今天就簡單把BigQuery加入程式碼，我們就可以功成身退了~~~

import joblib
import pandas as pd
from itertools import product
import talib as ta
from google.cloud import bigquery

import pandas as pd
pd.set_option('display.max_rows', None)

# 函數：計算Stochastic Oscillator指標
def calculate_stochastic_oscillator(dataframe, fastk_period, slowk_period, slowd_period):
    """
    計算Stochastic Oscillator指標。

    Args:
        dataframe (pd.DataFrame): 包含股票數據的DataFrame。
        fastk_period (int): 快速K期數。
        slowk_period (int): 慢速K期數。
        slowd_period (int): 慢速D期數。

    Returns:
        pd.Series: 包含計算結果的DataFrame。
    """
    slowk, slowd = ta.STOCH(dataframe['high'], dataframe['low'], dataframe['close'],
                            fastk_period=fastk_period, 
                            slowk_period=slowk_period, 
                            slowk_matype=0, 
                            slowd_period=slowd_period)
    return slowk, slowd

# 函數：生成技術指標特徵
def generate_technical_indicators(dataframe):
    """
    生成技術指標特徵。

    Args:
        dataframe (pd.DataFrame): 包含股票數據的DataFrame。

    Returns:
        pd.DataFrame: 包含生成特徵的DataFrame。
    """
    feature_dict = {}
    param_values = [5, 6, 7, 8, 9, 10]
    param_combinations = product(param_values, [3, 4, 5], [3, 4, 5])
    
    for fastk_period, slowk_period, slowd_period in param_combinations:
        slowk, slowd = calculate_stochastic_oscillator(dataframe, fastk_period, slowk_period, slowd_period)
        slowk_name = f"slowk_{fastk_period}_{slowk_period}_{slowd_period}"
        slowd_name = f"slowd_{fastk_period}_{slowk_period}_{slowd_period}"
        feature_dict[slowk_name] = slowk
        feature_dict[slowd_name] = slowd
    
    feature_df = pd.DataFrame(feature_dict)
    return feature_df

# 函數：創建lag特徵
def create_lag_features(dataframe, columns):
    """
    創建lag特徵。

    Args:
        dataframe (pd.DataFrame): 包含股票數據的DataFrame。
        columns (list): 需要創建lag特徵的列名列表。

    Returns:
        pd.DataFrame: 包含創建lag特徵的DataFrame。
    """
    lagged_columns = []  # 存儲創建的lag特徵列

    for col in columns:
        for i in range(1, 6):  # 創建1到5天的lag
            lagged_col_name = f'{col}_lag_{i}'
            lagged_columns.append(dataframe[col].shift(i).rename(lagged_col_name))

    # 使用pd.concat連接所有lag特徵列
    dataframe = pd.concat([dataframe] + lagged_columns, axis=1)
    
    return dataframe.dropna()

# 函數：進行股票預測
def predict_stocks(dataframe, model):
    """
    進行股票預測。

    Args:
        dataframe (pd.DataFrame): 包含股票數據的DataFrame。
        model: 預訓練的機器學習模型。

    Returns:
        dict: 包含股票預測結果的字典。
    """
    predictions = {}
    for index, row in dataframe.iterrows():
        ticker = row['id']  # 使用BigQuery資料表中的股票代號欄位
        features = row[features_to_use].values.reshape(1, -1)
        predicted_label = model.predict(features)[0]
        predictions[ticker] = predicted_label
        print(row[features_to_use])
        break
    return predictions

# 主程序
if __name__ == "__main__":
    # 初始化BigQuery客戶端
    client = bigquery.Client()

    # 查詢BigQuery資料表，替換成你的專案ID
    project_id = "your-project-id"
    table_id = "trade-397602.ithelp.stock_index"

    # 查詢SQL
    query = f"""
    SELECT * FROM `{project_id}.{table_id}`
    """

    # 執行查詢
    df = client.query(query).to_dataframe()

    # 生成技術指標
    new_features_df = generate_technical_indicators(df)

    # 合併原始DataFrame和新特徵
    df_combined = pd.concat([df, new_features_df], axis=1)

    # 定義用於創建lag特徵的列
    columns_to_use = ['slowk_5_3_3', 'slowd_5_3_3', 'slowd_5_3_4', 'slowd_5_3_5', 'slowk_5_4_3', 
                    'slowd_5_4_4', 'slowd_5_4_5', 'slowk_5_5_3', 'slowd_5_5_5', 'slowk_6_3_3', 
                    'slowd_6_3_3', 'slowd_6_3_4', 'slowd_6_3_5', 'slowk_6_4_3', 'slowd_6_4_4', 
                    'slowd_6_4_5', 'slowk_6_5_3', 'slowd_6_5_5', 'slowk_7_3_3', 'slowd_7_3_3', 
                    'slowd_7_3_4', 'slowd_7_3_5', 'slowk_7_4_3', 'slowd_7_4_4', 'slowd_7_4_5', 
                    'slowk_7_5_3', 'slowd_7_5_5', 'slowk_8_3_3', 'slowd_8_3_3', 'slowd_8_3_4', 
                    'slowk_8_4_3', 'slowd_8_4_5', 'slowk_8_5_3', 'slowd_8_5_5', 'slowk_9_3_3', 
                    'slowd_9_3_3', 'slowk_9_4_3', 'slowk_9_5_3', 'slowd_9_5_5', 'slowk_10_3_3', 
                    'slowd_10_3_3', 'slowd_10_3_4', 'slowd_10_3_5', 'slowk_10_4_3', 'slowd_10_4_4', 
                    'slowd_10_4_5', 'slowk_10_5_3', 'slowd_10_5_5']
    features_to_use = [f'{col}_lag_{i}' for col in columns_to_use for i in range(1, 6)]

    # 創建lag特徵
    df_combined = create_lag_features(df_combined, columns_to_use)

    # 讀取預先訓練的Random Forest模型
    loaded_model = joblib.load('random_forest_model.pkl')

    # 獲取最新日期
    latest_date = df_combined['date'].max()

    # 篩選出最新日期的所有股票數據
    latest_data_df = df_combined[df_combined['date'] == latest_date]

    # 進行股票預測
    predictions = predict_stocks(latest_data_df, loaded_model)

    # 輸出結果
    print("最新一天各個股票的預測標籤：")
    for ticker, label in predictions.items():
        print(f"股票代碼: {ticker}, 預測標籤（label）: {label}")

我們將輸入改成使用BigQuery。
首先建立BigQuery客戶端

# 初始化BigQuery客戶端
client = bigquery.Client()

建立查詢，將查詢的資料轉成DataFrame。

# 查詢BigQuery資料表，替換成你的專案ID
project_id = "your-project-id"
table_id = "trade-397602.ithelp.stock_index"

# 查詢SQL
query = f"""
SELECT * FROM `{project_id}.{table_id}`
"""

執行他。

# 執行查詢
df = client.query(query).to_dataframe()

至此我們已經完成所有的上雲交易任務，接下來會開始優化各部分的程式碼以及數據處理。
水了幾天還是要開始面對了QAQ