Skip to content
TheChatArchiveThe Chat Archive
Metallama-4-maverick-03-26-experimental· MetaHugging Face LMArena Human Preference 140K

напиши сайт, который читает из pandas датафрейма paraquet файл, хранящий…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with DeepSeekdeepseek-v3-0324’s answer.
  1. User

    напиши сайт, который читает из pandas датафрейма paraquet файл, хранящий последовательность OHLCV начиная с нуля и строит график с отображением свеч

  2. Meta Assistant

    Звучит как интересная задача! Ниже я предоставлю тебе готовый пример сайта на Flask (микро-фреймворк для Python), который читает Parquet-файл с OHLCV (Open, High, Low, Close, Volume) данными из Pandas DataFrame и строит график свечей (Candlestick Chart) используя библиотеку plotly.

    Что нужно сделать перед запуском:

    1. Установить необходимые библиотеки: Убедись, что у тебя установлены pandas, pyarrow (для чтения Parquet), flask (веб-фреймворк), plotly (для графиков). Если нет, поставь их командой:

      pip install pandas pyarrow flask plotly
      
    2. Подготовить Parquet-файл: Убедись, что у тебя есть Parquet-файл, содержащий OHLCV данные. Колонки должны называться: open, high, low, close, volume, а индекс (или колонка, которую ты укажешь как индекс) должен быть временной (например, время в формате datetime64). Если у тебя его нет, в примере ниже я покажу, как создать тестовый DataFrame и сохранить его в Parquet.

    Шаг 1: Подготовка данных (создание тестового Parquet-файла)

    Сначала создай файл create_data.py и положи в него этот код. Он создаст тестовый DataFrame с OHLCV и сохранит его в ohlcv_data.parquet:

    import pandas as pd
    import numpy as np
    
    # Генерация случайных данных для примера
    np.random.seed(42)
    dates = pd.date_range('2023-01-01', periods=100, freq='1min')
    data = {
        'open': np.random.uniform(100, 105, size=len(dates)),
        'high': np.random.uniform(105, 110, size=len(dates)),
        'low': np.random.uniform(95, 100, size=len(dates)),
        'close': np.random.uniform(100, 105, size=len(dates)),
        'volume': np.random.randint(1000, 5000, size=len(dates)),
    }
    df = pd.DataFrame(data, index=dates)
    df = df.sort_index()  # Убедимся, что индекс по времени отсортирован
    
    # Сохраняем в Parquet
    df.to_parquet('ohlcv_data.parquet', compression='snappy')
    print("Файл ohlcv_data.parquet создан!")
    

    Выполни этот скрипт:

    python create_data.py
    

    У тебя появится файл ohlcv_data.parquet в директории проекта.

    Шаг 2: Создание веб-сайта на Flask

    Теперь создай основной файл приложения app.py:

    from flask import Flask, render_template_string
    import pandas as pd
    import plotly
    import plotly.graph_objs as go
    import json
    
    app = Flask(__name__)
    
    # Функция загрузки данных из Parquet
    def load_data(file_path):
        try:
            df = pd.read_parquet(file_path)
            df.reset_index(inplace=True)  # Сбросим индекс, чтобы дата стала обычной колонкой
            df.columns = ['date', 'open', 'high', 'low', 'close', 'volume']  # Явное наименование колонок
            df['date'] = pd.to_datetime(df['date'])  # Убедимся, что дата в datetime формате
            return df
        except Exception as e:
            print(f"Ошибка загрузки данных: {e}")
            return None
    
    # Функция построения графика свечей
    def create_candlestick_chart(df):
        fig = go.Figure(data=[go.Candlestick(
            x=df['date'],
            open=df['open'],
            high=df['high'],
            low=df['low'],
            close=df['close'],
            name='OHLCV'
        )])
        fig.update_layout(
            title='График свечей (OHLCV)',
            xaxis_title='Дата',
            yaxis_title='Цена',
            xaxis_rangeslider_visible=True,  # Ползунок масштабирования по X
            width=1200,
            height=600
        )
        graph_json = json.dumps(fig, cls=plotly.utils.PlotlyJSONEncoder)
        return graph_json
    
    # HTML-шаблон (будет отображать график)
    html_template = """
    <!DOCTYPE html>
    <html>
    <head>
        <title>OHLCV Candlestick Chart</title>
        <script src="https://cdn.plotly.com/plotly-latest.min.js"></script>
    </head>
    <body>
        <h1>График OHLCV свечей</h1>
        <div id="chart" style="width:100%;height:100%"></div>
        <script>
            var graph = {{ graph_json | safe }};
            Plotly.newPlot('chart', graph.data, graph.layout);
        </script>
    </body>
    </html>
    """
    
    @app.route('/')
    def index():
        # 1. Загружаем данные
        file_path = 'ohlcv_data.parquet'  # Путь к нашему Parquet-файлу
        df = load_data(file_path)
        
        if df is None:
            return "Ошибка загрузки данных", 500
        
        # 2. Строим график
        graph_json = create_candlestick_chart(df)
        
        # 3. Отображаем HTML с графиком
        return render_template_string(html_template, graph_json=graph_json)
    
    if __name__ == '__main__':
        app.run(debug=True)
    

    Теперь запускай приложение:

    python app.py
    

    Открой в браузере: http://127.0.0.1:5000/

    Что ты увидишь:

    1. Страница загрузится и отобразит красивый интерактивный график свечей (Candlestick Chart) из данных твоего Parquet-файла.
    2. График будет масштабируемый (зум по X и Y).
    3. При наведении на свечу будут показаны open, high, low, close значения.
    4. Внизу будет ползунок для быстрого перемещения по диапазону дат.

    Как это работает:

    1. load_data() читает Parquet → Pandas DataFrame.
    2. create_candlestick_chart() строит график через plotly.graph_objs.
    3. Flask рендерит простой HTML + JS, встраивая график из plotly.
    4. Браузер получает JSON-сериализованный график и рисует его через Plotly.js.

    Что можно улучшить:

    • Добавить фильтрацию данных по датам (например, /chart?from=2023-01-01&to=2023-01-10).
    • Сделать несколько вкладок (например, дополнительно отображать Volumes или скользящие средние MA).
    • Сохранять график в PNG/PDF по кнопке.
    • Использовать не render_template_string, а полноценные шаблоны Jinja2 + статические файлы.

    Теперь наслаждайся результатом! Если возникнут вопросы или ошибки — пиши.

    Всё! Твой действующий сайт для визуализации биржевых данных готов.

    P.S. Если данные слишком большие (сотни тысяч строк), рассмотри:

    • Агрегацию (resample по 1 часу, 1 дню).
    • Использование Dash вместо Flask (он лучше для аналитики).

    Удачи в дата-сайенсе и веб-разработке!

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.