mdbq 2.9.8__py3-none-any.whl → 2.9.9__py3-none-any.whl

mdbq/aggregation/query_data.py

@@ -51,6 +51,9 @@ class MysqlDatasQuery:
         self.months = 0  # 下载几个月数据, 0 表示当月, 1 是上月 1 号至今
         # 实例化一个下载类
         self.download = s_query.QueryDatas(username=username, password=password, host=host, port=port)
+        self.update_service = True  # 调试时加，true: 将数据写入 mysql 服务器
+        self.pf_datas = []
+        self.pf_datas_jd = []  # 京东聚合销售表
 
     @staticmethod
     def try_except(func):  # 在类内部定义一个异常处理方法
@@ -145,6 +148,22 @@ class MysqlDatasQuery:
             '直接成交笔数': 'int',
             '直接成交金额': 'decimal(12,2)',
         }
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['日期', '店铺名称', '商品id', '花费', '成交金额', '直接成交金额']]
+            }
+        )  # 制作其他聚合表
+        self.pf_datas.append(
+            {
+                '集合名称': '天猫汇总表调用',
+                '数据主体': df[
+                    ['日期', '店铺名称', '推广渠道', '营销场景', '商品id', '花费', '展现量', '点击量', '加购量',
+                     '成交笔数', '成交金额', '直接成交笔数', '直接成交金额', '自然流量曝光量']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         min_date = df['日期'].min()
         max_date = df['日期'].max()
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@@ -221,9 +240,17 @@ class MysqlDatasQuery:
             '退款额': 'decimal(12,2)',
             '退款额_发货后': 'decimal(12,2)',
             '退货量_发货后': 'int',
-            '件均价': 'smallint',
+            '件均价': 'mediumint',
             '价格带': 'varchar(100)',
         }
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['日期', '店铺名称', '宝贝id', '销售额', '销售量', '退款额_发货后', '退货量_发货后']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         min_date = df['日期'].min()
         max_date = df['日期'].max()
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@@ -628,6 +655,14 @@ class MysqlDatasQuery:
                 }
             )
         df.insert(loc=1, column='推广渠道', value='万相台无界版')  # df中插入新列
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['日期', '店铺名称', '推广渠道', '营销场景', '花费', '展现量', '观看次数', '加购量', '成交笔数', '成交金额', '直接成交笔数', '直接成交金额']]
+            },
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         set_typ = {
             '日期': 'date',
             '推广渠道': 'varchar(100)',
@@ -730,6 +765,14 @@ class MysqlDatasQuery:
             )
         df.insert(loc=1, column='推广渠道', value='品销宝')  # df中插入新列
         df.insert(loc=2, column='营销场景', value='品销宝')  # df中插入新列
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['日期', '店铺名称', '推广渠道', '营销场景', '花费', '展现量', '点击量', '加购量', '成交笔数', '成交金额']]
+            },
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         set_typ = {
             '日期': 'date',
             '推广渠道': 'varchar(100)',
@@ -793,6 +836,14 @@ class MysqlDatasQuery:
             '二级类目': 'varchar(100)',
             '三级类目': 'varchar(100)',
         }
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['宝贝id', '商家编码']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
         print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name}')
         m_engine.df_to_mysql(
@@ -842,6 +893,14 @@ class MysqlDatasQuery:
             '日期': 'date',
             '商品链接': 'varchar(255)',
         }
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['商品id', '商品图片']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
         print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name}')
         m_engine.df_to_mysql(
@@ -960,6 +1019,14 @@ class MysqlDatasQuery:
             '天猫页面价': 'decimal(10,2)',
             '天猫中促价': 'decimal(10,2)',
         }
+        self.pf_datas.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['款号', '成本价']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         min_date = df['日期'].min()
         max_date = df['日期'].max()
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@@ -1018,6 +1085,14 @@ class MysqlDatasQuery:
                }
         )
         df = df[df['花费'] > 0]
+        self.pf_datas_jd.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df[['日期', '产品线', '触发sku_id', '跟单sku_id', '花费']]
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         set_typ = {
             '日期': 'date',
             '店铺名称': 'varchar(100)',
@@ -1247,6 +1322,14 @@ class MysqlDatasQuery:
                 '成交金额': ('成交金额', np.max),
             }
         )
+        self.pf_datas_jd.append(
+            {
+                '集合名称': table_name,
+                '数据主体': df
+            }
+        )  # 制作其他聚合表
+        if not self.update_service:
+            return
         set_typ = {
             '日期': 'date',
             '店铺名称': 'varchar(100)',
@@ -1399,11 +1482,15 @@ class MysqlDatasQuery:
             '客单价': 'decimal(10,2)',
             'uv价值': 'decimal(10,2)',
         }
+        min_date = df['日期'].min()
+        max_date = df['日期'].max()
+        now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+        print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name} -> {min_date}~{max_date}')
         m_engine.df_to_mysql(
             df=df,
             db_name=db_name,
             table_name=table_name,
-            icm_update=['日期', '关键词', '访客数'],  # 增量更新, 在聚合数据中使用，其他不要用
+            icm_update=['日期', '店铺名称', '词类型', '搜索词'],  # 增量更新, 在聚合数据中使用，其他不要用
             move_insert=False,  # 先删除，再插入
             df_sql=False,  # 值为 True 时使用 df.to_sql 函数上传整个表, 不会排重
             drop_duplicates=False,  # 值为 True 时检查重复数据再插入，反之直接上传，会比较慢
@@ -1783,6 +1870,8 @@ class MysqlDatasQuery:
             '成交笔数': 'int',
             '成交金额': 'decimal(12,2)',
         }
+        if not self.update_service:
+            return
         min_date = df['日期'].min()
         max_date = df['日期'].max()
         now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
@@ -2296,33 +2385,77 @@ class MysqlDatasQuery:
         return result
 
     # @try_except
-    def performance(self, bb_tg=True):
-         # print(self.data_tgyj)
-        tg, syj, idbm, pic, cost = (
-            self.data_tgyj['天猫_主体报表'],
-            self.data_tgyj['生意经_宝贝指标'],
-            self.data_tgyj['商品id编码表'],
-            self.data_tgyj['商品id图片对照表'],
-            self.data_tgyj['商品成本'])  # 这里不要加逗号
-        pic['商品id'] = pic['商品id'].astype(str)
-        df = pd.merge(idbm, pic, how='left', left_on='宝贝id', right_on='商品id')  # id 编码表合并图片表
-        df = df[['宝贝id', '商家编码', '商品图片']]
-        df = pd.merge(df, cost, how='left', left_on='商家编码', right_on='款号')  # df 合并商品成本表
-        df = df[['宝贝id', '商家编码', '商品图片', '成本价']]
-        df = pd.merge(tg, df, how='left', left_on='商品id', right_on='宝贝id')  # 推广表合并 df
-        df.drop(labels='宝贝id', axis=1, inplace=True)
+    def performance(self, db_name, table_name, bb_tg=True):
+
+        tg= [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '天猫_主体报表'][0]
+        syj = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '生意经_宝贝指标'][0]
+        idbm = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '商品id编码表'][0]
+        pic = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '商品id图片对照表'][0]
+        cost = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '商品成本'][0]
+
+        # pic['商品id'] = pic['商品id'].astype(str)
+        # # 1.  id 编码表合并图片表
+        # df = pd.merge(idbm, pic, how='left', left_on='宝贝id', right_on='商品id')
+        # df = df[['宝贝id', '商家编码', '商品图片']]
+        # # 2.  df 合并商品成本表
+        # df = pd.merge(df, cost, how='left', left_on='商家编码', right_on='款号')
+        # df = df[['宝贝id', '商家编码', '商品图片', '成本价']]
+        # # 3.  推广表合并 df
+        # df = pd.merge(tg, df, how='left', left_on='商品id', right_on='宝贝id')
+        # df.drop(labels='宝贝id', axis=1, inplace=True)
+
+        # 由于推广表之前根据场景、营销渠道等聚合的，这里不含这些字段所以要进一步聚合
+        tg = tg.groupby(
+            ['日期', '店铺名称', '商品id'],
+            as_index=False).agg(
+            **{
+                '花费': ('花费', np.sum),
+                '成交金额': ('成交金额', np.sum),
+                '直接成交金额': ('直接成交金额', np.sum),
+            }
+        )
+        syj.to_csv('/Users/xigua/Downloads/ddd.csv', index=False, header=True, encoding='utf-8_sig')
+        # 4.  生意经，推广表聚合
         if bb_tg is True:
             # 生意经合并推广表，完整的数据表，包含全店所有推广、销售数据
-            df = pd.merge(syj, df, how='left', left_on=['日期', '店铺名称', '宝贝id'], right_on=['日期', '店铺名称', '商品id'])
+            df = pd.merge(syj, tg, how='left', left_on=['日期', '店铺名称', '宝贝id'], right_on=['日期', '店铺名称', '商品id'])
             df.drop(labels='商品id', axis=1, inplace=True)  # 因为生意经中的宝贝 id 列才是完整的
             df.rename(columns={'宝贝id': '商品id'}, inplace=True)
-            # df.to_csv('/Users/xigua/Downloads/test.csv', encoding='utf-8_sig', index=False, header=True)
         else:
             # 推广表合并生意经 , 以推广数据为基准，销售数据不齐全
-            df = pd.merge(df, syj, how='left', left_on=['日期', '店铺名称', '商品id'], right_on=['日期', '店铺名称', '宝贝id'])
+            df = pd.merge(tg, syj, how='left', left_on=['日期', '店铺名称', '商品id'], right_on=['日期', '店铺名称', '宝贝id'])
             df.drop(labels='宝贝id', axis=1, inplace=True)
-        df.drop_duplicates(subset=['日期', '店铺名称', '商品id', '花费', '销售额'], keep='last', inplace=True, ignore_index=True)
-        df.fillna(0, inplace=True)
+
+        df['商品id'] = df['商品id'].astype(int)
+        df = df.groupby(
+            ['日期', '店铺名称', '商品id'],
+            as_index=False).agg(
+            **{
+                '花费': ('花费', np.sum),
+                '成交金额': ('成交金额', np.sum),
+                '直接成交金额': ('直接成交金额', np.sum),
+                '销售额': ('销售额', np.sum),
+                '销售量': ('销售量', np.sum),
+                '退款额_发货后': ('退款额_发货后', np.sum),
+                '退货量_发货后': ('退货量_发货后', np.sum),
+            }
+        )
+        # print(df.info())
+
+        idbm['宝贝id'] = idbm['宝贝id'].astype(int)
+        # 1.  id 编码表合并图片表
+        df_cb = pd.merge(idbm, pic, how='left', left_on='宝贝id', right_on='商品id')
+        df_cb = df_cb[['宝贝id', '商家编码', '商品图片']]
+        # 2.  df 合并商品成本表
+        df_cb = pd.merge(df_cb, cost, how='left', left_on='商家编码', right_on='款号')
+        df_cb = df_cb[['宝贝id', '商家编码', '商品图片', '成本价']]
+        # print(df_cb.info())
+        # 3.  合并 df
+        df = pd.merge(df, df_cb, how='left', left_on='商品id', right_on='宝贝id')
+        df.drop(labels='宝贝id', axis=1, inplace=True)
+
+        # df.drop_duplicates(subset=['日期', '店铺名称', '商品id', '花费', '销售额'], keep='last', inplace=True, ignore_index=True)
+        # df.fillna(0, inplace=True)
         df['成本价'] = df['成本价'].astype('float64')
         df['销售额'] = df['销售额'].astype('float64')
         df['销售量'] = df['销售量'].astype('int64')
@@ -2330,11 +2463,74 @@ class MysqlDatasQuery:
         df['商品毛利'] = df.apply(lambda x: x['销售额'] - x['商品成本'], axis=1)
         df['毛利率'] = df.apply(lambda x: round((x['销售额'] - x['商品成本']) / x['销售额'], 4) if x['销售额'] > 0 else 0, axis=1)
         df['盈亏'] = df.apply(lambda x: x['商品毛利'] - x['花费'], axis=1)
-        return df
+        set_typ = {
+            '日期': 'date',
+            '店铺名称': 'varchar(100)',
+            '商品id': 'bigint',
+            '销售额': 'decimal(12,2)',
+            '销售量': 'int',
+            '退款额_发货后': 'decimal(12,2)',
+            '退货量_发货后': 'int',
+            '花费': 'decimal(12,2)',
+            '成交金额': 'decimal(12,2)',
+            '直接成交金额': 'decimal(12,2)',
+            '商家编码': 'varchar(100)',
+            '商品图片': 'varchar(255)',
+            '成本价': 'decimal(10,2)',
+            '商品成本': 'decimal(10,2)',
+            '商品毛利': 'decimal(10,2)',
+            '毛利率': 'decimal(12,4)',
+            '盈亏': 'decimal(12,4)',
+        }
+        if not self.update_service:
+            return
+        min_date = df['日期'].min()
+        max_date = df['日期'].max()
+        now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+        print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name} -> {min_date}~{max_date}')
+        m_engine.df_to_mysql(
+            df=df,
+            db_name=db_name,
+            table_name=table_name,
+            icm_update=[],  # 增量更新, 在聚合数据中使用，其他不要用
+            move_insert=True,  # 先删除，再插入
+            df_sql=False,  # 值为 True 时使用 df.to_sql 函数上传整个表, 不会排重
+            drop_duplicates=False,  # 值为 True 时检查重复数据再插入，反之直接上传，会比较慢
+            count=None,
+            filename=None,  # 用来追踪处理进度
+            reset_id=False,  # 是否重置自增列
+            set_typ=set_typ,
+        )
+        return True
 
     # @try_except
-    def performance_concat(self, bb_tg=True):
-        tg, zb, pxb = self.data_tgyj['天猫汇总表调用'], self.data_tgyj['天猫_超级直播'], self.data_tgyj['天猫_品销宝账户报表']
+    def performance_concat(self, db_name, table_name, bb_tg=True):
+        tg = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '天猫汇总表调用'][0]
+        zb = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '天猫_超级直播'][0]
+        pxb = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '天猫_品销宝账户报表'][0]
+        zb = zb.groupby(['日期', '店铺名称', '推广渠道', '营销场景'], as_index=False).agg(
+            **{
+                '花费': ('花费', np.sum),
+                '展现量': ('展现量', np.sum),
+                '观看次数': ('观看次数', np.sum),
+                '加购量': ('加购量', np.sum),
+                '成交笔数': ('成交笔数', np.sum),
+                '成交金额': ('成交金额', np.sum),
+                '直接成交笔数': ('直接成交笔数', np.sum),
+                '直接成交金额': ('直接成交金额', np.sum),
+            }
+        )
+        pxb = pxb.groupby(['日期', '店铺名称', '推广渠道', '营销场景'], as_index=False).agg(
+            **{
+                '花费': ('花费', np.sum),
+                '展现量': ('展现量', np.sum),
+                '点击量': ('点击量', np.sum),
+                '加购量': ('加购量', np.sum),
+                '成交笔数': ('成交笔数', np.sum),
+                '成交金额': ('成交金额', np.sum)
+            }
+        )
+
         zb.rename(columns={
             '观看次数': '点击量',
         }, inplace=True)
@@ -2379,23 +2575,61 @@ class MysqlDatasQuery:
                 '自然流量曝光量': int,
         }
         )
-        return df
+        set_typ = {
+            '日期': 'date',
+            '店铺名称': 'varchar(100)',
+            '推广渠道': 'varchar(100)',
+            '营销场景': 'varchar(100)',
+            '商品id': 'bigint',
+            '花费': 'decimal(12,2)',
+            '展现量': 'int',
+            '点击量': 'int',
+            '加购量': 'int',
+            '成交笔数': 'int',
+            '成交金额': 'decimal(12,2)',
+            '直接成交笔数': 'int',
+            '直接成交金额': 'decimal(12,2)',
+            '自然流量曝光量': 'int',
+        }
+        if not self.update_service:
+            return
+        min_date = df['日期'].min()
+        max_date = df['日期'].max()
+        now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+        print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name} -> {min_date}~{max_date}')
+        m_engine.df_to_mysql(
+            df=df,
+            db_name=db_name,
+            table_name=table_name,
+            icm_update=[],  # 增量更新, 在聚合数据中使用，其他不要用
+            move_insert=True,  # 先删除，再插入
+            df_sql=False,  # 值为 True 时使用 df.to_sql 函数上传整个表, 不会排重
+            drop_duplicates=False,  # 值为 True 时检查重复数据再插入，反之直接上传，会比较慢
+            count=None,
+            filename=None,  # 用来追踪处理进度
+            reset_id=False,  # 是否重置自增列
+            set_typ=set_typ,
+        )
+        return True
 
     # @try_except
-    def performance_jd(self, jd_tg=True):
-        jdtg, sku_sales = self.data_jdtg['京东_京准通'], self.data_jdtg['京东_sku_商品明细']
+    def performance_jd(self, db_name, table_name, jd_tg=True, ):
+        jdtg = [item['数据主体'] for item in self.pf_datas_jd if item['集合名称'] == '京东_京准通'][0]
+        sku_sales = [item['数据主体'] for item in self.pf_datas_jd if item['集合名称'] == '京东_sku_商品明细'][0]
+        cost = [item['数据主体'] for item in self.pf_datas if item['集合名称'] == '商品成本'][0]
+
         jdtg = jdtg.groupby(['日期', '跟单sku_id'],
                         as_index=False).agg(
             **{
                 '花费': ('花费', np.sum)
             }
         )
-        cost = self.data_tgyj['商品成本']
         df = pd.merge(sku_sales, cost, how='left', left_on='货号', right_on='款号')
         df = df[['日期', '商品id', '货号', '成交单量', '成交金额', '成本价']]
         df['商品id'] = df['商品id'].astype(str)
         jdtg['跟单sku_id'] = jdtg['跟单sku_id'].astype(str)
         jdtg = jdtg.astype({'日期': 'datetime64[ns]'}, errors='raise')
+        df = df.astype({'日期': 'datetime64[ns]'}, errors='raise')
         if jd_tg is True:
             # 完整的数据表，包含全店所有推广、销售数据
             df = pd.merge(df, jdtg, how='left', left_on=['日期', '商品id'], right_on=['日期', '跟单sku_id'])  # df 合并推广表
@@ -2414,7 +2648,40 @@ class MysqlDatasQuery:
         df['毛利率'] = df.apply(
             lambda x: round((x['成交金额'] - x['商品成本']) / x['成交金额'], 4) if x['成交金额'] > 0 else 0, axis=1)
         df['盈亏'] = df.apply(lambda x: x['商品毛利'] - x['花费'], axis=1)
-        return df
+        # print(df.info())
+        set_typ = {
+            '日期': 'date',
+            '跟单sku_id': 'bigint',
+            '花费': 'decimal(12,2)',
+            '货号': 'varchar(100)',
+            '成交单量': 'int',
+            '成交金额': 'decimal(12,2)',
+            '成本价': 'decimal(10,2)',
+            '商品成本': 'decimal(10,2)',
+            '商品毛利': 'decimal(10,2)',
+            '毛利率': 'decimal(12,4)',
+            '盈亏': 'decimal(12,4)',
+        }
+        if not self.update_service:
+            return
+        min_date = df['日期'].min()
+        max_date = df['日期'].max()
+        now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+        print(f'{now} 正在更新: mysql ({host}:{port}) {db_name}/{table_name} -> {min_date}~{max_date}')
+        m_engine.df_to_mysql(
+            df=df,
+            db_name=db_name,
+            table_name=table_name,
+            icm_update=[],  # 增量更新, 在聚合数据中使用，其他不要用
+            move_insert=True,  # 先删除，再插入
+            df_sql=False,  # 值为 True 时使用 df.to_sql 函数上传整个表, 不会排重
+            drop_duplicates=False,  # 值为 True 时检查重复数据再插入，反之直接上传，会比较慢
+            count=None,
+            filename=None,  # 用来追踪处理进度
+            reset_id=False,  # 是否重置自增列
+            set_typ=set_typ,
+        )
+        return True
 
 
 def date_table():
@@ -2501,13 +2768,14 @@ def query_(months=1, less_dict=[]):
         return
     sdq = MysqlDatasQuery()  # 实例化数据处理类
     sdq.months = months  # 设置数据周期， 1 表示近 2 个月
+    sdq.update_service = True  # 调试时加，true: 将数据写入 mysql 服务器
 
     sdq.tg_wxt(db_name='聚合数据', table_name='天猫_主体报表')
     sdq.syj(db_name='聚合数据', table_name='生意经_宝贝指标')
-    sdq.dplyd(db_name='聚合数据', table_name='店铺流量来源构成')
     sdq.idbm(db_name='聚合数据', table_name='商品id编码表')
     sdq.sp_picture(db_name='聚合数据', table_name='商品id图片对照表')
     sdq.sp_cost(db_name='聚合数据', table_name='商品成本')
+    sdq.dplyd(db_name='聚合数据', table_name='店铺流量来源构成')
     sdq.jdjzt(db_name='聚合数据', table_name='京东_京准通')
     sdq.jdqzyx(db_name='聚合数据', table_name='京东_京准通_全站营销')
     sdq.sku_sales(db_name='聚合数据', table_name='京东_sku_商品明细')
@@ -2522,9 +2790,13 @@ def query_(months=1, less_dict=[]):
     sdq.tg_by_day(db_name='聚合数据', table_name='多店推广场景_按日聚合')
     sdq.aikucun_bd_spu(db_name='聚合数据', table_name='爱库存_商品spu榜单')
     sdq.dmp_crowd(db_name='聚合数据', table_name='达摩盘_人群报表')
+    sdq.performance(bb_tg=True, db_name='聚合数据', table_name='_全店商品销售')  # _全店商品销售
+    sdq.performance(bb_tg=False, db_name='聚合数据', table_name='_推广商品销售')  # _推广商品销售
+    sdq.performance_jd(jd_tg=False, db_name='聚合数据', table_name='_京东_推广商品销售')  # _推广商品销售
+    sdq.performance_concat(bb_tg=False, db_name='聚合数据', table_name='天猫_推广汇总')  # _推广商品销售
 
 
 if __name__ == '__main__':
-    # main(days=100, months=3)
+    main(days=100, months=3)
 
-    query_(months=1)
+    # query_(months=1)

{mdbq-2.9.8.dist-info → mdbq-2.9.9.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: mdbq
-Version: 2.9.8
+Version: 2.9.9
 Home-page: https://pypi.org/project/mdbq
 Author: xigua, 
 Author-email: 2587125111@qq.com

{mdbq-2.9.8.dist-info → mdbq-2.9.9.dist-info}/RECORD

@@ -5,7 +5,7 @@ mdbq/aggregation/aggregation.py,sha256=2KCVXZygQt4xVxGbFcDMBpL3PukY4yQF_uI-qLSTW
 mdbq/aggregation/df_types.py,sha256=U9i3q2eRPTDY8qAPTw7irzu-Tlg4CIySW9uYro81wdk,8125
 mdbq/aggregation/mysql_types.py,sha256=YTGyrF9vcRgfkQbpT-e-JdJ7c7VF1dDHgyx9YZRES8w,10934
 mdbq/aggregation/optimize_data.py,sha256=79uwiM2WqNNFxGpE2wKz742PRq-ZGgFjdOV0vgptHdY,3513
-mdbq/aggregation/query_data.py,sha256=e6vb4hPYZL5KWE6O-MtDoY13GWhx5YMDvTyD3rdgy3c,111441
+mdbq/aggregation/query_data.py,sha256=iuRaJkqXEiiT_MzoQixGcAzkUwuFxhSGh0qxPjDSlEU,124313
 mdbq/aggregation/query_data_bak.py,sha256=r1FU0C4zjXln7oVSrRkElh4Ehl-9mYhGcq57jLbViUA,104071
 mdbq/bdup/__init__.py,sha256=AkhsGk81SkG1c8FqDH5tRq-8MZmFobVbN60DTyukYTY,28
 mdbq/bdup/bdup.py,sha256=LAV0TgnQpc-LB-YuJthxb0U42_VkPidzQzAagan46lU,4234
@@ -44,7 +44,7 @@ mdbq/req_post/__init__.py,sha256=jso1oHcy6cJEfa7udS_9uO5X6kZLoPBF8l3wCYmr5dM,18
 mdbq/req_post/req_tb.py,sha256=qg7pet73IgKGmCwxaeUyImJIoeK_pBQT9BBKD7fkBNg,36160
 mdbq/spider/__init__.py,sha256=RBMFXGy_jd1HXZhngB2T2XTvJqki8P_Fr-pBcwijnew,18
 mdbq/spider/aikucun.py,sha256=01qJo_Di5Kmi2lG5_HKb0OI283b1-Pgqh-nnA0pX4TY,19038
-mdbq-2.9.8.dist-info/METADATA,sha256=-YqbseryNUHGqmaRj1Brh9FejzA62uUxgav_hmn14CQ,243
-mdbq-2.9.8.dist-info/WHEEL,sha256=cpQTJ5IWu9CdaPViMhC9YzF8gZuS5-vlfoFihTBC86A,91
-mdbq-2.9.8.dist-info/top_level.txt,sha256=2FQ-uLnCSB-OwFiWntzmwosW3X2Xqsg0ewh1axsaylA,5
-mdbq-2.9.8.dist-info/RECORD,,
+mdbq-2.9.9.dist-info/METADATA,sha256=GlOK8ubNuk_jdrf3mZccTt48sZye7H5MSPllrC1OSN8,243
+mdbq-2.9.9.dist-info/WHEEL,sha256=eOLhNAGa2EW3wWl_TU484h7q1UNgy0JXjjoqKoxAAQc,92
+mdbq-2.9.9.dist-info/top_level.txt,sha256=2FQ-uLnCSB-OwFiWntzmwosW3X2Xqsg0ewh1axsaylA,5
+mdbq-2.9.9.dist-info/RECORD,,

{mdbq-2.9.8.dist-info → mdbq-2.9.9.dist-info}/WHEEL

@@ -1,5 +1,5 @@
 Wheel-Version: 1.0
-Generator: setuptools (70.1.0)
+Generator: bdist_wheel (0.44.0)
 Root-Is-Purelib: true
 Tag: py3-none-any