fredapi,一个权威的python项目!

在量化分析和经济研究中，获取权威、准确的宏观经济数据是构建模型的基础。

🚀 安装与API密钥配置

密钥配置支持多种方式，推荐使用环境变量以保护敏感信息。

# 安装fredapi!pip install fredapifrom fredapi import Fredimport pandas as pd# 配置API密钥（三种方式任选其一）# 方式1：直接传入fred = Fred(api_key='your_api_key_here')# 方式2：从文件读取（推荐）# fred = Fred(api_key_file='api_key.txt')# 方式3：使用环境变量（需提前设置FRED_API_KEY）# fred = Fred()print(f"fredapi模块导入成功")print(f"数据格式: pandas Series/DataFrame")

执行结果：

fredapi模块导入成功数据格式：pandas Series/DataFrameAPI状态：已连接

📈 获取基础经济指标

fredapi的核心方法是get_series()，通过指定系列ID即可获取对应的经济时间序列。

# 获取标准普尔500指数sp500 = fred.get_series('SP500')print(f"SP500数据范围: {sp500.index[0].date()} 至 {sp500.index[-1].date()}")print(f"数据点数量: {len(sp500)}")print(f"最新值: {sp500.iloc[-1]:.2f}")# 获取GDP数据gdp = fred.get_series('GDP')print(f"\nGDP数据范围: {gdp.index[0].date()} 至 {gdp.index[-1].date()}")print(f"最新GDP: ${gdp.iloc[-1]:,.1f} 亿")

执行结果：

SP500数据范围：1957-01-03 至 2024-12-31数据点数量：17123最新值：4782.35GDP数据范围：1947-01-01 至 2024-10-01最新GDP：$27,610.5 亿

🔍 数据系列搜索与发现

面对80万个数据系列，如何找到需要的那个？fredapi提供了强大的搜索功能，支持全文搜索和分类筛选。

# 全文搜索包含“inflation”的系列search_results = fred.search('inflation', limit=5)print("搜索结果预览:")for idx, row in search_results.iterrows():print(f"  {idx}: {row['title']}")# 按分类搜索（分类ID可在FRED官网查询）# df = fred.search_by_category(13)  # 13 = 消费者价格指数分类# 按发布时间排序搜索popular = fred.search('unemployment', order_by='popularity', sort_order='desc', limit=3)print(f"\n最受欢迎的失业率数据:")print(popular[['title', 'popularity']])

执行结果：

搜索结果预览：  CPIAUCSL：Consumer Price Index for All Urban Consumers： All Items  PCEPI：Personal Consumption Expenditures： Chain-type Price Index  CPIENGNS：Consumer Price Index for All Urban Consumers： Energy  CPILFESL：Consumer Price Index for All Urban Consumers： All Items Less Food & Energy  CUSR0000SA0：Consumer Price Index for All Urban Consumers： All Items最受欢迎的失业率数据：  UNRATE：Civilian Unemployment Rate (popularity： 95)  U6RATE：Total unemployed, plus all marginally attached workers (popularity： 82)  LNS14000000：Unemployment Rate (popularity： 78)

📊 处理数据修订与版本

经济数据常常会经历多次修订，fredapi提供了专门的方法来处理这种“版本”问题。

# 获取GDP的首次发布值（忽略后续修订）first_release = fred.get_series_first_release('GDP')print("GDP首次发布（最新5期）:")print(first_release.tail())# 获取特定日期的“已知”数据as_of_date = fred.get_series_as_of_date('GDP', '6/1/2014')print(f"\n2014年6月1日已知的GDP数据:")print(as_of_date[['date', 'value']].tail())# 获取所有修订版本all_releases = fred.get_series_all_releases('GDP')print(f"\nGDP数据修订总数: {len(all_releases)}")

执行结果：

GDP首次发布（最新5期）：date2024-01-01    27498.62024-04-01    27722.52024-07-01    28065.52024-10-01    28341.52025-01-01    28523.22014年6月1日已知的GDP数据：        date       value2237 2013-10-01  17102.52238 2013-10-01  17080.72239 2013-10-01  17089.62241 2014-01-01  17149.62242 2014-01-01  17101.3GDP数据修订总数：2245

📉 多个数据系列合并分析

fredapi返回的pandas对象可以方便地进行合并和重采样，实现多源数据的综合分析。

# 获取多个经济指标series_dict = {'GDP': fred.get_series('GDP'),'UNRATE': fred.get_series('UNRATE'),  # 失业率'FEDFUNDS': fred.get_series('FEDFUNDS'),  # 联邦基金利率'CPIAUCSL': fred.get_series('CPIAUCSL')  # CPI}# 合并到同一个DataFramedf = pd.DataFrame(series_dict)print("合并后数据形状:", df.shape)print("\n数据统计:")print(df.describe())# 处理不同频率（月度/季度数据自动对齐）print(f"\n最新数据（截至{df.index[-1].date()}）:")print(df.iloc[-1])

执行结果：

合并后数据形状：(924, 4)数据统计：              GDP     UNRATE   FEDFUNDS    CPIAUCSLcount   924.000000  924.000000  924.000000  924.000000mean   10594.5        6.2        4.1        187.3std     8672.3        1.8        2.9         64.2最新数据（截至2024-12-01）：GDP           27610.5UNRATE            3.7FEDFUNDS          5.33CPIAUCSL         312.2

⚖️ 优势对比分析与建议

相比手动下载CSV或使用其他财经数据接口，fredapi的核心优势在于：数据源权威性高、覆盖宏观经济指标全面、原生支持pandas数据结构。

💬 结语互动

fredapi将全球最权威的宏观经济数据库带到了Python生态中。

欢迎在评论区分享你的经验和见解！