Skip to content
TheChatArchiveThe Chat Archive
gpt-4-1106-preview· openaiHugging Face Suzhen/CodeChat

Paramètres de la commande instrument = "eurusd" typededonnees = "m1" formatfichier =…

  1. User

    Paramètres de la commande

    instrument = "eurusd" type_de_donnees = "m1" format_fichier = "csv" debut = pd.Timestamp(2024, 1, 1) fin = pd.Timestamp(2024, 2, 13)

    Générer le chemin du répertoire de contenu et construire la commande

    content_dir = Path("/content") commande = f"npx dukascopy-node -i {instrument} -from {debut:%Y-%m-%d} -to {fin:%Y-%m-%d} -v {True} -t {type_de_donnees} -f {format_fichier}"

    Exécution de la commande et capture de la sortie

    try: resultat = subprocess.run(commande, shell=True, check=True, stdout=subprocess.PIPE, stderr=subprocess.STDOUT, text=True) sortie_commande = resultat.stdout print(sortie_commande)

    # Extraction du nom du fichier CSV et traitement des données
    match = re.search(r"File saved: (\S+)", sortie_commande)
    if match:
        chemin_fichier_csv = match.group(1)
        chemin_fichier_csv = content_dir / chemin_fichier_csv  # Avec pathlib, nous assurons l’uniformité du chemin
        print("Chemin du fichier CSV:", chemin_fichier_csv)
    
        # Lecture et traitement du fichier CSV
        try:
            donnees = pd.read_csv(chemin_fichier_csv)
            donnees['timestamp'] = pd.to_datetime(donnees['timestamp'], unit='ms').dt.strftime('%Y-%m-%d %H:%M')
            donnees = donnees.rename(columns={'timestamp': 'heure'})
            donnees.to_csv(chemin_fichier_csv, index=False)
            print(f"Le fichier CSV a été mis à jour avec les timestamps formatés : {chemin_fichier_csv}")
            print(donnees.head())
        except Exception as e:
            print("Erreur lors de la lecture ou de la conversion du fichier CSV:", e)
    else:
        print("Le nom du fichier n’a pas pu être extrait.")
    

    except subprocess.CalledProcessError as e: print("Erreur lors de l’exécution de la commande:", e)

    adapte ce code : def recuperer_informations_minute(fichier_csv, date_heure_str): """ Récupère les informations de open, high, low, et close pour une minute donnée dans le fichier CSV.

    :param fichier_csv: Chemin vers le fichier CSV contenant les données.
    :param date_heure_str: La date et l'heure cibles au format "YYYY-MM-DD HH:MM".
    :return: Un dictionnaire contenant les valeurs de open, high, low, et close pour la minute donnée, ou None si non trouvé.
    """
    #On  modifie la date si c'est quand le marché est fermé
    given_datetime = datetime.strptime(date_heure_str, "%Y-%m-%d %H:%M")
    
    # Determine if the given date and time is between Friday 22:00 and Sunday 22:00
    if (given_datetime.weekday() == 4 and given_datetime.hour >= 22) or given_datetime.weekday() == 5 or (given_datetime.weekday() == 6 and given_datetime.hour < 22):
        # Friday 22:00 and onwards
        # Any time on Saturday
        # Sunday before 22:00
        target_datetime = given_datetime
        # Calculate the previous Friday at 21:59
        days_until_last_friday = (target_datetime.weekday() - 4) % 7
        last_friday = target_datetime - timedelta(days=days_until_last_friday)
        last_friday_21_59 = last_friday.replace(hour=21, minute=59, second=0, microsecond=0)
        date_heure_str = last_friday_21_59.strftime("%Y-%m-%d %H:%M")
    
    # Conversion de la date et l'heure en timestamp Unix (en millisecondes, selon la structure des données)
    date_heure = datetime.strptime(date_heure_str, "%Y-%m-%d %H:%M")
    timestamp_cible = int(date_heure.timestamp() * 1000)
    
    # Chargement des données
    donnees = pd.read_csv(chemin_fichier_csv)
    
    # Recherche de la ligne correspondant au timestamp cible
    ligne_correspondante = donnees[donnees['timestamp'] == timestamp_cible]
    
    if not ligne_correspondante.empty:
        # Extraction des informations si trouvées
        informations = {
            "open": ligne_correspondante.iloc[0]['open'],
            "high": ligne_correspondante.iloc[0]['high'],
            "low": ligne_correspondante.iloc[0]['low'],
            "close": ligne_correspondante.iloc[0]['close'],
            "volume": ligne_correspondante.iloc[0]['volume']
        }
        return informations
    else:
        # Retourne None si aucune correspondance n'est trouvée
        return None
    

    Chemin vers le fichier CSV

    fichier_csv = '/chemin/vers/le/fichier/eurusd-m1-bid-2024-01-12-2024-01-13.csv'

  2. Assistant

    Pour adapter votre script pour qu'il gère le cas où le marché est fermé (du vendredi 22:00 au dimanche 22:00), j'ai modifié la fonction recuperer_informations_minute de sorte qu'elle ajuste la date et l'heure demandées à la dernière minute disponible avant la fermeture du marché si nécessaire.

    Voici la version modifiée de la fonction recuperer_informations_minute :

    from datetime import datetime, timedelta
    import pandas as pd
    
    def recuperer_informations_minute(fichier_csv, date_heure_str):
        """
        Récupère les informations de open, high, low, et close pour une minute donnée dans le fichier CSV.
    
        :param fichier_csv: Chemin vers le fichier CSV contenant les données.
        :param date_heure_str: La date et l'heure cibles au format "YYYY-MM-DD HH:MM".
        :return: Un dictionnaire contenant les valeurs de open, high, low, et close pour la minute donnée, ou None si non trouvé.
        """
        # Convert string to datetime object
        date_heure = datetime.strptime(date_heure_str, "%Y-%m-%d %H:%M")
    
        # Check if market is closed (between Friday 22:00 and Sunday 22:00)
        if (date_heure.weekday() == 4 and date_heure.hour >= 22) or \
           (date_heure.weekday() == 5) or \
           (date_heure.weekday() == 6 and date_heure.hour < 22):
            # Adjust to the previous Friday at 21:59 if necessary
            adjustment = timedelta(minutes=(date_heure.weekday() - 4) * 1440 + (22 - date_heure.hour) * 60 - date_heure.minute - 1)
            date_heure -= adjustment
    
        # Conversion de la date et l'heure en timestamp Unix (en millisecondes, selon la structure des données)
        timestamp_cible = int(date_heure.timestamp() * 1000)
    
        # Chargement des données
        donnees = pd.read_csv(fichier_csv)
    
        # Ensure the dataframe 'timestamp' column is of integer type for comparison
        donnees['timestamp'] = donnees['timestamp'].astype(int)
    
        # Recherche de la ligne correspondant au timestamp cible
        ligne_correspondante = donnees[donnees['timestamp'] == timestamp_cible]
    
        if not ligne_correspondante.empty:
            # Extraction des informations si trouvées
            informations = {
                "open": ligne_correspondante.iloc[0]['open'],
                "high": ligne_correspondante.iloc[0]['high'],
                "low": ligne_correspondante.iloc[0]['low'],
                "close": ligne_correspondante.iloc[0]['close'],
                "volume": ligne_correspondante.iloc[0]['volume']
            }
            return informations
        else:
            # Retourne None si aucune correspondance n'est trouvée
            return None
    
    # Example usage:
    date_heure_str = "2024-01-14 21:30"  # An example date and time
    fichier_csv = '/chemin/vers/le/fichier/eurusd-m1-bid-2024-01-12-2024-01-13.csv'
    
    informations = recuperer_informations_minute(fichier_csv, date_heure_str)
    print(informations)
    

    N'oubliez pas de remplacer /chemin/vers/le/fichier/eurusd-m1-bid-2024-01-12-2024-01-13.csv par le chemin réel du fichier CSV que vous voulez lire. En outre, vérifiez la correspondance des colonnes de votre fichier CSV avec les clés utilisées dans le dictionnaire informations. Si votre fichier CSV a des noms de colonnes différents, vous devez les mettre à jour dans le script.