宏观经济数据类Macro主要用于获取gdp、cpi、ppi、银行存贷款利率、存款准备金、货币供应量、银行间同业拆放利率及贷款基础利率等数据
(1) gdpYear(retry=3, pause=0.001)
该方法用于获取年度国内生产总值数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'year':, 'gdp':, ...}, ...]
year :统计年度
gdp :国内生产总值(亿元)
pc_gdp :人均国内生产总值(元)
gnp :国民生产总值(亿元)
pi :第一产业(亿元)
si :第二产业(亿元)
industry :工业(亿元)
cons_industry :建筑业(亿元)
ti :第三产业(亿元)
trans_industry :交通运输仓储邮电通信业(亿元)
lbdy :批发零售贸易及餐饮业(亿元)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.gdpYear() # 获取年度国内生产总值数据
obj.output() # 输出数据
输出：
year gdp pc_gdp ... ti trans_industry lbdy
0 2018 900309.00 64644.00 ... 469575.00 40550.00 100224.00
1 2017 820754.00 59660.00 ... 425912.00 37173.00 92348.00
2 2016 743585.50 53935.00 ... 383365.00 33058.80 84648.80
3 2015 689052.10 50251.00 ... 346149.70 30487.80 78340.40
4 2014 643974.00 47203.00 ... 308058.60 28500.90 73582.00
5 2013 588018.80 43852.00 ... 275887.00 27282.93 66512.40
6 2012 534123.00 40007.00 ... 243030.00 24660.00 60295.21
7 2011 484123.50 35197.79 ... 214579.90 22432.84 52903.35
8 2010 401202.00 29992.00 ... 173087.00 18968.48 43814.55
9 2009 340902.80 25608.00 ... 148038.00 16727.10 36102.70
10 2008 314045.40 23708.00 ... 131340.00 16362.50 32798.40
11 2007 265810.30 20169.00 ... 111351.90 14601.00 26485.90
12 2006 216314.43 16499.70 ... 88554.88 12182.98 21323.31
13 2005 184937.37 14185.36 ... 74919.28 10666.16 18161.89
14 2004 159878.34 12335.58 ... 64561.29 9304.39 16118.65
15 2003 135822.76 10541.97 ... 56004.73 7913.19 14295.53
16 2002 120332.69 9398.05 ... 49898.90 7492.95 12720.10
17 2001 109655.17 8621.71 ... 44361.61 6870.25 11519.54
18 2000 99214.55 7857.68 ... 38713.95 6160.95 10304.85
19 1999 89677.10 7159.00 ... 33873.40 5175.20 9432.30
20 1998 84402.30 6796.00 ... 30580.50 4660.90 8700.10
21 1997 78973.00 6420.00 ... 26988.10 4148.60 7888.70
22 1996 71176.60 5846.00 ... 23326.20 3782.20 6936.50
23 1995 60793.70 5046.00 ... 19978.50 3244.30 5978.70
24 1994 48197.90 4044.00 ... 16179.80 2787.90 4781.90
25 1993 35333.90 2998.00 ... 11915.70 2174.00 3528.70
26 1992 26923.50 2311.00 ... 9357.40 1689.00 2989.60
27 1991 21781.50 1893.00 ... 7337.10 1420.30 2276.90
28 1990 18667.80 1644.00 ... 5888.40 1167.00 1570.80
29 1989 16992.30 1519.00 ... 5448.40 812.70 1813.60
.. ... ... ... ... ... ... ...
37 1981 4891.60 492.00 ... 1076.60 220.70 285.20
38 1980 4545.60 463.00 ... 982.00 213.40 241.20
39 1979 4062.60 419.00 ... 878.90 193.70 244.90
40 1978 3645.20 381.00 ... 872.50 182.00 286.90
41 1977 3201.90 339.00 ... 750.70 156.90 213.80
42 1976 2943.70 316.00 ... 639.50 139.60 147.20
43 1975 2997.30 327.00 ... 655.70 141.60 175.80
44 1974 2789.90 310.00 ... 652.70 126.10 206.60
45 1973 2720.90 309.00 ... 640.40 125.50 211.00
46 1972 2518.10 292.00 ... 606.50 118.00 194.30
47 1971 2426.40 288.00 ... 577.30 108.40 178.30
48 1970 2252.70 275.00 ... 547.20 100.20 178.10
49 1969 1937.90 243.00 ... 512.60 84.90 163.60
50 1968 1723.10 222.00 ... 459.50 70.50 138.90
51 1967 1773.90 235.00 ... 456.90 72.30 153.50
52 1966 1868.00 254.00 ... 456.30 85.10 148.10
53 1965 1716.10 240.00 ... 462.80 77.40 118.30
54 1964 1454.00 208.00 ... 381.50 58.40 94.00
55 1963 1233.30 181.00 ... 328.20 55.00 76.10
56 1962 1149.30 173.00 ... 336.90 57.40 80.50
57 1961 1220.00 185.00 ... 390.00 69.20 110.80
58 1960 1457.00 218.00 ... 468.10 104.00 133.10
59 1959 1439.00 216.00 ... 439.70 94.00 145.70
60 1958 1307.00 200.00 ... 377.60 71.00 136.60
61 1957 1068.00 168.00 ... 321.00 49.00 133.00
62 1956 1028.00 165.00 ... 303.40 46.00 131.40
63 1955 910.00 150.00 ... 266.80 39.00 119.80
64 1954 859.00 144.00 ... 255.30 38.00 120.30
65 1953 824.00 142.00 ... 253.50 35.00 115.50
66 1952 679.00 119.00 ... 194.30 29.00 80.30
(2) gdpQuarter(retry=3, pause=0.001)
该方法用于获取季度国内生产总值数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'quarter':, 'gdp':, ...}, ...]
quarter :季度
gdp :国内生产总值(亿元)
gdp_yoy :国内生产总值同比增长(%)
pi :第一产业增加值(亿元)
pi_yoy:第一产业增加值同比增长(%)
si :第二产业增加值(亿元)
si_yoy :第二产业增加值同比增长(%)
ti :第三产业增加值(亿元)
ti_yoy :第三产业增加值同比增长(%)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.gdpQuarter() # 获取季度国内生产总值数据
obj.output() # 输出数据
输出：
quarter gdp gdp_yoy pi pi_yoy si si_yoy ti ti_yoy
0 2018.4 900309.0 6.60 64734.0 3.5 366001.0 5.8 469575.0 7.6
1 2018.3 650899.0 6.70 42173.0 3.4 262953.0 5.8 345773.0 7.7
2 2018.2 418961.0 6.80 22087.0 3.2 169299.0 6.1 227576.0 7.6
3 2018.1 198783.0 6.80 8904.0 3.2 77451.0 6.3 112428.0 7.5
4 2017.4 820754.0 6.80 62100.0 4.0 332743.0 5.9 425912.0 7.9
5 2017.3 593288.0 6.90 41229.0 3.7 238109.0 6.3 313951.0 7.8
6 2017.2 381490.0 6.90 21987.0 3.5 152987.0 6.4 206516.0 7.7
7 2017.1 180683.0 6.90 8654.0 3.0 70005.0 6.4 102024.0 7.7
8 2016.4 743585.5 6.70 63670.7 3.3 296236.0 6.1 384220.5 7.8
9 2016.3 532434.0 6.70 40665.7 3.5 210534.5 6.1 281645.7 7.6
10 2016.2 342071.4 6.70 22096.7 3.1 134977.6 6.1 185242.1 7.5
11 2016.1 161456.3 6.66 8803.0 2.9 61325.0 5.9 91444.7 7.6
12 2015.4 689052.1 6.90 60862.1 3.9 282040.3 6.1 346149.7 8.3
13 2015.3 496200.2 7.00 38344.6 3.8 203537.4 6.1 254318.1 8.4
14 2015.2 319489.7 7.00 20257.1 3.5 131872.1 6.2 167360.5 8.3
15 2015.1 150986.7 7.00 7770.4 3.1 60724.7 6.3 82491.6 8.0
16 2014.4 643974.0 7.30 58343.5 4.1 277571.8 7.4 308058.6 7.8
17 2014.3 462791.5 7.30 36820.9 4.1 199787.4 7.6 226183.3 7.6
18 2014.2 297079.7 7.40 19145.3 3.7 128762.6 7.7 149171.7 7.6
19 2014.1 140618.3 7.30 7491.9 3.2 59221.5 7.6 73905.0 7.6
20 2013.4 595244.4 7.80 55329.1 3.8 261956.1 8.0 277959.3 8.3
21 2013.3 426619.3 7.80 34605.0 3.3 187743.6 7.9 204270.7 8.4
22 2013.2 273713.9 7.70 18011.9 2.8 120993.6 7.7 134708.4 8.3
23 2013.1 129747.0 7.90 7169.6 3.0 55862.3 7.8 66715.0 8.4
24 2012.4 540367.4 7.90 50902.3 4.5 244643.3 8.4 244821.9 8.0
25 2012.3 387898.6 7.80 32163.8 4.2 176008.8 8.3 179726.0 7.8
26 2012.2 249276.4 7.90 16966.8 4.3 113751.5 8.7 118558.0 7.6
27 2012.1 117593.9 8.10 6687.0 3.7 52317.4 9.5 58589.5 7.3
28 2011.4 472882.0 9.30 47486.0 4.3 220413.0 10.3 204983.0 9.4
29 2011.3 321219.1 9.40 30340.0 3.8 154675.3 10.8 136203.8 9.0
.. ... ... ... ... ... ... ... ... ...
118 1981.4 4891.6 5.20 1559.5 7.0 2255.5 1.9 1076.6 10.4
119 1980.4 4545.6 7.80 1371.6 -1.5 2192.0 13.6 982.0 6.0
120 1979.4 4062.6 7.60 1270.2 6.1 1913.5 8.2 878.9 7.9
121 1978.4 3645.2 11.70 1027.5 4.1 1745.2 15.0 872.5 13.8
122 1977.4 3201.9 7.60 942.1 -2.2 1509.1 13.3 750.7 9.5
123 1976.4 2943.7 -1.60 967.0 -1.8 1337.2 -2.5 639.5 0.4
124 1975.4 2997.3 8.70 971.1 2.0 1370.5 15.8 655.7 4.9
125 1974.4 2789.9 2.30 945.2 4.1 1192.0 1.4 652.7 1.6
126 1973.4 2720.9 7.90 907.5 9.0 1173.0 8.3 640.4 5.5
127 1972.4 2518.1 3.80 827.4 -0.9 1084.2 6.7 606.5 5.0
128 1971.4 2426.4 7.00 826.3 1.9 1022.8 12.3 577.3 5.8
129 1970.4 2252.7 19.40 793.3 7.7 912.2 34.8 547.2 7.1
130 1969.4 1937.9 16.90 736.2 0.8 689.1 33.1 512.6 13.3
131 1968.4 1723.1 -4.10 726.3 -1.6 537.3 -9.2 459.5 0.6
132 1967.4 1773.9 -5.70 714.2 1.9 602.8 -14.3 456.9 0.5
133 1966.4 1868.0 10.70 702.2 7.2 709.5 22.4 456.3 -1.8
134 1965.4 1716.1 17.00 651.1 9.7 602.2 24.2 462.8 15.8
135 1964.4 1454.0 18.30 559.0 12.9 513.5 25.6 381.5 15.5
136 1963.4 1233.3 10.20 497.5 11.3 407.6 14.5 328.2 4.4
137 1962.4 1149.3 -5.60 453.1 4.5 359.3 -10.8 336.9 -9.2
138 1961.4 1220.0 -27.30 441.1 1.4 388.9 -42.1 390.0 -25.7
139 1960.4 1457.0 -0.30 340.7 -16.4 648.2 5.6 468.1 4.8
140 1959.4 1439.0 8.80 383.8 -15.9 615.5 25.8 439.7 15.2
141 1958.4 1307.0 21.30 445.9 0.4 483.5 52.9 377.6 17.9
142 1957.4 1068.0 5.10 430.0 3.1 317.0 8.0 321.0 4.8
143 1956.4 1028.0 15.00 443.9 4.7 280.7 34.5 303.4 14.1
144 1955.4 910.0 6.80 421.0 7.9 222.2 7.6 266.8 4.6
145 1954.4 859.0 4.20 392.0 1.7 211.7 15.7 255.3 -0.6
146 1953.4 824.0 15.60 378.0 1.9 192.5 35.8 253.5 27.3
147 1952.4 679.0 NaN 342.9 NaN 141.8 NaN 194.3 NaN
(3) demandsToGdp(retry=3, pause=0.001)
该方法用于获取三大需求对GDP贡献数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'year':, 'cons_to':, ...}, ...]
year :统计年度
cons_to :最终消费支出贡献率(%)
cons_rate :最终消费支出拉动(百分点)
asset_to :资本形成总额贡献率(%)
asset_rate:资本形成总额拉动(百分点)
goods_to :货物和服务净出口贡献率(%)
goods_rate :货物和服务净出口拉动(百分点)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.demandsToGdp() # 获取三大需求对GDP贡献数据
obj.output() # 输出数据
输出：
year cons_to cons_rate asset_to asset_rate goods_to goods_rate
0 2017 58.8 4.1 32.1 2.2 9.1 0.6
1 2016 66.5 4.5 43.1 2.9 -9.6 -0.7
2 2015 59.7 4.1 41.6 2.9 -1.3 -0.1
3 2014 48.8 3.6 46.9 3.4 4.3 0.3
4 2013 48.2 3.6 54.2 4.3 -2.3 -0.1
5 2012 56.7 4.3 42.0 3.4 1.7 0.2
6 2011 61.9 5.9 46.2 4.4 -8.1 -0.8
7 2010 46.9 4.8 66.0 7.1 -11.2 -1.3
8 2009 56.1 5.3 86.5 8.1 -42.6 -4.0
9 2008 44.2 4.3 53.2 5.1 2.6 0.3
10 2007 45.3 6.4 44.1 6.3 10.6 1.5
11 2006 42.0 5.3 42.9 5.5 15.1 1.9
12 2005 54.4 6.2 33.1 3.8 12.5 1.4
13 2004 42.6 4.3 61.6 6.2 -4.2 -0.4
14 2003 35.4 3.6 70.0 7.0 -5.4 -0.6
15 2002 43.9 5.1 48.5 3.6 4.6 0.4
16 2001 49.0 4.1 64.0 5.3 -13.0 -1.1
17 2000 78.1 6.6 22.4 1.9 -0.5 NaN
18 1999 74.7 5.7 23.7 1.8 1.6 0.1
19 1998 57.1 4.4 26.4 2.1 16.5 1.3
20 1997 37.0 3.4 18.6 1.7 44.4 4.2
21 1996 60.1 6.0 34.3 3.4 5.6 0.6
22 1995 44.7 4.9 55.0 6.0 0.3 NaN
23 1994 30.2 4.0 43.8 5.7 26.0 3.4
24 1993 59.5 8.3 78.6 11.0 -38.1 -5.3
25 1992 72.5 10.3 34.2 4.9 -6.8 -1.0
26 1991 65.1 6.0 24.3 2.2 10.6 1.0
27 1990 47.8 1.8 1.8 0.1 50.4 1.9
28 1989 39.6 1.6 16.4 0.7 44.0 1.8
29 1988 49.6 5.6 39.4 4.5 11.0 1.2
30 1987 50.3 5.8 23.5 2.7 26.2 3.1
31 1986 45.0 4.0 23.2 2.0 31.8 2.8
32 1985 85.5 11.5 80.9 10.9 -66.4 -8.9
33 1984 69.3 10.5 40.5 6.2 -9.8 -1.5
34 1983 74.1 8.1 40.4 4.4 -14.5 -1.6
35 1982 64.7 5.9 23.8 2.2 11.5 1.0
36 1981 93.4 4.9 -4.3 -0.2 10.9 0.5
37 1980 71.8 5.6 26.4 2.1 1.8 0.1
38 1979 87.3 6.6 15.4 1.2 -2.7 -0.2
39 1978 39.4 4.6 66.0 7.7 -5.4 -0.6
(4) idsPullToGdp(retry=3, pause=0.001)
该方法用于获取三大产业对GDP拉动数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'year':, 'gdp_yoy':, ...}, ...]
year :统计年度
gdp_yoy :国内生产总值同比增长(%)
pi :第一产业拉动率(%)
si :第二产业拉动率(%)
industry:其中工业拉动(%)
ti :第三产业拉动率(%)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.idsPullToGdp() # 获取三大产业对GDP拉动数据
obj.output() # 输出数据
输出：
year gdp_yoy pi si industry ti
0 2018 6.6 NaN NaN NaN NaN
1 2017 6.9 0.3 2.5 2.2 4.0
2 2016 6.7 0.3 2.6 2.1 3.9
3 2015 6.9 0.3 2.9 2.4 3.7
4 2014 7.3 0.3 3.5 2.9 3.5
5 2013 7.8 0.3 3.8 3.1 3.7
6 2012 7.9 0.4 3.9 3.3 3.5
7 2011 9.5 0.4 5.0 4.4 4.2
8 2010 10.6 0.4 6.1 5.3 4.2
9 2009 9.2 0.4 4.9 3.8 4.1
10 2008 9.6 0.5 4.7 4.2 4.5
11 2007 14.2 0.4 7.1 6.2 6.7
12 2006 12.7 0.6 6.3 5.4 5.8
13 2005 11.3 0.6 5.8 4.9 5.0
14 2004 10.1 0.7 5.2 4.8 4.1
15 2003 10.0 0.3 5.8 5.2 3.9
16 2002 9.1 0.4 4.5 4.0 4.2
17 2001 8.3 0.4 3.9 3.5 4.1
18 2000 8.4 0.4 5.1 4.8 3.1
19 1999 7.6 0.4 4.4 4.2 2.8
20 1998 7.8 0.6 4.8 4.3 2.4
21 1997 9.3 0.6 5.6 5.4 3.1
22 1996 10.0 1.0 6.3 5.9 2.7
23 1995 10.9 1.0 7.0 6.4 2.9
24 1994 13.1 0.9 8.9 8.2 3.3
25 1993 14.0 1.1 9.2 8.3 3.7
26 1992 14.2 1.2 9.2 8.2 3.8
27 1991 9.2 0.6 5.8 5.3 2.8
28 1990 3.8 1.6 1.6 1.5 0.6
(5) idsCtbToGdp(retry=3, pause=0.001)
该方法用于获取三大产业贡献率数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'year':, 'gdp_yoy':, ...}, ...]
year :统计年度
gdp_yoy :国内生产总值
pi :第一产业献率(%)
si :第二产业献率(%)
industry:其中工业献率(%)
ti :第三产业献率(%)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.idsCtbToGdp() # 获取三大产业贡献率数据
obj.output() # 输出数据
输出：
year gdp_yoy pi si industry ti
0 2017 100.0 4.9 36.3 31.9 58.8
1 2016 100.0 4.3 38.2 30.7 57.5
2 2015 100.0 4.6 42.4 35.4 52.9
3 2014 100.0 4.7 47.8 39.2 47.5
4 2013 100.0 4.3 48.5 40.5 47.2
5 2012 100.0 5.2 49.9 41.9 44.9
6 2011 100.0 4.2 52.0 45.9 43.8
7 2010 100.0 3.6 57.4 49.6 39.0
8 2009 100.0 4.0 52.3 40.7 43.7
9 2008 100.0 5.2 48.6 43.4 46.2
10 2007 100.0 2.7 50.1 43.8 47.3
11 2006 100.0 4.4 49.7 42.3 45.9
12 2005 100.0 5.2 50.5 43.1 44.3
13 2004 100.0 7.3 51.8 47.6 40.8
14 2003 100.0 3.1 57.9 51.6 39.0
15 2002 100.0 4.1 49.4 44.3 46.5
16 2001 100.0 4.6 46.4 42.0 49.0
17 2000 100.0 4.1 59.6 56.9 36.2
18 1999 100.0 6.0 57.8 55.0 36.2
19 1998 100.0 7.6 60.9 55.4 31.5
20 1997 100.0 6.8 59.7 58.3 33.5
21 1996 100.0 9.6 62.9 58.5 27.5
22 1995 100.0 9.1 64.3 58.5 26.6
23 1994 100.0 6.6 67.9 62.6 25.5
24 1993 100.0 7.9 65.5 59.1 26.6
25 1992 100.0 8.4 64.5 57.6 27.1
26 1991 100.0 7.1 62.8 58.0 30.1
27 1990 100.0 41.7 41.0 39.7 17.3
(6) cpi(retry=3, pause=0.001)
该方法用于获取居民消费价格指数数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'month':, 'cpi':,}, ...]
month :统计月份
cpi :价格指数
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.cpi() # 获取居民消费价格指数数据
obj.output() # 输出数据
输出：
month cpi
0 2019.2 101.49
1 2019.1 101.74
2 2018.12 101.86
3 2018.11 102.18
4 2018.10 102.54
5 2018.9 102.50
6 2018.8 102.30
7 2018.7 102.10
8 2018.6 101.85
9 2018.5 101.75
10 2018.4 101.80
11 2018.3 102.06
12 2018.2 102.90
13 2018.1 101.47
14 2017.12 102.00
15 2017.11 101.73
16 2017.10 101.87
17 2017.9 101.60
18 2017.8 101.77
19 2017.7 101.40
20 2017.6 101.50
21 2017.5 101.52
22 2017.4 101.17
23 2017.3 100.92
24 2017.2 100.80
25 2017.1 102.55
26 2016.12 102.08
27 2016.11 102.25
28 2016.10 102.10
29 2016.9 101.90
.. ... ...
320 1992.6 104.80
321 1992.5 104.70
322 1992.4 107.10
323 1992.3 105.30
324 1992.2 105.30
325 1992.1 105.50
326 1991.12 104.50
327 1991.11 104.40
328 1991.10 104.80
329 1991.9 104.50
330 1991.8 104.90
331 1991.7 104.70
332 1991.6 104.40
333 1991.5 103.60
334 1991.4 101.30
335 1991.3 101.60
336 1991.2 101.00
337 1991.1 102.20
338 1990.12 104.30
339 1990.11 103.70
340 1990.10 103.10
341 1990.9 102.90
342 1990.8 102.50
343 1990.7 101.10
344 1990.6 101.10
345 1990.5 102.70
346 1990.4 103.20
347 1990.3 103.40
348 1990.2 104.40
349 1990.1 104.30
(7) ppi(retry=3, pause=0.001)
该方法用于获取工业品出厂价格指数数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'month':, 'ppiip':, ...}, ...]
month :统计月份
ppiip :工业品出厂价格指数
ppi :生产资料价格指数
qm:采掘工业价格指数
rmi:原材料工业价格指数
pi:加工工业价格指数
cg:生活资料价格指数
food:食品类价格指数
clothing:衣着类价格指数
roeu:一般日用品价格指数
dcg:耐用消费品价格指数
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.ppi() # 获取工业品出厂价格指数数据
obj.output() # 输出数据
输出：
month ppiip ppi qm rmi pi cg food clothing roeu dcg
0 2019.2 100.10 99.9 101.80 98.50 100.30 100.40 100.80 101.60 100.20 99.40
1 2019.1 100.10 99.9 101.20 98.40 100.30 100.60 100.80 101.60 100.30 100.00
2 2018.12 100.90 101.0 103.80 100.80 100.80 100.70 100.90 101.60 100.40 100.20
3 2018.11 102.70 103.3 109.20 104.60 102.20 100.80 101.10 101.50 100.80 100.10
4 2018.10 103.30 104.2 112.40 106.70 102.50 100.70 100.90 101.20 101.00 99.90
5 2018.9 103.60 104.6 111.70 107.30 102.90 100.80 100.90 101.10 101.10 100.20
6 2018.8 104.10 105.2 112.10 107.80 103.50 100.70 100.70 101.10 101.20 100.20
7 2018.7 104.60 106.0 113.40 109.00 104.10 100.60 100.70 100.70 101.10 99.80
8 2018.6 104.70 106.1 111.50 108.80 104.60 100.40 100.70 100.30 101.10 99.50
9 2018.5 104.10 105.4 108.10 107.40 104.40 100.30 100.30 100.30 101.10 99.30
10 2018.4 103.40 104.5 106.10 105.70 103.90 100.10 100.10 100.20 100.90 99.40
11 2018.3 103.10 104.1 105.00 105.10 103.70 100.20 100.00 100.30 100.90 99.70
12 2018.2 103.70 104.8 106.40 105.90 104.20 100.30 100.00 100.50 101.10 99.90
13 2018.1 104.30 105.7 106.80 107.30 104.90 100.30 100.00 100.80 101.40 99.70
14 2017.12 106.30 106.4 120.67 111.53 106.09 100.65 100.60 101.16 101.32 99.88
15 2017.11 105.80 107.5 110.80 109.70 106.30 100.60 100.40 100.70 101.70 100.00
16 2017.10 106.90 109.0 114.70 111.60 107.50 100.80 100.60 100.90 101.90 100.00
17 2017.9 106.90 109.1 117.20 111.90 107.30 100.70 100.70 101.20 101.30 100.00
18 2017.8 106.40 108.3 118.20 111.00 106.40 100.60 100.70 101.40 100.80 100.00
19 2017.7 105.50 107.3 115.80 109.30 105.80 100.50 100.40 101.20 100.60 100.00
20 2017.6 105.50 107.3 118.30 110.00 105.40 100.50 100.10 101.30 101.00 100.10
21 2017.5 101.00 107.3 122.70 111.10 104.60 100.60 100.30 101.50 101.10 100.20
22 2017.4 101.40 108.4 128.30 113.00 105.20 100.70 100.50 101.50 101.40 99.90
23 2017.3 107.60 110.1 133.70 114.90 106.50 100.70 100.70 101.30 101.40 99.60
24 2017.2 107.80 110.4 136.10 115.50 106.60 100.80 101.10 101.30 101.50 99.40
25 2017.1 106.90 109.1 131.00 112.90 105.90 100.80 101.30 101.10 101.50 99.40
26 2016.12 98.63 107.2 95.40 96.72 98.97 99.96 100.55 100.88 100.04 98.55
27 2016.11 103.30 104.3 114.80 105.80 102.90 100.40 100.90 101.10 100.70 99.00
28 2016.10 101.20 101.6 107.90 101.90 100.90 100.10 100.60 100.90 100.20 98.80
29 2016.9 100.10 100.1 102.10 99.80 100.10 100.00 100.30 100.70 100.50 98.50
.. ... ... ... ... ... ... ... ... ... ... ...
284 1995.6 113.80 NaN NaN NaN NaN NaN NaN NaN NaN NaN
285 1995.5 113.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
286 1995.4 117.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN
287 1995.3 119.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
288 1995.2 120.20 NaN NaN NaN NaN NaN NaN NaN NaN NaN
289 1995.1 120.70 NaN NaN NaN NaN NaN NaN NaN NaN NaN
290 1994.12 119.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
291 1994.11 119.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
292 1994.10 118.20 NaN NaN NaN NaN NaN NaN NaN NaN NaN
293 1994.9 118.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
294 1994.8 118.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN
295 1994.7 120.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN
296 1994.6 119.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN
297 1994.5 120.20 NaN NaN NaN NaN NaN NaN NaN NaN NaN
298 1994.4 119.60 NaN NaN NaN NaN NaN NaN NaN NaN NaN
299 1994.3 117.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
300 1994.2 116.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
301 1994.1 118.60 NaN NaN NaN NaN NaN NaN NaN NaN NaN
302 1993.12 122.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
303 1993.11 122.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
304 1993.10 124.10 NaN NaN NaN NaN NaN NaN NaN NaN NaN
305 1993.9 124.60 NaN NaN NaN NaN NaN NaN NaN NaN NaN
306 1993.8 125.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
307 1993.7 125.70 NaN NaN NaN NaN NaN NaN NaN NaN NaN
308 1993.6 125.30 NaN NaN NaN NaN NaN NaN NaN NaN NaN
309 1993.5 126.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
310 1993.4 122.30 NaN NaN NaN NaN NaN NaN NaN NaN NaN
311 1993.3 121.30 NaN NaN NaN NaN NaN NaN NaN NaN NaN
312 1993.2 118.20 NaN NaN NaN NaN NaN NaN NaN NaN NaN
313 1993.1 117.90 NaN NaN NaN NaN NaN NaN NaN NaN NaN
(8) depositRate(retry=3, pause=0.001)
该方法用于获取存款利率数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'date':, 'deposit_type':, ...}, ...]
date :变动日期
deposit_type :存款种类
rate:利率（%）
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.depositRate() # 获取存款利率数据
obj.output() # 输出数据
输出：
date deposit_type rate
0 2015-10-24 定活两便(定期) --
1 2015-10-24 定期存款整存整取(半年) 1.30
2 2015-10-24 定期存款整存整取(二年) 2.10
3 2015-10-24 定期存款整存整取(三个月) 1.10
4 2015-10-24 定期存款整存整取(三年) 2.75
5 2015-10-24 定期存款整存整取(五年) --
6 2015-10-24 定期存款整存整取(一年) 1.50
7 2015-10-24 活期存款(不定期) 0.35
8 2015-10-24 零存整取、整存零取、存本取息定期存款(三年) 1.30
9 2015-10-24 零存整取、整存零取、存本取息定期存款(五年) --
10 2015-10-24 零存整取、整存零取、存本取息定期存款(一年) 1.10
11 2015-10-24 通知存款(七天) 1.35
12 2015-10-24 通知存款(一天) 0.80
13 2015-10-24 协定存款(定期) 1.15
14 2015-08-26 定活两便(定期) --
15 2015-08-26 定期存款整存整取(半年) 1.55
16 2015-08-26 定期存款整存整取(二年) 2.35
17 2015-08-26 定期存款整存整取(三个月) 1.35
18 2015-08-26 定期存款整存整取(三年) 3.00
19 2015-08-26 定期存款整存整取(五年) --
20 2015-08-26 定期存款整存整取(一年) 1.75
21 2015-08-26 活期存款(不定期) 0.35
22 2015-08-26 零存整取、整存零取、存本取息定期存款(三年) 1.55
23 2015-08-26 零存整取、整存零取、存本取息定期存款(五年) --
24 2015-08-26 零存整取、整存零取、存本取息定期存款(一年) 1.35
25 2015-08-26 通知存款(七天) 1.35
26 2015-08-26 通知存款(一天) 0.80
27 2015-08-26 协定存款(定期) 1.15
28 2015-06-28 定活两便(定期) --
29 2015-06-28 定期存款整存整取(半年) 1.80
.. ... ... ...
516 1990-08-21 通知存款(一天) --
517 1990-08-21 协定存款(定期) --
518 1990-04-15 定活两便(定期) --
519 1990-04-15 定期存款整存整取(半年) 7.74
520 1990-04-15 定期存款整存整取(二年) 11.00
521 1990-04-15 定期存款整存整取(三个月) 6.30
522 1990-04-15 定期存款整存整取(三年) 11.88
523 1990-04-15 定期存款整存整取(五年) 13.68
524 1990-04-15 定期存款整存整取(一年) 10.08
525 1990-04-15 活期存款(不定期) 2.88
526 1990-04-15 零存整取、整存零取、存本取息定期存款(三年) --
527 1990-04-15 零存整取、整存零取、存本取息定期存款(五年) --
528 1990-04-15 零存整取、整存零取、存本取息定期存款(一年) --
529 1990-04-15 通知存款(七天) --
530 1990-04-15 通知存款(一天) --
531 1990-04-15 协定存款(定期) --
532 1989-02-01 定活两便(定期) --
533 1989-02-01 定期存款整存整取(半年) 9.00
534 1989-02-01 定期存款整存整取(二年) 12.20
535 1989-02-01 定期存款整存整取(三个月) 7.56
536 1989-02-01 定期存款整存整取(三年) 13.14
537 1989-02-01 定期存款整存整取(五年) 14.94
538 1989-02-01 定期存款整存整取(一年) 11.34
539 1989-02-01 活期存款(不定期) 2.88
540 1989-02-01 零存整取、整存零取、存本取息定期存款(三年) --
541 1989-02-01 零存整取、整存零取、存本取息定期存款(五年) --
542 1989-02-01 零存整取、整存零取、存本取息定期存款(一年) --
543 1989-02-01 通知存款(七天) --
544 1989-02-01 通知存款(一天) --
545 1989-02-01 协定存款(定期) --
(9) loanRate(retry=3, pause=0.001)
该方法用于获取贷款利率数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'date':, 'loan_type':, ...}, ...]
date :执行日期
loan_type :存款种类
rate:利率（%）
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.loanRate() # 获取贷款利率数据
obj.output() # 输出数据
输出：
date loan_type rate
0 2015-10-24 短期贷款(六个月以内) 4.35
1 2015-10-24 短期贷款(六个月至一年) 4.35
2 2015-10-24 中长期贷款(三至五年) 4.75
3 2015-10-24 中长期贷款(五年以上) 4.90
4 2015-10-24 中长期贷款(一至三年) 4.75
5 2015-10-24 贴现(贴现) --
6 2015-10-24 优惠贷款(扶贫贴息贷款) --
7 2015-10-24 优惠贷款(老少边穷发展经济贷款) --
8 2015-10-24 优惠贷款(民政部门福利工厂贷款) --
9 2015-10-24 优惠贷款(民族贸易及民族用品生产贷款) --
10 2015-10-24 优惠贷款(贫困县办工业贷款) --
11 2015-10-24 个人住房商业贷款(六个月以内) 3.92
12 2015-10-24 个人住房商业贷款(六个月至一年) 3.92
13 2015-10-24 个人住房商业贷款(三至五年) 4.28
14 2015-10-24 个人住房商业贷款(五年以上) 4.41
15 2015-10-24 个人住房商业贷款(一至三年) 4.28
16 2015-10-24 个人住房公积金贷款(五年以上) 3.25
17 2015-10-24 个人住房公积金贷款(五年以下) 2.75
18 2015-09-06 再贴现(再贴现率) 2.25
19 2015-08-26 短期贷款(六个月以内) 4.60
20 2015-08-26 短期贷款(六个月至一年) 4.60
21 2015-08-26 中长期贷款(三至五年) 5.00
22 2015-08-26 中长期贷款(五年以上) 5.15
23 2015-08-26 中长期贷款(一至三年) 5.00
24 2015-08-26 贴现(贴现) --
25 2015-08-26 优惠贷款(扶贫贴息贷款) --
26 2015-08-26 优惠贷款(老少边穷发展经济贷款) --
27 2015-08-26 优惠贷款(民政部门福利工厂贷款) --
28 2015-08-26 优惠贷款(民族贸易及民族用品生产贷款) --
29 2015-08-26 优惠贷款(贫困县办工业贷款) --
.. ... ... ...
770 1993-05-15 个人住房公积金贷款(五年以上) --
771 1993-05-15 个人住房公积金贷款(五年以下) --
772 1993-05-12 特种贷款(特种贷款利率) 11.25
773 1991-04-21 短期贷款(六个月以内) 8.10
774 1991-04-21 短期贷款(六个月至一年) 8.64
775 1991-04-21 中长期贷款(三至五年) 9.54
776 1991-04-21 中长期贷款(五年以上) 9.72
777 1991-04-21 中长期贷款(一至三年) 9.00
778 1991-04-21 贴现(贴现) --
779 1991-04-21 优惠贷款(扶贫贴息贷款) 2.88
780 1991-04-21 优惠贷款(老少边穷发展经济贷款) 5.76
781 1991-04-21 优惠贷款(民政部门福利工厂贷款) 7.20
782 1991-04-21 优惠贷款(民族贸易及民族用品生产贷款) 5.76
783 1991-04-21 优惠贷款(贫困县办工业贷款) 5.76
784 1991-04-21 个人住房商业贷款(六个月以内) 7.29
785 1991-04-21 个人住房商业贷款(六个月至一年) 7.78
786 1991-04-21 个人住房商业贷款(三至五年) 8.59
787 1991-04-21 个人住房商业贷款(五年以上) 8.75
788 1991-04-21 个人住房商业贷款(一至三年) 8.10
789 1991-04-21 个人住房公积金贷款(五年以上) --
790 1991-04-21 个人住房公积金贷款(五年以下) --
791 1991-04-21 特种贷款(特种贷款利率) 9.72
792 1990-08-21 短期贷款(六个月以内) 8.64
793 1990-08-21 短期贷款(六个月至一年) 9.36
794 1990-08-21 中长期贷款(三至五年) 10.80
795 1990-08-21 中长期贷款(五年以上) 11.16
796 1990-08-21 中长期贷款(一至三年) 10.08
797 1990-08-21 贴现(贴现) --
798 1990-08-21 优惠贷款(扶贫贴息贷款) --
799 1990-08-21 优惠贷款(老少边穷发展经济贷款) --
(10) rrr(retry=3, pause=0.001)
该方法用于获取存款准备金率数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'date':, 'before':, ...}, ...]
date :变动日期
before :调整前存款准备金率(%)
now:调整后存款准备金率(%)
changed:调整幅度(%)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.rrr() # 获取存款准备金率数据
obj.output() # 输出数据
输出：
date before now changed
0 2019-01-25 13.50 13.00 -0.50
1 2019-01-15 14.00 13.50 -0.50
2 2018-10-15 15.00 14.00 -1.00
3 2018-07-05 15.50 15.00 -0.50
4 2018-04-25 16.50 15.50 -1.00
5 2016-03-01 17.00 16.50 -0.50
6 2015-10-24 17.50 17.00 -0.50
7 2015-09-06 18.00 17.50 -0.50
8 2015-06-28 18.50 18.00 -0.50
9 2015-04-20 19.50 18.50 -1.00
10 2015-02-05 20.00 19.50 -0.50
11 2012-05-18 20.50 20.00 -0.50
12 2012-02-24 21.00 20.50 -0.50
13 2011-12-05 21.50 21.00 -0.50
14 2011-06-20 21.00 21.50 0.50
15 2011-05-18 20.50 21.00 0.50
16 2011-04-21 20.00 20.50 0.50
17 2011-03-25 19.50 20.00 0.50
18 2011-02-24 19.00 19.50 0.50
19 2011-01-20 18.50 19.00 0.50
20 2010-12-20 18.00 18.50 0.50
21 2010-11-29 17.50 18.00 0.50
22 2010-11-16 17.00 17.50 0.50
23 2010-05-10 16.50 17.00 0.50
24 2010-02-25 16.00 16.50 0.50
25 2010-01-18 15.50 16.00 0.50
26 2008-12-25 16.00 15.50 -0.50
27 2008-12-05 17.00 16.00 -1.00
28 2008-10-15 17.50 17.00 -0.50
29 2008-09-25 17.50 17.50 0.00
30 2008-06-25 17.00 17.50 0.50
31 2008-06-15 16.50 17.00 0.50
32 2008-05-20 16.00 16.50 0.50
33 2008-04-25 15.50 16.00 0.50
34 2008-03-25 15.00 15.50 0.50
35 2008-01-25 14.50 15.00 0.50
36 2007-12-25 13.50 14.50 1.00
37 2007-11-26 13.00 13.50 0.50
38 2007-10-25 12.50 13.00 0.50
39 2007-09-25 12.00 12.50 0.50
40 2007-08-15 11.50 12.00 0.50
41 2007-06-05 11.00 11.50 0.50
42 2007-05-15 10.50 11.00 0.50
43 2007-04-16 10.00 10.50 0.50
44 2007-02-25 9.50 10.00 0.50
45 2007-01-15 9.00 9.50 0.50
46 2006-11-15 8.50 9.00 0.50
47 2006-08-15 8.00 8.50 0.50
48 2006-07-05 7.50 8.00 0.50
49 2004-04-25 7.00 7.50 0.50
50 2003-09-21 6.00 7.00 1.00
51 1999-11-21 8.00 6.00 -2.00
52 1998-03-21 13.00 8.00 -5.00
53 1988-09-30 12.00 13.00 1.00
54 1987-12-31 10.00 12.00 2.00
55 1985-12-31 -- 10.00 --
(11) moneySupply(retry=3, pause=0.001)
该方法用于获取货币供应量数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'month':, 'm2':, ...}, ...]
month :统计时间
m2 :货币和准货币（广义货币M2）(亿元)
m2_yoy:货币和准货币（广义货币M2）同比增长(%)
m1:货币(狭义货币M1)(亿元)
m1_yoy:货币(狭义货币M1)同比增长(%)
m0:流通中现金(M0)(亿元)
m0_yoy:流通中现金(M0)同比增长(%)
cd:活期存款(亿元)
cd_yoy:活期存款同比增长(%)
qm:准货币(亿元)
qm_yoy:准货币同比增长(%)
ftd:定期存款(亿元)
ftd_yoy:定期存款同比增长(%)
sd:储蓄存款(亿元)
sd_yoy:储蓄存款同比增长(%)
rests:其他存款(亿元)
rests_yoy:其他存款同比增长(%)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.moneySupply() # 获取货币供应量数据
obj.output() # 输出数据
输出：
month m2 m2_yoy m1 m1_yoy m0 m0_yoy cd cd_yoy qm qm_yoy ftd ftd_yoy sd sd_yoy rests rests_yoy
0 2019.2 1867400.00 8.00 527200.00 2.00 79500.00 -2.40 -- -- -- -- -- -- -- -- -- --
1 2019.1 1865935.33 8.40 545638.46 0.40 87470.62 17.20 458167.84 -- 1320296.87 -- 355604.75 -- 760391.93 -- 204300.19 --
2 2018.12 1826744.22 8.10 551685.91 1.50 73208.40 3.60 478477.50 -- 1275058.31 -- 340178.91 -- 721688.57 -- 213190.83 --
3 2018.11 1813175.07 8.00 543498.66 1.50 70563.30 2.80 472935.36 -- 1269676.40 -- 342190.73 -- 710236.37 -- 217249.31 --
4 2018.10 1795561.60 8.00 540128.37 2.70 70106.62 2.80 470021.74 -- 1255433.23 -- 340815.59 -- 702827.46 -- 211790.18 --
5 2018.9 1801665.58 8.30 538574.08 4.00 71254.26 2.20 467319.82 -- 1263091.50 -- 349826.79 -- 706256.25 -- 207008.46 --
6 2018.8 1788670.43 8.20 538324.64 3.90 69775.39 3.30 468549.25 -- 1250345.79 -- 341834.17 -- 692847.93 -- 215663.69 --
7 2018.7 1776196.11 8.50 536624.29 5.10 69530.59 3.60 467093.70 -- 1239571.81 -- 335935.49 -- 689397.13 -- 214239.19 --
8 2018.6 1770178.37 8.30 543944.71 6.00 69589.33 3.60 474355.38 -- 1226233.66 -- 334425.29 -- 692440.77 -- 199367.60 --
9 2018.5 1743063.79 8.30 526276.72 6.00 69774.81 3.60 456501.91 -- 1216787.08 -- 336063.23 -- 681333.90 -- 199389.95 --
10 2018.4 1737683.73 8.30 525447.77 7.20 71476.46 4.50 453971.31 -- 1212235.96 -- 335348.35 -- 679185.94 -- 197701.67 --
11 2018.3 1739859.48 8.20 523540.07 7.10 72692.63 6.00 450847.45 -- 1216319.40 -- 332605.89 -- 692563.69 -- 191149.82 --
12 2018.2 1729070.12 8.80 517035.99 8.50 81424.24 13.50 435611.75 -- 1212034.13 -- 330531.73 -- 687076.39 -- 194426.00 --
13 2018.1 1720814.46 8.62 543247.13 14.97 74636.29 -13.81 468610.84 -- 1177567.33 -- 328169.80 -- 658424.25 -- 190973.27 --
14 2017.12 1676768.54 8.10 543790.15 11.80 70645.60 3.40 473144.55 -- 1132978.39 -- 320196.23 -- 649341.50 -- 163440.66 --
15 2017.11 1670013.40 9.10 535565.05 12.70 68623.16 5.70 466941.89 -- 1134448.35 -- 320651.87 -- 641619.60 -- 172176.88 --
16 2017.10 1653434.16 8.90 525977.19 13.00 68230.69 6.30 457746.50 -- 1127456.97 -- 319740.97 -- 640250.93 -- 167465.07 --
17 2017.9 1655662.07 9.00 517863.04 14.00 69748.54 7.20 448114.50 -- 1137799.03 -- 326614.31 -- 648349.70 -- 162835.01 --
18 2017.8 1645156.60 8.60 518113.93 14.00 67550.99 6.50 450562.94 -- 1127042.67 -- 317888.57 -- 637886.94 -- 171267.16 --
19 2017.7 1628996.63 8.90 510484.58 15.30 67129.04 6.10 443355.54 -- 1118512.05 -- 314699.58 -- 635229.77 -- 168582.71 --
20 2017.6 1631282.53 9.10 510228.17 15.00 66977.68 6.60 443250.48 -- 1121054.36 -- 317003.07 -- 642931.90 -- 161119.39 --
21 2017.5 1601360.42 9.10 496389.78 17.00 67333.21 7.30 429056.58 -- 1104970.63 -- 314929.83 -- 632225.70 -- 157815.10 --
22 2017.4 1596331.87 9.80 490180.42 18.54 68392.60 6.19 421787.82 -- 1106151.45 -- 318092.78 -- 630992.53 -- 157066.14 --
23 2017.3 1599609.57 10.10 488770.09 18.80 68605.05 6.10 420165.04 -- 1110839.48 -- 317183.42 -- 643278.44 -- 150377.62 --
24 2017.2 1582913.07 10.40 476527.60 21.40 71727.69 3.30 404799.91 -- 1106385.48 -- 311667.58 -- 635880.32 -- 158837.59 --
25 2017.1 1575945.59 10.70 472526.45 14.50 86598.61 19.40 385927.84 -- 1103419.14 -- 317957.26 -- 634745.73 -- 150716.15 --
26 2016.12 1550066.67 11.33 486557.24 21.35 68303.87 8.05 418253.37 -- 1063509.43 -- 307989.61 -- 603504.20 -- 152015.62 --
27 2016.11 1530432.06 11.39 475405.54 22.65 64903.50 7.58 410502.04 -- 1055026.52 -- 309067.58 -- 597374.12 -- 148584.82 --
28 2016.10 1519485.40 11.64 465446.65 23.85 64214.93 7.20 401231.71 -- 1054038.76 -- 307895.68 -- 594169.86 -- 151973.22 --
29 2016.9 1516360.50 11.50 454340.25 24.70 65068.62 6.60 389271.63 -- 1062020.26 -- 315077.15 -- 598880.53 -- 148062.57 --
.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
464 1980.6 -- -- 983.04 20.67 243.30 16.57 -- -- -- -- -- -- -- -- -- --
465 1980.5 -- -- 957.20 18.30 243.13 16.33 -- -- -- -- -- -- -- -- -- --
466 1980.4 -- -- 954.89 14.35 254.07 16.91 -- -- -- -- -- -- -- -- -- --
467 1980.3 -- -- 963.91 15.68 261.49 19.39 -- -- -- -- -- -- -- -- -- --
468 1980.2 -- -- 975.80 18.57 279.18 22.25 -- -- -- -- -- -- -- -- -- --
469 1980.1 -- -- 1031.89 21.20 300.41 16.79 -- -- -- -- -- -- -- -- -- --
470 1979.12 -- -- 1069.36 24.42 267.71 26.26 -- -- -- -- -- -- -- -- -- --
471 1979.11 -- -- 955.66 18.24 235.13 23.40 -- -- -- -- -- -- -- -- -- --
472 1979.10 -- -- 895.32 14.99 220.90 19.25 -- -- -- -- -- -- -- -- -- --
473 1979.9 -- -- 871.19 14.11 225.57 19.81 -- -- -- -- -- -- -- -- -- --
474 1979.8 -- -- 849.58 12.38 215.35 18.25 -- -- -- -- -- -- -- -- -- --
475 1979.7 -- -- 831.28 11.37 212.96 17.64 -- -- -- -- -- -- -- -- -- --
476 1979.6 -- -- 814.67 9.34 208.71 16.95 -- -- -- -- -- -- -- -- -- --
477 1979.5 -- -- 809.14 6.76 209.00 14.73 -- -- -- -- -- -- -- -- -- --
478 1979.4 -- -- 835.08 3.33 217.33 12.82 -- -- -- -- -- -- -- -- -- --
479 1979.3 -- -- 833.24 0.65 219.02 12.40 -- -- -- -- -- -- -- -- -- --
480 1979.2 -- -- 823.00 -1.24 228.36 10.91 -- -- -- -- -- -- -- -- -- --
481 1979.1 -- -- 851.39 -2.20 257.22 12.03 -- -- -- -- -- -- -- -- -- --
482 1978.12 -- -- 859.45 -- 212.03 -- -- -- -- -- -- -- -- -- -- --
483 1978.11 -- -- 808.27 -- 190.54 -- -- -- -- -- -- -- -- -- -- --
484 1978.10 -- -- 778.64 -- 185.24 -- -- -- -- -- -- -- -- -- -- --
485 1978.9 -- -- 763.47 -- 188.27 -- -- -- -- -- -- -- -- -- -- --
486 1978.8 -- -- 755.99 -- 182.12 -- -- -- -- -- -- -- -- -- -- --
487 1978.7 -- -- 746.43 -- 181.02 -- -- -- -- -- -- -- -- -- -- --
488 1978.6 -- -- 745.08 -- 178.46 -- -- -- -- -- -- -- -- -- -- --
489 1978.5 -- -- 757.93 -- 182.17 -- -- -- -- -- -- -- -- -- -- --
490 1978.4 -- -- 808.17 -- 192.63 -- -- -- -- -- -- -- -- -- -- --
491 1978.3 -- -- 827.83 -- 194.86 -- -- -- -- -- -- -- -- -- -- --
492 1978.2 -- -- 833.35 -- 205.89 -- -- -- -- -- -- -- -- -- -- --
493 1978.1 -- -- 870.53 -- 229.59 -- -- -- -- -- -- -- -- -- -- --
(12) moneySupplyBal(retry=3, pause=0.001)
该方法用于获取货币供应量(年底余额)数据
参数：
retry : int, 默认 3
如遇网络等问题重复执行的次数
pause : int, 默认 0.001
重复请求数据过程中暂停的秒数，防止请求间隔时间太短出现的问题
返回值：
DataFrame or List: [{'year':, 'm2':, ...}, ...]
year :统计年度
m2 :货币和准货币(亿元)
m1:货币(亿元)
m0:流通中现金(亿元)
cd:活期存款(亿元)
qm:准货币(亿元)
ftd:定期存款(亿元)
sd:储蓄存款(亿元)
rests:其他存款(亿元)
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.moneySupplyBal() # 获取货币供应量(年底余额)数据
obj.output() # 输出数据
输出：
year m2 m1 m0 cd qm ftd sd rests
0 2017 1690235.30 543790.10 70645.60 473144.50 1146445.20 320196.20 649341.50 176907.40
1 2016 1550066.70 486557.20 68303.90 418253.40 1063509.40 307989.60 603504.20 152015.60
2 2015 1392278.10 400953.40 63216.60 337736.90 991324.70 288240.70 552073.50 151010.50
3 2014 1228374.80 348056.40 60259.50 287796.90 880318.40 264055.70 508878.10 107384.60
4 2013 1106525.00 337291.10 58574.40 278716.60 769233.90 232696.60 467031.10 69506.20
5 2012 974148.80 308664.20 54659.80 254004.50 665484.60 195940.10 411362.60 58181.90
6 2011 851590.90 289847.70 50748.50 239099.20 561743.20 166616.00 352797.50 42329.70
7 2010 725851.80 266621.50 44628.20 221993.40 459230.30 105858.70 303302.50 50069.10
8 2009 610224.50 221445.80 38247.00 183198.80 388778.70 84819.50 260752.70 43206.50
9 2008 475166.60 166217.10 34219.00 131998.20 308949.50 60103.10 217885.40 30961.10
10 2007 403442.20 152560.10 30375.20 122184.90 250882.10 46932.50 172534.20 31415.40
11 2006 345577.90 126028.10 27072.60 98962.50 219568.50 -- 161587.30 --
12 2005 298755.70 107278.80 24031.70 83247.10 191476.90 33100.00 141051.00 17325.90
13 2004 254107.00 95969.70 21468.30 74501.40 158137.20 25382.20 119555.40 13199.70
14 2003 221222.80 84118.60 19745.90 64372.60 137104.30 20940.40 103617.70 12546.20
15 2002 185007.00 70881.80 17278.00 53603.80 114125.20 16433.80 86910.70 10780.70
16 2001 158301.90 59871.60 15688.80 44182.80 98430.30 14180.10 73762.40 10487.80
17 2000 134610.40 53147.20 14652.70 38494.50 81463.20 11261.10 64332.40 5869.70
18 1999 119897.90 45837.30 13455.50 32381.80 74060.60 9476.80 59621.80 4962.00
19 1998 104498.50 38953.70 11204.20 27749.50 65544.90 8301.90 53407.50 3835.50
20 1997 90995.30 34826.30 10177.60 24648.70 56169.00 6738.50 46279.80 3150.70
21 1996 76094.90 28514.80 8802.00 19712.80 47580.10 5041.90 38520.80 4017.40
22 1995 60750.50 23987.10 7885.30 16101.80 36763.40 3324.20 29662.20 3777.00
23 1994 46923.50 20540.70 7288.60 13252.10 26382.80 1943.10 21518.40 2921.30
24 1993 34879.80 16280.40 5864.70 10415.70 18599.40 1247.90 15203.50 2148.00
25 1992 25402.20 11731.50 4336.00 7395.20 13670.70 -- -- --
26 1991 19349.90 8633.30 3177.80 5455.50 10716.60 -- -- --
27 1990 15293.40 6950.70 2644.40 4306.30 8342.70 -- -- --
(13) shibor(year=None)
该方法用于获取上海银行间同业拆放利率
参数：
year: int
年份
返回值：
DataFrame or List: [{'date':, 'ON':, ...}, ...]
date:日期
ON:隔夜拆放利率
1W:1周拆放利率
2W:2周拆放利率
1M:1个月拆放利率
3M:3个月拆放利率
6M:6个月拆放利率
9M:9个月拆放利率
1Y:1年拆放利率
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.shibor() # 获取上海银行间同业拆放利率
obj.output() # 输出数据
输出：
date ON 1W 2W 1M 3M 6M 9M 1Y
0 2019-01-03 1.9680 2.547 2.6730 3.0840 3.2460 3.286 3.466 3.507
1 2019-01-04 1.6490 2.563 2.6150 3.0100 3.2150 3.270 3.453 3.497
2 2019-01-07 1.4470 2.475 2.5410 2.9090 3.1410 3.233 3.415 3.466
3 2019-01-08 1.4140 2.372 2.4870 2.8250 3.0930 3.206 3.384 3.431
4 2019-01-09 1.5670 2.475 2.4770 2.7900 3.0650 3.184 3.354 3.401
5 2019-01-10 1.7430 2.587 2.5020 2.7810 3.0310 3.149 3.321 3.377
6 2019-01-11 1.7080 2.555 2.5150 2.7720 3.0070 3.120 3.296 3.350
7 2019-01-14 1.8780 2.629 2.5410 2.7750 2.9840 3.106 3.284 3.337
8 2019-01-15 2.2450 2.652 2.5700 2.7770 2.9620 3.094 3.271 3.324
9 2019-01-16 2.3060 2.640 2.5760 2.7770 2.9420 3.079 3.262 3.314
10 2019-01-17 2.2590 2.611 2.5690 2.7770 2.9300 3.066 3.257 3.304
11 2019-01-18 2.1785 2.618 2.5580 2.7770 2.9180 3.061 3.248 3.302
12 2019-01-21 2.2400 2.594 2.6370 2.7860 2.9150 3.055 3.241 3.300
13 2019-01-22 2.2430 2.578 2.6950 2.7970 2.9140 3.054 3.245 3.300
14 2019-01-23 2.2440 2.584 2.7090 2.8060 2.9090 3.052 3.246 3.300
15 2019-01-24 2.2630 2.616 2.7160 2.8110 2.9040 3.044 3.245 3.300
16 2019-01-25 2.3620 2.626 2.7480 2.8190 2.9020 3.037 3.239 3.294
17 2019-01-28 2.1940 2.660 2.8820 2.8280 2.9010 3.031 3.228 3.291
18 2019-01-29 2.0780 2.766 2.9820 2.8350 2.9000 3.027 3.211 3.282
19 2019-01-30 2.0021 2.765 2.9970 2.8400 2.9010 3.026 3.199 3.271
20 2019-01-31 2.2380 2.756 2.9790 2.8390 2.9000 3.021 3.182 3.252
21 2019-02-01 2.1000 2.722 2.8430 2.8350 2.9000 3.017 3.168 3.241
22 2019-02-02 2.2640 2.372 2.5710 2.8190 2.9000 3.011 3.143 3.218
23 2019-02-03 2.0860 2.334 2.4700 2.8080 2.9000 3.006 3.133 3.202
24 2019-02-11 2.2650 2.596 2.5220 2.7850 2.8980 2.995 3.118 3.198
25 2019-02-12 2.0170 2.513 2.4970 2.7600 2.8720 2.961 3.079 3.172
26 2019-02-13 1.7220 2.362 2.4420 2.7320 2.8520 2.938 3.044 3.146
27 2019-02-14 1.7210 2.330 2.3970 2.7140 2.8300 2.908 3.015 3.119
28 2019-02-15 1.7130 2.351 2.3930 2.6980 2.8020 2.898 2.996 3.095
29 2019-02-18 1.8224 2.395 2.3980 2.6870 2.7970 2.885 2.989 3.081
30 2019-02-19 1.9670 2.398 2.4040 2.6760 2.7780 2.876 2.979 3.073
31 2019-02-20 1.8540 2.377 2.3980 2.6550 2.7590 2.864 2.966 3.069
32 2019-02-21 2.0300 2.399 2.4090 2.6510 2.7490 2.858 2.958 3.063
33 2019-02-22 2.4310 2.600 2.5180 2.6560 2.7490 2.854 2.955 3.063
34 2019-02-25 2.6050 2.658 2.6280 2.6590 2.7520 2.850 2.953 3.059
35 2019-02-26 2.7050 2.745 2.8620 2.6810 2.7560 2.851 2.953 3.059
36 2019-02-27 2.6540 2.750 2.8870 2.6860 2.7560 2.852 2.954 3.061
37 2019-02-28 2.5840 2.658 2.7300 2.6940 2.7510 2.850 2.951 3.060
38 2019-03-01 2.1550 2.511 2.5650 2.7000 2.7500 2.850 2.950 3.059
39 2019-03-04 1.9330 2.380 2.4240 2.6960 2.7500 2.850 2.950 3.058
40 2019-03-05 2.2660 2.574 2.4900 2.6990 2.7500 2.850 2.950 3.055
41 2019-03-06 2.0740 2.488 2.4880 2.7030 2.7500 2.850 2.950 3.053
42 2019-03-07 2.0600 2.517 2.4870 2.7050 2.7510 2.850 2.950 3.054
43 2019-03-08 2.0470 2.388 2.4480 2.7120 2.7550 2.850 2.950 3.057
44 2019-03-11 2.0920 2.395 2.4328 2.7172 2.7565 2.850 2.950 3.060
45 2019-03-12 2.3650 2.601 2.4580 2.7320 2.7610 2.851 2.950 3.066
46 2019-03-13 2.0790 2.493 2.4610 2.7540 2.7680 2.851 2.950 3.066
47 2019-03-14 2.3100 2.598 2.4800 2.7740 2.7770 2.854 2.953 3.072
(14) shiborQuote(year=None)
该方法用于获取Shibor银行报价数据
参数：
year: int
年份
返回值：
DataFrame or List: [{'date':, 'bank':, ...}, ...]
date:日期
bank:报价银行名称
ON:隔夜拆放利率
1W:1周拆放利率
2W:2周拆放利率
1M:1个月拆放利率
3M:3个月拆放利率
6M:6个月拆放利率
9M:9个月拆放利率
1Y:1年拆放利率
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.shiborQuote() # 获取Shibor银行报价数据
obj.output() # 输出数据
输出：
date bank ON 1W 2W 1M 3M 6M 9M 1Y
0 2019-01-02 农业银行 2.29 2.61 2.52 3.40 3.30 3.30 3.48 3.50
1 2019-01-02 中国银行 2.29 2.62 3.18 3.39 3.30 3.27 3.49 3.53
2 2019-01-02 建设银行 2.30 2.63 2.65 3.78 3.45 3.27 3.45 3.50
3 2019-01-02 交通银行 2.31 2.70 2.89 3.47 3.34 3.29 3.47 3.51
4 2019-01-02 招商银行 2.25 2.60 2.55 3.15 3.28 3.30 3.48 3.52
5 2019-01-02 中信银行 2.30 2.62 2.65 3.00 3.20 3.30 3.45 3.50
6 2019-01-02 光大银行 2.30 2.65 2.67 3.30 3.32 3.33 3.48 3.52
7 2019-01-02 兴业银行 2.28 2.60 3.00 3.00 3.10 3.20 3.40 3.42
8 2019-01-02 浦发银行 2.30 2.65 3.30 3.45 3.30 3.30 3.48 3.52
9 2019-01-02 北京银行 2.30 2.60 2.65 2.80 3.00 3.20 3.40 3.45
10 2019-01-02 上海银行 2.30 2.68 2.73 2.75 3.35 3.30 3.48 3.52
11 2019-01-02 汇丰中国 2.30 2.65 3.30 3.40 3.35 3.29 3.48 3.52
12 2019-01-02 华夏银行 2.30 2.70 2.98 3.20 3.25 3.30 3.48 3.52
13 2019-01-02 广发银行 2.32 2.65 2.70 3.00 3.10 3.20 3.35 3.40
14 2019-01-02 邮储银行 2.31 2.63 3.20 3.40 3.34 3.30 3.48 3.52
15 2019-01-02 国开行 2.35 2.70 3.00 3.05 3.20 3.30 3.48 3.50
16 2019-01-02 民生银行 2.32 2.62 2.67 2.85 3.33 3.34 3.47 3.52
17 2019-01-03 工商银行 2.00 2.58 2.69 3.11 3.23 3.25 3.43 3.48
18 2019-01-03 农业银行 1.95 2.50 2.38 3.10 3.20 3.30 3.45 3.50
19 2019-01-03 中国银行 1.80 2.55 2.75 2.90 3.25 3.27 3.49 3.53
20 2019-01-03 建设银行 1.98 2.55 2.56 3.13 3.25 3.26 3.43 3.49
21 2019-01-03 交通银行 1.98 2.54 2.75 3.19 3.27 3.29 3.47 3.51
22 2019-01-03 招商银行 1.90 2.48 2.50 3.15 3.28 3.30 3.48 3.52
23 2019-01-03 中信银行 1.95 2.50 2.52 3.00 3.20 3.30 3.45 3.50
24 2019-01-03 光大银行 1.98 2.60 2.70 3.10 3.25 3.29 3.47 3.51
25 2019-01-03 兴业银行 1.97 2.55 2.80 2.90 3.00 3.10 3.38 3.40
26 2019-01-03 浦发银行 1.95 2.55 2.60 3.10 3.20 3.30 3.48 3.51
27 2019-01-03 北京银行 2.00 2.55 2.78 3.15 3.25 3.25 3.47 3.51
28 2019-01-03 上海银行 1.97 2.55 2.73 2.75 3.30 3.30 3.48 3.52
29 2019-01-03 汇丰中国 1.95 2.50 2.55 3.00 3.25 3.28 3.46 3.50
.. ... ... ... ... ... ... ... ... ... ...
851 2019-03-13 中信银行 2.08 2.50 2.43 2.85 2.85 2.90 2.95 3.15
852 2019-03-13 光大银行 2.08 2.55 2.50 2.70 2.75 2.85 2.95 3.05
853 2019-03-13 兴业银行 2.05 2.45 2.30 2.80 2.70 2.80 2.90 3.00
854 2019-03-13 浦发银行 2.08 2.48 2.50 2.76 2.80 2.85 2.95 3.06
855 2019-03-13 北京银行 2.08 2.50 2.45 2.75 2.78 2.85 2.95 3.10
856 2019-03-13 上海银行 2.10 2.50 2.45 2.75 2.76 2.85 2.95 3.07
857 2019-03-13 汇丰中国 2.07 2.48 2.48 2.73 2.76 2.85 2.95 3.06
858 2019-03-13 华夏银行 2.08 2.48 2.44 2.72 2.76 2.85 2.95 3.06
859 2019-03-13 广发银行 2.10 2.54 2.60 2.72 2.76 2.84 2.96 3.05
860 2019-03-13 邮储银行 2.08 2.50 2.60 2.82 2.77 2.87 2.97 3.07
861 2019-03-13 国开行 2.10 2.48 2.46 2.72 2.76 2.85 2.95 3.06
862 2019-03-13 民生银行 2.08 2.50 2.43 2.75 2.76 2.85 2.95 3.06
863 2019-03-14 工商银行 2.29 2.61 2.51 2.76 2.80 2.88 2.97 3.06
864 2019-03-14 农业银行 2.33 2.60 2.45 2.84 2.87 2.95 3.00 3.11
865 2019-03-14 中国银行 2.30 2.59 2.42 2.74 2.75 2.85 2.95 3.06
866 2019-03-14 建设银行 2.30 2.65 2.44 2.88 2.85 2.85 2.90 3.10
867 2019-03-14 交通银行 2.32 2.59 2.48 2.76 2.77 2.86 2.96 3.07
868 2019-03-14 招商银行 2.31 2.60 2.50 2.85 2.77 2.82 2.87 3.11
869 2019-03-14 中信银行 2.31 2.55 2.46 2.85 2.90 2.95 3.00 3.15
870 2019-03-14 光大银行 2.31 2.55 2.50 2.75 2.76 2.85 2.95 3.06
871 2019-03-14 兴业银行 2.30 2.60 2.40 2.80 2.70 2.80 2.90 3.00
872 2019-03-14 浦发银行 2.31 2.60 2.50 2.76 2.80 2.85 2.95 3.06
873 2019-03-14 北京银行 2.33 2.62 2.48 2.77 2.80 2.85 2.95 3.10
874 2019-03-14 上海银行 2.37 2.60 2.45 2.75 2.76 2.85 2.95 3.07
875 2019-03-14 汇丰中国 2.30 2.59 2.49 2.75 2.76 2.85 2.95 3.06
876 2019-03-14 华夏银行 2.32 2.59 2.48 2.78 2.80 2.90 2.95 3.11
877 2019-03-14 广发银行 2.32 2.62 2.65 2.72 2.76 2.84 2.96 3.05
878 2019-03-14 邮储银行 2.30 2.60 2.60 2.82 2.77 2.87 2.97 3.07
879 2019-03-14 国开行 2.32 2.65 2.48 2.77 2.77 2.85 2.96 3.07
880 2019-03-14 民生银行 2.28 2.59 2.48 2.77 2.77 2.86 2.95 3.06
(15) shiborMa(self, year=None)
该方法用于获取Shibor均值数据
参数：
year: int
年份
返回值：
DataFrame or List: [{'date':, 'ON_5':, ...}, ...]
date:日期
其它分别为各周期5、10、20均价
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.shiborMa() # 获取Shibor均值数据
obj.output() # 输出数据
输出：
date ON_5 ON_10 ON_20 1W_5 1W_10 1W_20 2W_5 2W_10 2W_20 1M_5 1M_10 ... 3M_5 3M_10 3M_20 6M_5 6M_10 6M_20 9M_5 9M_10 9M_20 1Y_5 1Y_10 1Y_20
0 2019-01-02 2.0292 2.2197 2.3553 2.7250 2.6952 2.6660 3.2248 3.0757 2.8643 3.4062 3.2878 ... 3.3272 3.2728 3.2104 3.2946 3.2892 3.2823 3.4778 3.4792 3.4787 3.5180 3.5190 3.5209
1 2019-01-03 2.0170 2.1511 2.3404 2.7000 2.6809 2.6643 3.1128 3.0642 2.8673 3.3436 3.2915 ... 3.3146 3.2793 3.2160 3.2936 3.2900 3.2828 3.4750 3.4776 3.4781 3.5154 3.5173 3.5199
2 2019-01-04 1.9882 2.0593 2.3019 2.6736 2.6696 2.6624 2.9714 3.0438 2.8675 3.2516 3.2813 ... 3.2898 3.2809 3.2201 3.2888 3.2888 3.2825 3.4696 3.4748 3.4769 3.5108 3.5146 3.5185
3 2019-01-07 1.9836 1.9554 2.2535 2.6244 2.6522 2.6556 2.8060 3.0113 2.8636 3.1350 3.2568 ... 3.2466 3.2741 3.2204 3.2760 3.2837 3.2803 3.4566 3.4683 3.4737 3.4998 3.5095 3.5156
4 2019-01-08 1.7556 1.8652 2.2015 2.5182 2.6235 2.6435 2.6236 2.9570 2.8569 3.0056 3.2161 ... 3.1960 3.2604 3.2179 3.2574 3.2757 3.2768 3.4380 3.4587 3.4690 3.4824 3.5009 3.5108
5 2019-01-09 1.6090 1.8191 2.1567 2.4864 2.6057 2.6360 2.5586 2.8917 2.8495 2.9236 3.1649 ... 3.1520 3.2396 3.2139 3.2358 3.2652 3.2723 3.4144 3.4461 3.4630 3.4604 3.4892 3.5048
6 2019-01-10 1.5640 1.7905 2.1227 2.4944 2.5972 2.6341 2.5244 2.8186 2.8430 2.8630 3.1033 ... 3.1090 3.2118 3.2081 3.2084 3.2510 3.2660 3.3854 3.4302 3.4552 3.4344 3.4749 3.4976
7 2019-01-11 1.5758 1.7820 2.0821 2.4928 2.5832 2.6300 2.5044 2.7379 2.8369 2.8154 3.0335 ... 3.0674 3.1786 3.2010 3.1784 3.2336 3.2584 3.3540 3.4118 3.4461 3.4050 3.4579 3.4891
8 2019-01-14 1.6620 1.8228 2.0433 2.5236 2.5740 2.6273 2.5044 2.6552 2.8301 2.7886 2.9618 ... 3.0360 3.1413 3.1924 3.1530 3.2145 3.2500 3.3278 3.3922 3.4364 3.3792 3.4395 3.4799
9 2019-01-15 1.8282 1.7919 2.0243 2.5796 2.5489 2.6251 2.5210 2.5723 2.8223 2.7790 2.8923 ... 3.0098 3.1029 3.1823 3.1306 3.1940 3.2409 3.3052 3.3716 3.4259 3.3578 3.4201 3.4701
10 2019-01-16 1.9760 1.7925 2.0061 2.6126 2.5495 2.6224 2.5408 2.5497 2.8127 2.7764 2.8500 ... 2.9852 3.0686 3.1707 3.1096 3.1727 3.2310 3.2868 3.3506 3.4149 3.3404 3.4004 3.4597
11 2019-01-17 2.0792 1.8216 1.9864 2.6174 2.5559 2.6184 2.5542 2.5393 2.8018 2.7756 2.8193 ... 2.9650 3.0370 3.1582 3.0930 3.1507 3.2204 3.2740 3.3297 3.4037 3.3258 3.3801 3.4487
12 2019-01-18 2.1733 1.8746 1.9669 2.6300 2.5614 2.6155 2.5628 2.5336 2.7887 2.7766 2.7960 ... 2.9472 3.0073 3.1441 3.0812 3.1298 3.2093 3.2644 3.3092 3.3920 3.3162 3.3606 3.4376
13 2019-01-21 2.2457 1.9539 1.9546 2.6230 2.5733 2.6128 2.5820 2.5432 2.7773 2.7788 2.7837 ... 2.9334 2.9847 3.1294 3.0710 3.1120 3.1979 3.2558 3.2918 3.3801 3.3088 3.3440 3.4268
14 2019-01-22 2.2453 2.0368 1.9510 2.6082 2.5939 2.6087 2.6070 2.5640 2.7605 2.7828 2.7809 ... 2.9238 2.9668 3.1136 3.0630 3.0968 3.1863 3.2506 3.2779 3.3683 3.3040 3.3309 3.4159
15 2019-01-23 2.2329 2.1045 1.9618 2.5970 2.6048 2.6053 2.6336 2.5872 2.7395 2.7886 2.7825 ... 2.9172 2.9512 3.0954 3.0576 3.0836 3.1744 3.2474 3.2671 3.3566 3.3012 3.3208 3.4050
16 2019-01-24 2.2337 2.1565 1.9735 2.5980 2.6077 2.6025 2.6630 2.6086 2.7136 2.7954 2.7855 ... 2.9120 2.9385 3.0752 3.0532 3.0731 3.1621 3.2450 3.2595 3.3449 3.3004 3.3131 3.3940
17 2019-01-25 2.2704 2.2219 2.0019 2.5996 2.6148 2.5990 2.7010 2.6319 2.6849 2.8038 2.7902 ... 2.9088 2.9280 3.0533 3.0484 3.0648 3.1492 3.2432 3.2538 3.3328 3.2988 3.3075 3.3827
18 2019-01-28 2.2612 2.2535 2.0381 2.6128 2.6179 2.5960 2.7500 2.6660 2.6606 2.8122 2.7955 ... 2.9060 2.9197 3.0305 3.0436 3.0573 3.1359 3.2406 3.2482 3.3202 3.2970 3.3029 3.3712
19 2019-01-29 2.2282 2.2368 2.0143 2.6504 2.6293 2.5891 2.8074 2.7072 2.6398 2.8198 2.8013 ... 2.9032 2.9135 3.0082 3.0382 3.0506 3.1223 3.2338 3.2422 3.3069 3.2934 3.2987 3.3594
20 2019-01-30 2.1798 2.2064 1.9994 2.6866 2.6418 2.5957 2.8650 2.7493 2.6495 2.8266 2.8076 ... 2.9016 2.9094 2.9890 3.0330 3.0453 3.1090 3.2244 3.2359 3.2933 3.2876 3.2944 3.3474
21 2019-01-31 2.1748 2.2043 2.0129 2.7146 2.6563 2.6061 2.9176 2.7903 2.6648 2.8322 2.8138 ... 2.9008 2.9064 2.9717 3.0284 3.0408 3.0958 3.2118 3.2284 3.2791 3.2780 3.2892 3.3347
22 2019-02-01 2.1224 2.1964 2.0355 2.7338 2.6667 2.6141 2.9366 2.8188 2.6762 2.8354 2.8196 ... 2.9004 2.9046 2.9560 3.0244 3.0364 3.0831 3.1976 3.2204 3.2648 3.2674 3.2831 3.3219
23 2019-02-02 2.1364 2.1988 2.0763 2.6762 2.6445 2.6089 2.8744 2.8122 2.6777 2.8336 2.8229 ... 2.9002 2.9031 2.9439 3.0204 3.0320 3.0720 3.1806 3.2106 3.2512 3.2528 3.2749 3.3095
24 2019-02-03 2.1380 2.1831 2.1099 2.5898 2.6201 2.6070 2.7720 2.7897 2.6769 2.8282 2.8240 ... 2.9002 2.9017 2.9343 3.0162 3.0272 3.0620 3.1650 3.1994 3.2387 3.2368 3.2651 3.2980
25 2019-02-11 2.1906 2.1852 2.1448 2.5560 2.6213 2.6131 2.6770 2.7710 2.6791 2.8172 2.8219 ... 2.8996 2.9006 2.9259 3.0100 3.0215 3.0526 3.1488 3.1866 3.2269 3.2222 3.2549 3.2879
26 2019-02-12 2.1464 2.1606 2.1585 2.5074 2.6110 2.6094 2.5806 2.7491 2.6789 2.8014 2.8168 ... 2.8940 2.8974 2.9180 2.9980 3.0132 3.0432 3.1282 3.1700 3.2148 3.2062 3.2421 3.2776
27 2019-02-13 2.0708 2.0966 2.1592 2.4354 2.5846 2.5997 2.5004 2.7185 2.6752 2.7808 2.8081 ... 2.8844 2.8924 2.9102 2.9822 3.0033 3.0341 3.1034 3.1505 3.2022 3.1872 3.2273 3.2674
28 2019-02-14 1.9622 2.0493 2.1514 2.4270 2.5516 2.5848 2.4656 2.6700 2.6680 2.7598 2.7967 ... 2.8704 2.8853 2.9025 2.9616 2.9910 3.0242 3.0778 3.1292 3.1887 3.1674 3.2101 3.2565
29 2019-02-15 1.8876 2.0128 2.1248 2.4304 2.5101 2.5697 2.4502 2.6111 2.6592 2.7378 2.7830 ... 2.8508 2.8755 2.8945 2.9400 2.9781 3.0144 3.0504 3.1077 3.1750 3.1460 3.1914 3.2451
30 2019-02-18 1.7991 1.9948 2.1006 2.3902 2.4731 2.5575 2.4254 2.5512 2.6503 2.7182 2.7677 ... 2.8306 2.8651 2.8873 2.9180 2.9640 3.0047 3.0246 3.0867 3.1613 3.1226 3.1724 3.2334
31 2019-02-19 1.7891 1.9677 2.0860 2.3672 2.4373 2.5468 2.4068 2.4937 2.6420 2.7014 2.7514 ... 2.8118 2.8529 2.8797 2.9010 2.9495 2.9952 3.0046 3.0664 3.1474 3.1028 3.1545 3.2219
32 2019-02-20 1.8155 1.9431 2.0698 2.3702 2.4028 2.5348 2.3980 2.4492 2.6340 2.6860 2.7334 ... 2.7932 2.8388 2.8717 2.8862 2.9342 2.9853 2.9890 3.0462 3.1333 3.0874 3.1373 3.2102
33 2019-02-21 1.8773 1.9197 2.0593 2.3840 2.4055 2.5250 2.4004 2.4330 2.6226 2.6734 2.7166 ... 2.7770 2.8237 2.8634 2.8762 2.9189 2.9755 2.9776 3.0277 3.1192 3.0762 3.1218 3.1984
34 2019-02-22 2.0209 1.9542 2.0687 2.4338 2.4321 2.5261 2.4254 2.4378 2.6138 2.6650 2.7014 ... 2.7664 2.8086 2.8552 2.8674 2.9037 2.9655 2.9694 3.0099 3.1047 3.0698 3.1079 3.1865
35 2019-02-25 2.1774 1.9882 2.0867 2.4864 2.4383 2.5298 2.4714 2.4484 2.6097 2.6594 2.6888 ... 2.7574 2.7940 2.8473 2.8604 2.8892 2.9554 2.9622 2.9934 3.0900 3.0654 3.0940 3.1745
36 2019-02-26 2.3250 2.0570 2.1088 2.5558 2.4615 2.5363 2.5630 2.4849 2.6170 2.6604 2.6809 ... 2.7530 2.7824 2.8399 2.8554 2.8782 2.9457 2.9570 2.9808 3.0754 3.0626 3.0827 3.1624
37 2019-02-27 2.4850 2.1502 2.1234 2.6304 2.5003 2.5425 2.6608 2.5294 2.6240 2.6666 2.6763 ... 2.7524 2.7728 2.8326 2.8530 2.8696 2.9365 2.9546 2.9718 3.0612 3.0610 3.0742 3.1508
38 2019-02-28 2.5958 2.2365 2.1429 2.6822 2.5331 2.5424 2.7250 2.5627 2.6164 2.6752 2.6743 ... 2.7528 2.7649 2.8251 2.8514 2.8638 2.9274 2.9532 2.9654 3.0473 3.0604 3.0683 3.1392
39 2019-03-01 2.5406 2.2807 2.1468 2.6644 2.5491 2.5296 2.7344 2.5799 2.5955 2.6840 2.6745 ... 2.7530 2.7597 2.8176 2.8506 2.8590 2.9186 2.9522 2.9608 3.0343 3.0596 3.0647 3.1281
40 2019-03-04 2.4062 2.2918 2.1433 2.6088 2.5476 2.5104 2.6936 2.5825 2.5669 2.6914 2.6754 ... 2.7526 2.7550 2.8101 2.8506 2.8555 2.9098 2.9516 2.9569 3.0218 3.0594 3.0624 3.1174
41 2019-03-05 2.3184 2.3217 2.1447 2.5746 2.5652 2.5013 2.6192 2.5911 2.5424 2.6950 2.6777 ... 2.7514 2.7522 2.8026 2.8504 2.8529 2.9012 2.9510 2.9540 3.0102 3.0586 3.0606 3.1076
42 2019-03-06 2.2024 2.3437 2.1434 2.5222 2.5763 2.4896 2.5394 2.6001 2.5247 2.6984 2.6825 ... 2.7502 2.7513 2.7951 2.8500 2.8515 2.8929 2.9502 2.9524 2.9993 3.0570 3.0590 3.0982
43 2019-03-07 2.0976 2.3467 2.1332 2.4940 2.5881 2.4968 2.4908 2.6079 2.5205 2.7006 2.6879 ... 2.7502 2.7515 2.7876 2.8500 2.8507 2.8848 2.9500 2.9516 2.9897 3.0558 3.0581 3.0900
44 2019-03-08 2.0760 2.3083 2.1313 2.4694 2.5669 2.4995 2.4674 2.6009 2.5194 2.7030 2.6935 ... 2.7512 2.7521 2.7804 2.8500 2.8503 2.8770 2.9500 2.9511 2.9805 3.0554 3.0575 3.0827
45 2019-03-11 2.1078 2.2570 2.1226 2.4724 2.5406 2.4895 2.4692 2.5814 2.5149 2.7072 2.6993 ... 2.7525 2.7526 2.7733 2.8500 2.8503 2.8698 2.9500 2.9508 2.9721 3.0558 3.0576 3.0758
46 2019-03-12 2.1276 2.2230 2.1400 2.4778 2.5262 2.4939 2.4628 2.5410 2.5129 2.7138 2.7044 ... 2.7547 2.7531 2.7677 2.8502 2.8503 2.8643 2.9500 2.9505 2.9657 3.0580 3.0583 3.0705
47 2019-03-13 2.1286 2.1655 2.1579 2.4788 2.5005 2.5004 2.4574 2.4984 2.5139 2.7240 2.7112 ... 2.7583 2.7543 2.7635 2.8504 2.8502 2.8599 2.9500 2.9501 2.9610 3.0606 3.0588 3.0665
48 2019-03-14 2.1786 2.1381 2.1873 2.4950 2.4945 2.5138 2.4560 2.4734 2.5180 2.7378 2.7192 ... 2.7635 2.7569 2.7609 2.8512 2.8506 2.8572 2.9506 2.9503 2.9579 3.0642 3.0600 3.0642
(16) lpr(startDate, endDate=None)
该方法用于获取贷款基础利率
参数：
startDate: string
开始日期 format：YYYY-MM-DD
endDate: string
结束日期 format: YYYY-MM-DD 为None时默认取当前日期
返回值：
DataFrame or List: [{'date':, '1Y':, ...}, ...]
date:日期
1Y:1年贷款基础利率
示例：
import gugu as gg
obj = gg.Macro() # 创建宏观经济数据对象
data = obj.lpr(startDate='2019-01-03', endDate='2019-03-14') # 获取贷款基础利率
obj.output() # 输出数据
输出：
date 1Y
0 2019-01-03 4.31
1 2019-01-04 4.31
2 2019-01-07 4.31
3 2019-01-08 4.31
4 2019-01-09 4.31
5 2019-01-10 4.31
6 2019-01-11 4.31
7 2019-01-14 4.31
8 2019-01-15 4.31
9 2019-01-16 4.31
10 2019-01-17 4.31
11 2019-01-18 4.31
12 2019-01-21 4.31
13 2019-01-22 4.31
14 2019-01-23 4.31
15 2019-01-24 4.31
16 2019-01-25 4.31
17 2019-01-28 4.31
18 2019-01-29 4.31
19 2019-01-30 4.31
20 2019-01-31 4.31
21 2019-02-01 4.31
22 2019-02-02 4.31
23 2019-02-03 4.31
24 2019-02-11 4.31
25 2019-02-12 4.31
26 2019-02-13 4.31
27 2019-02-14 4.31
28 2019-02-15 4.31
29 2019-02-18 4.31
30 2019-02-19 4.31
31 2019-02-20 4.31
32 2019-02-21 4.31
33 2019-02-22 4.31
34 2019-02-25 4.31
35 2019-02-26 4.31
36 2019-02-27 4.31
37 2019-02-28 4.31
38 2019-03-01 4.31
39 2019-03-04 4.31
40 2019-03-05 4.31
41 2019-03-06 4.31
42 2019-03-07 4.31
43 2019-03-08 4.31
44 2019-03-11 4.31
45 2019-03-12 4.31
46 2019-03-13 4.31
47 2019-03-14 4.31