.64 535.24\r\n10 607.19 585.45 574.96 574.26 555.67\r\n11 583.12 577.07 582.36 584.04 576.59\r\n12 575.81 583.42 587.16 584.79 587.46\r\n13 599.81 598.09 605.65 617.72 610.69\r\n14 609.29 604.87 601.59 607.44 608.93\r\n15 690.62 691.52 695.14 689.43 678.53\r\n16 590.17 588.25 596.28 613.43 616.25\r\n17 605.13 595.11 597.53 602.47 599.72\r\n18 638.43 625.53 629.82 647.10 653.36\r\n19 677.36 671.32 678.18 677.13 668.14\r\n20 629.72 626.41 616.66 607.70 612.66\r\n21 712.84 724.77 729.57 731.13 716.45\r\n22 587.61 590.36 558.11 544.82 534.33\r\n23 594.85 597.89 608.23 609.34 618.87\r\n24 622.66 608.49 601.19 623.04 642.92\r\n25 502.76 503.33 498.03 500.56 513.44\r\n26 530.24 540.00 541.58 549.68 569.41\r\n27 412.37 418.11 420.12 429.35 434.98\r\n28 454.77 482.04 502.39 513.85 501.55\r\n29 522.63 516.94 517.64 529.17 546.25\r\n30 374.67 376.04 372.16 365.67 368.41\r\n31 229.33 251.85 254.20 257.66 265.38\r\n```\r\n\r\n#### \u4e2d\u56fd\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\uff08chinbor\uff09\r\n\r\n\u63a5\u53e3: get_chinbor(period)\r\n\r\n\u63cf\u8ff0: \u4e2d\u56fd\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 2004.05.25-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------ | ---- | ------------------------------------------------------------ |\r\n| period | str | \u9009\u62e9\u65f6\u671f\uff0c\u53ef\u9009\u65f6\u671f<br>'ON':'\u9694\u591c'<br/>'1W':'1\u5468'<br/>'2W':'2\u5468'<br/>'3W':'3\u5468'<br/>'1M':'1\u6708'<br/>'2M':'2\u6708' <br/>'3M':'3\u6708'<br/>'4M':'4\u6708'<br/>'6M':'6\u6708'<br/>'9M':'9\u6708'<br/>'1Y':'1\u5e74', |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ----- | ---- |\r\n| \u65e5\u671f | str | - |\r\n| \u65f6\u671f | str | - |\r\n| \u5229\u7387\uff08%\uff09 | float | - |\r\n| \u6da8\u8dcc\uff08BP\uff09 | float | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\nChina_chibor_df = tp.get_chinbor(period='1M')\r\nprint(China_chibor_df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u65f6\u671f \u5229\u7387\uff08%\uff09 \u6da8\u8dcc\uff08BP\uff09\r\n0 2023-03-21 1\u6708(1M) 3.1716 -63.37\r\n0 2023-03-20 1\u6708(1M) 3.8053 68.53\r\n0 2023-03-17 1\u6708(1M) 3.1200 -6.82\r\n0 2023-03-16 1\u6708(1M) 3.1882 52.46\r\n0 2023-03-15 1\u6708(1M) 2.6636 16.37\r\n.. ... ... ... ...\r\n99 2004-05-31 1\u6708(1M) 2.7500 -55.00\r\n100 2004-05-28 1\u6708(1M) 3.3000 131.48\r\n101 2004-05-27 1\u6708(1M) 1.9852 -107.73\r\n102 2004-05-26 1\u6708(1M) 3.0625 31.98\r\n103 2004-05-25 1\u6708(1M) 2.7427 0.00\r\n```\r\n\r\n#### \u4f26\u6566\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\uff08Libor\uff09\r\n\r\n\u63a5\u53e3: get_libor(period)\r\n\r\n\u63cf\u8ff0: \u4f26\u6566\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 1986.01.02-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------- | ---- | ------------------------------------------------------------ |\r\n| curr_type | str | \u8d27\u5e01\u7c7b\u578b\uff0c\u53ef\u9009\u7c7b\u578b<br>'USD':'\u7f8e\u5143'<br/>'GBP':'\u82f1\u9551'<br/>'JPY':'\u65e5\u5143'<br/>'EUR':'\u6b27\u5143' |\r\n| period | str | \u9009\u62e9\u65f6\u671f\uff0c\u53ef\u9009\u65f6\u671f<br>'ON':'\u9694\u591c'<br/>'1W':'1\u5468'<br/>'1M':'1\u6708'<br/>'2M':'2\u6708' <br/>'3M':'3\u6708'<br/>8M':'8\u6708' |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ----- | ---- |\r\n| \u65e5\u671f | str | - |\r\n| \u65f6\u671f | str | - |\r\n| \u5229\u7387\uff08%\uff09 | float | - |\r\n| \u6da8\u8dcc\uff08BP\uff09 | float | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\ndf = tp.get_libor(curr_type='USD', period='1M')\r\nprint(df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u65f6\u671f \u5229\u7387\uff08%\uff09 \u6da8\u8dcc\uff08BP\uff09\r\n0 2023-03-20 1\u6708(1M) 4.75229 -2.542\r\n0 2023-03-17 1\u6708(1M) 4.77771 1.628\r\n0 2023-03-16 1\u6708(1M) 4.76143 5.286\r\n0 2023-03-15 1\u6708(1M) 4.70857 -1.914\r\n0 2023-03-14 1\u6708(1M) 4.72771 4.328\r\n.. ... ... ... ...\r\n448 1986-01-08 1\u6708(1M) 8.00000 -12.500\r\n449 1986-01-07 1\u6708(1M) 8.12500 -6.250\r\n450 1986-01-06 1\u6708(1M) 8.18750 6.250\r\n451 1986-01-03 1\u6708(1M) 8.12500 0.000\r\n452 1986-01-02 1\u6708(1M) 8.12500 0.000\r\n```\r\n\r\n\r\n\r\n#### \u83b7\u53d6\u6b27\u6d32\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\uff08eurinbor\uff09\r\n\r\n\u63a5\u53e3: get_euribor(period)\r\n\r\n\u63cf\u8ff0: \u6b27\u6d32\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece 1998.12.30-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u6240\u6709\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ------ | ---- | ------------------------------------------------------------ |\r\n| period | str | \u9009\u62e9\u65f6\u671f\uff0c\u53ef\u9009\u65f6\u671f<br/>'ON':'\u9694\u591c'<br/>'1W':'1\u5468'<br/>'2W':'2\u5468'<br/>'3W':'3\u5468'<br/>'1M':'1\u6708'<br/>'2M':'2\u6708' <br/>'3M':'3\u6708'<br/>'4M':'4\u6708'<br/>'5M':'5\u6708'<br/>'6M':'6\u6708'<br/>'7M':'7\u6708'<br/>'8M':'8\u6708'<br/>'9M':'9\u6708'<br/>'10M':'10\u6708'<br/>'11M':'11\u6708'<br/>'1Y':'1\u5e74', |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ----- | ---- |\r\n| \u65e5\u671f | str | - |\r\n| \u65f6\u671f | str | - |\r\n| \u5229\u7387\uff08%\uff09 | float | - |\r\n| \u6da8\u8dcc\uff08BP\uff09 | float | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\ndf = tp.get_euribor(period='1Y')\r\nprint(df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u65f6\u671f \u5229\u7387\uff08%\uff09 \u6da8\u8dcc\uff08BP\uff09\r\n0 2023-03-20 1\u6708(1M) 4.75229 -2.542\r\n0 2023-03-17 1\u6708(1M) 4.77771 1.628\r\n0 2023-03-16 1\u6708(1M) 4.76143 5.286\r\n0 2023-03-15 1\u6708(1M) 4.70857 -1.914\r\n0 2023-03-14 1\u6708(1M) 4.72771 4.328\r\n.. ... ... ... ...\r\n448 1986-01-08 1\u6708(1M) 8.00000 -12.500\r\n449 1986-01-07 1\u6708(1M) 8.12500 -6.250\r\n450 1986-01-06 1\u6708(1M) 8.18750 6.250\r\n451 1986-01-03 1\u6708(1M) 8.12500 0.000\r\n452 1986-01-02 1\u6708(1M) 8.12500 0.000\r\n```\r\n\r\n\r\n\r\n#### \u9999\u6e2f\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\uff08hibor\uff09\r\n\r\n\u63a5\u53e3: get_hibor(curr_type, period)\r\n\r\n\u63cf\u8ff0: \u9999\u6e2f\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece2013.03.22-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------- | ---- | ------------------------------------------------------------ |\r\n| curr_type | str | \u8d27\u5e01\u7c7b\u578b\uff0c\u53ef\u9009\u7c7b\u578b<br>'USD':'\u7f8e\u5143'<br/>'HKD':'\u6e2f\u5e01'<br/>'CNH':'\u4eba\u6c11\u5e01' |\r\n| period | str | \u9009\u62e9\u65f6\u671f\uff0c\u53ef\u9009\u65f6\u671f<br>'ON':'\u9694\u591c'<br/>'1W':'1\u5468'<br/>'2W':'2\u5468'<br/>'1M':'1\u6708'<br/>'2M':'2\u6708' <br/>'3M':'3\u6708'<br/>'4M':'4\u6708'<br/>'6M':'6\u6708'<br/>'9M':'9\u6708'<br/>'1Y:'1Y' |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ----- | ---- |\r\n| \u65e5\u671f | str | - |\r\n| \u65f6\u671f | str | - |\r\n| \u5229\u7387\uff08%\uff09 | float | - |\r\n| \u6da8\u8dcc\uff08BP\uff09 | float | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\ndf = tp.get_hibor(curr_type='CNH', period='6M')\r\nprint(df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u65f6\u671f \u5229\u7387\uff08%\uff09 \u6da8\u8dcc\uff08BP\uff09\r\n0 2023-03-22 6\u6708(6M) 2.97924 -1.394\r\n0 2023-03-21 6\u6708(6M) 2.99318 3.924\r\n0 2023-03-20 6\u6708(6M) 2.95394 0.773\r\n0 2023-03-17 6\u6708(6M) 2.94621 -0.046\r\n0 2023-03-16 6\u6708(6M) 2.94667 -0.454\r\n.. ... ... ... ...\r\n453 2013-03-28 6\u6708(6M) 2.73330 0.000\r\n454 2013-03-27 6\u6708(6M) 2.73330 -1.000\r\n455 2013-03-26 6\u6708(6M) 2.74330 1.000\r\n456 2013-03-25 6\u6708(6M) 2.73330 0.000\r\n457 2013-03-22 6\u6708(6M) 2.73330 0.000\r\n```\r\n\r\n#### \u65b0\u52a0\u5761\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\uff08sibor\uff09\r\n\r\n\u63a5\u53e3: get_hibor(curr_type, period)\r\n\r\n\u63cf\u8ff0: \u65b0\u52a0\u5761\u94f6\u884c\u540c\u4e1a\u95f4\u62c6\u501f\u5e02\u573a\u6570\u636e\u62a5\u544a, \u6570\u636e\u533a\u95f4\u4ece2007.01.05-\u81f3\u4eca\r\n\r\n\u9650\u91cf: \u5355\u6b21\u8fd4\u56de\u6240\u6709\u6570\u636e\r\n\r\n\u8f93\u5165\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| --------- | ---- | ------------------------------------------------------------ |\r\n| curr_type | str | \u8d27\u5e01\u7c7b\u578b\uff0c\u53ef\u9009\u7c7b\u578b<br>'USD':'\u7f8e\u5143'<br/>'SGD':'\u661f\u5143' |\r\n| period | str | \u9009\u62e9\u65f6\u671f\uff0c\u53ef\u9009\u65f6\u671f<br>'1M':'1\u6708'<br/>'2M':'2\u6708' <br/>'3M':'3\u6708'<br/>'6M':'6\u6708'<br/>'9M':'9\u6708'<br/>'1Y:'1Y' |\r\n\r\n\u8f93\u51fa\u53c2\u6570\r\n\r\n| \u540d\u79f0 | \u7c7b\u578b | \u63cf\u8ff0 |\r\n| ---------- | ----- | ---- |\r\n| \u65e5\u671f | str | - |\r\n| \u65f6\u671f | str | - |\r\n| \u5229\u7387\uff08%\uff09 | float | - |\r\n| \u6da8\u8dcc\uff08BP\uff09 | float | - |\r\n\r\n\u63a5\u53e3\u793a\u4f8b\r\n\r\n```python\r\nimport testforPPshare as tp\r\n\r\ndf = tp.get_sibor(curr_type='USD', period='2M')\r\nprint(df)\r\n```\r\n\r\n\u6570\u636e\u793a\u4f8b\r\n\r\n```\r\n \u65e5\u671f \u65f6\u671f \u5229\u7387\uff08%\uff09 \u6da8\u8dcc\uff08BP\uff09\r\n0 2015-09-29 2\u6708(2M) -0.75900 -0.200\r\n0 2015-08-17 2\u6708(2M) -0.75700 5.000\r\n0 2015-05-11 2\u6708(2M) -0.80700 -100.620\r\n0 2014-11-04 2\u6708(2M) 0.19920 0.645\r\n0 2014-07-14 2\u6708(2M) 0.19275 -0.460\r\n.. ... ... ... ...\r\n178 2007-01-11 2\u6708(2M) 5.34927 -0.073\r\n179 2007-01-10 2\u6708(2M) 5.35000 0.000\r\n180 2007-01-09 2\u6708(2M) 5.35000 0.000\r\n181 2007-01-08 2\u6708(2M) 5.35000 0.300\r\n182 2007-01-05 2\u6708(2M) 5.34700 0.000\r\n```\r\n\r\n",
"bugtrack_url": null,
"license": "MIT",
"summary": "PPtest is a utility for crawling historical and Real-time Quotes data of marco data",
"version": "0.2.5",
"split_keywords": [
"macro",
"webcrawler",
"data"
],
"urls": [
{
"comment_text": "",
"digests": {
"blake2b_256": "65a75ca463c402240b1c2da8e830bb78d7ece50da0da3ea56e9d0fa84a2f5e95",
"md5": "77c3845b1f39c13e5b7e16c971ca815b",
"sha256": "80c21e55a7f9086c03e71f89a754a645667890f461134178e6cc703ba7cce858"
},
"downloads": -1,
"filename": "testforPPshare-0.2.5-py3-none-any.whl",
"has_sig": false,
"md5_digest": "77c3845b1f39c13e5b7e16c971ca815b",
"packagetype": "bdist_wheel",
"python_version": "py3",
"requires_python": ">=3.7",
"size": 202763,
"upload_time": "2023-03-30T03:48:34",
"upload_time_iso_8601": "2023-03-30T03:48:34.839585Z",
"url": "https://files.pythonhosted.org/packages/65/a7/5ca463c402240b1c2da8e830bb78d7ece50da0da3ea56e9d0fa84a2f5e95/testforPPshare-0.2.5-py3-none-any.whl",
"yanked": false,
"yanked_reason": null
},
{
"comment_text": "",
"digests": {
"blake2b_256": "9ef4470aeda7c66ab66f4d83fe5826fd96a2d693cf709deff8691d6d0de40fb0",
"md5": "e67f36bff8f7cb313cb76e89d9558546",
"sha256": "87d9f7c27e88bd5379375bc51865b3e71eaf0201cc06da3f8b70f6eda5e8114b"
},
"downloads": -1,
"filename": "testforPPshare-0.2.5.tar.gz",
"has_sig": false,
"md5_digest": "e67f36bff8f7cb313cb76e89d9558546",
"packagetype": "sdist",
"python_version": "source",
"requires_python": ">=3.7",
"size": 263271,
"upload_time": "2023-03-30T03:48:38",
"upload_time_iso_8601": "2023-03-30T03:48:38.568427Z",
"url": "https://files.pythonhosted.org/packages/9e/f4/470aeda7c66ab66f4d83fe5826fd96a2d693cf709deff8691d6d0de40fb0/testforPPshare-0.2.5.tar.gz",
"yanked": false,
"yanked_reason": null
}
],
"upload_time": "2023-03-30 03:48:38",
"github": true,
"gitlab": false,
"bitbucket": false,
"github_user": "zemengchuan",
"github_project": "PPtest",
"travis_ci": false,
"coveralls": false,
"github_actions": false,
"lcname": "testforppshare"
}
JSON
