一个功能完备的宏观经济数据分析、预测和可视化平台，专为中国宏观经济指标设计。
项目目标：为经济研究人员、政策制定者、投资者和企业提供专业、高效的宏观经济数据分析工具，帮助用户快速获取、分析和预测宏观经济走势。
核心价值：
- 📊 数据集成：整合多源官方数据，提供统一的访问接口
- 📈 智能分析：内置多种统计分析和预测模型
- ⚡ 高性能：支持大数据处理和分布式计算
- 🎯 可视化：直观的图表展示和交互式仪表盘
- 🔒 可靠性：完善的错误处理和数据质量控制
- 多源数据集成：对接国家统计局、央行、海关等官方数据源，自动同步最新数据
- 智能预测引擎：集成多种预测模型，自动选择最优方法，支持不确定性量化
- 大数据处理：基于 Dask 和 Ray 实现分布式计算，支持处理大规模时间序列数据
- 交互式可视化：支持多种图表类型，可导出为多种格式
- 经济模型库：内置经典经济模型，如增长核算、奥肯定律、菲利普斯曲线等
- 可扩展性：模块化设计，易于添加新数据源和分析方法
- 多源数据获取: 对接国家统计局、央行、海关等官方数据源
- 智能缓存管理: Redis + 文件系统双重缓存机制
- 高性能处理: 支持Dask和Ray分布式计算
- 实时数据更新: 自动数据同步和增量更新
- 传统统计分析: 描述性统计、相关性分析、平稳性检验
- 时间序列预测: ARIMA、Prophet、XGBoost、集成学习等多种方法
- 高级数据拟合: 多项式、指数、逻辑斯蒂、样条等多种拟合方法
- 经济模型: 增长核算、奥肯定律、菲利普斯曲线等经典模型
- 大数据洞察: 批量处理数百个指标，发现隐藏关联模式
- 智能预测: 自动选择最优预测方法，支持不确定性量化
- 数据拟合: 强大的曲线拟合能力，支持外推预测
- 异常检测: 基于统计学的异常值识别
- 聚类分析: 自动识别指标间的相似性模式
national_stats/
├── LICENSE
├── README.md
├── cli.py
├── config.py
├── module4_cli_enhancer.py
├── requirements.txt
├── start.py
├── web_app.py
├── web_app_enhanced.py
├── core/ # 核心模块
│ ├── __init__.py
│ ├── analyzer.py # 统计分析器
│ ├── big_data_processor.py # 大数据处理器
│ ├── cache.py # 缓存管理
│ ├── data_manager.py # 数据管理器
│ ├── database.py # 数据库管理
│ ├── data_sources/ # 数据源管理
│ │ ├── __init__.py
│ │ ├── base.py # 数据源基类
│ │ ├── mock.py # 模拟数据源
│ │ └── nbs.py # 国家统计局数据源
│ ├── fitter.py # 数据拟合器
│ ├── models/ # 经济模型
│ │ ├── __init__.py
│ │ ├── growth_accounting.py # 增长核算模型
│ │ ├── okun_law.py # 奥肯定律模型
│ │ └── phillips_curve.py # 菲利普斯曲线模型
│ ├── predictor.py # 高级预测器
│ ├── reporter.py # 报告生成器
│ └── visualizer.py # 可视化工具
├── models/ # 数据模型
│ └── time_series.py # 时间序列模型
└── data/ # 数据存储
├── cache/ # 缓存文件
├── database/ # 数据库文件
└── charts/ # 图表输出
- Python 3.9+
- 8GB+ 内存推荐
- 现代CPU（支持多核处理）
# 克隆项目
git clone https://github.com/[你的GitHub用户名]/national_stats.git
cd national_stats
# 创建虚拟环境
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 安装依赖
pip install -r requirements.txt
# 安装可选的高性能计算库
pip install dask[complete] ray[xgboost]项目会自动创建必要的目录结构。可根据需要修改 config.py 中的配置：
# 自定义配置示例
from config import Config
# 修改数据库配置
Config.database.db_type = "postgresql"
Config.database.connection_string = "postgresql://user:pass@localhost/db"
# 调整性能参数
Config.performance.max_workers = 8
Config.big_data.batch_size = 100# 运行演示模式
python start.py demo
# 预期输出：
# 🔧 正在初始化环境...
# ✅ 核心依赖检查通过
# 🧪 演示基本功能...
# 1. 获取GDP数据...
# ✅ 成功获取 75 条GDP数据
# 时间范围: 2020-01-01 至 2026-03-01
# 统计信息: 均值=124.77, 标准差=13.98
# 2. 执行数据拟合...
# ✅ 拟合完成，最佳方法: polynomial_4
# 最佳R² = 0.9425
# 3. 执行简单预测...
# ✅ 简单预测下一个值: 147.76# 基础使用示例
python cli.py --help # 查看命令帮助
python cli.py analyze --indicator gdp --time-range 2010-2024 # 分析GDP指标
python cli.py predict --indicator cpi --method ARIMA --forecast-period 12 # 预测CPI未来12期数据
# 增强版CLI使用
python module4_cli_enhancer.py --batch-process ./indicators_list.txt # 批量处理指标列表from core.data_manager import DataManager
from core.analyzer import StatisticalAnalyzer
# 初始化数据管理器
dm = DataManager(use_mock_data=True)
# 获取GDP数据
gdp_ts = dm.fetch("gdp")
print(f"GDP数据: {len(gdp_ts)} 条记录")
print(f"时间范围: {gdp_ts.meta.start_date} 至 {gdp_ts.meta.end_date}")
# 初始化分析器
analyzer = StatisticalAnalyzer()
# 计算描述性统计
stats = analyzer.descriptive_stats(gdp_ts)
print("\nGDP描述性统计:")
print(stats)
# 计算增长率
growth_df = analyzer.calculate_growth_rates(gdp_ts)
print("\nGDP增长率:")
print(growth_df.tail())
# 关闭数据管理器
dm.close()# 启动增强版Web应用
python web_app_enhanced.py --host 0.0.0.0 --port 8080
# 访问地址: http://localhost:8080- 支持生成交互式图表（折线图、柱状图、热力图、散点图等）
- 自动生成分析报告（PDF/HTML/Markdown格式）
- 支持自定义报告模板，适配不同业务场景
- 分布式计算：基于Dask/Ray实现多节点/多核并行处理
- 缓存策略：Redis缓存高频访问数据，文件系统缓存批量历史数据
- 数据分片：大数据集自动分片处理，降低内存占用
- Fork 本仓库（https://github.com/[你的GitHub用户名]/national_stats/fork）
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交修改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 打开 Pull Request
- 邮箱：18825407105@outlook.com
- 项目地址：https://github.com/badhope/national_stats
- 问题反馈：https://github.com/badhope/national_stats/issues
本项目基于 LICENSE 协议开源。