معرفی شرکت ها
fdic-0.1.3
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Simple tools for accessing FDIC public data.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fdic-0.1.3 |
| نام | fdic |
| نسخه کتابخانه | 0.1.3 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Emin Martinian |
| ایمیل نویسنده | emin.martinian@gmail.com |
| آدرس صفحه اصلی | http://github.com/aocks/fdic |
| آدرس اینترنتی | https://pypi.org/project/fdic/ |
| مجوز | agpl-3.0 |
Introduction
============
This project provides some tools to access data from the FDIC public API
and data resources.
Work in progress; more docs coming soon.
Usage
=====
To try out these tools, install via ``pip install fdic`` or download the
source code from GitHub. Then start a python interpreter and do
something like the following:
First we import various modules and set ftool to be the tool we want:
.. code:: python
>>> import fdic.query, json
>>> ftool = fdic.query.FDICTools
Now we can get the institutional data from the FDIC and sort it first by
assets and then by deposits. We print the result in JSON format as a
sanity check and see the largest 3 banks by assets:
.. code:: python
>>> inst_data = ftool.get_sorted_inst_data()
>>> top_3_by_assets = inst_data[:3]
>>> print(json.dumps({i['NAME']: {n: i[n] for n in ['ASSET', 'DEP']}
... for i in top_3_by_assets}, indent=2))
{
"JPMorgan Chase Bank, National Association": {
"ASSET": "3201942000",
"DEP": "2440722000"
},
"Bank of America, National Association": {
"ASSET": "2418508000",
"DEP": "2042255000"
},
"Citibank, National Association": {
"ASSET": "1766752000",
"DEP": "1399631000"
}
}
Next we pull in the Uniform Bank Performance Report data. Note that you
will have to download a zip file with this data first. If you don't, you
will get a NeedUBPRZipFile exception telling you how to download the
necessary file.
To save time in parsing, we can provide an rssd\ :sub:`filter` to just
get data for the top 200 banks by assets. After getting the data, we
sort by the UBPRE569 field (unrealized losses as a percent of tier 1
capital for held-to-maturity assets) and then print the data:
.. code:: python
>>> ubpr_data = ftool.get_ubpr_inst_data(rssd_filter={
... i['FED_RSSD'] for i in inst_data[:50]})
>>> htm_data = list(sorted(ubpr_data, key=lambda i: i['UBPRE569']))
>>> print(json.dumps({i['NAME']: {n: i[n] for n in ['NAME', 'UBPRE569']}
... for i in htm_data[:3]}, indent=2))
{
"Silicon Valley Bank": {
"NAME": "Silicon Valley Bank",
"UBPRE569": -89.2
},
"Bank of America, National Association": {
"NAME": "Bank of America, National Association",
"UBPRE569": -59.95
},
"Charles Schwab Bank, SSB": {
"NAME": "Charles Schwab Bank, SSB",
"UBPRE569": -46.87
}
}
You can find a list of the UBPR codes at the `Federal
Reserve <https://www.federalreserve.gov/apps/mdrm/data-dictionary/search/series?sid=1388&show_short_title=False&show_conf=False&rep_status=All&rep_state=Opened&rep_period=Before&date_start=20160912&date_end=20160912>`__.
For example if you are interested in both ``UBPRE569`` (unrealized
losses on the held-to-maturity portfolio as percent of tier 1 capital)
as well as ``UBPRM037`` (appreciation in available for sale securities /
percent of available for sale securities), you could do something like
the following:
.. code:: python
>>> codes = {
... 'UBPRE569': {'convert': float},
... 'UBPRM037': {'convert': float},
... }
>>> ubpr_data = ftool.get_ubpr_inst_data(rssd_filter={
... i['FED_RSSD'] for i in inst_data[:50]}, codes=codes)
>>> htm_data = list(sorted(ubpr_data, key=lambda i: i['UBPRE569']))
>>> print(json.dumps({i['NAME']: {n: i[n] for n in (['NAME']+list(codes))}
... for i in htm_data[:3]}, indent=2))
{
"Silicon Valley Bank": {
"NAME": "Silicon Valley Bank",
"UBPRE569": -89.2,
"UBPRM037": -8.86
},
"Bank of America, National Association": {
"NAME": "Bank of America, National Association",
"UBPRE569": -59.95,
"UBPRM037": -2.0
},
"Charles Schwab Bank, SSB": {
"NAME": "Charles Schwab Bank, SSB",
"UBPRE569": -46.87,
"UBPRM037": -8.17
}
}
نحوه نصب
نصب پکیج whl fdic-0.1.3:
pip install fdic-0.1.3.whl
نصب پکیج tar.gz fdic-0.1.3:
pip install fdic-0.1.3.tar.gz