昨天把資料都抓齊之後，今天我們要把四季的平均值都抓出來，並且記錄他的成長次數，當一支股票都能穩定保持成長的時候，那就代表他是一支好的股票，我們藉由抓取到的資料再去查詢今年跟前年的對比，看是否成長。
前置作業就不多說，直接進入主題。

這裡定義了三個 SQL 查詢語句，並通過 Pandas 的 read_sql 方法將查詢結果存儲到 DataFrame 中：
df_all：存放所有 PP_GPM_OPM_NPM 表中的資料，按照 stockid 和 dateQ 排序。
df_date：存放所有不同的日期。
df_stockid：存放所有不同的股票代碼。
stock_ids_count：股票代碼的數量。
date_count：日期的數量。
all_count：總記錄數。

這部分初始化了一些變數來儲存四季的財務數據（GPM4Q、OPM4Q、NPM4Q）以及它們的上升或下降次數（UP/4QUP），每次處理一個股票代碼。

這個部分是內部迴圈遍歷每個日期的數據：
for i in range(0, date_count)：這個迴圈遍歷某股票的所有日期記錄，每次處理一個日期。提取具體數據：
tx_date = df_PP_inventory.iloc[count, 0]：從 df_PP_inventory 中取得當前的日期。
stock_id = df_PP_inventory.iloc[count, 1]：取得當前處理的股票代碼。
GPM, OPM, NPM：分別對應於當前日期的營業毛利率、營業利益率、稅後淨利率。
sn = df_PP_inventory.iloc[count, 14]：取得這筆記錄的唯一識別符號（SN），用於後續的資料更新。

計算最近四個季度的平均值：
if i >= 3：這個條件判斷確保至少有四筆資料可供計算。當處理到第四筆或之後的資料時，才會進行最近四季的平均計算。
計算最近四季的營業毛利率（GPM4Q）：
GPM4Q = (df_PP_inventory.iloc[count, 2] + df_PP_inventory.iloc[count-1, 2] + df_PP_inventory.iloc[count-2, 2] + df_PP_inventory.iloc[count-3, 2]) / 4：這裡是將當前季度以及前面三個季度的營業毛利率相加，然後取平均值。iloc[count, 2] 對應於當前季度的 GPM，iloc[count-1, 2] 對應上一季度的 GPM，以此類推。
計算最近四季的營業利益率（OPM4Q）和稅後淨利率（NPM4Q）：
OPM 和 NPM 的計算邏輯與 GPM 一樣，將四個季度的數據相加取平均。
將四季的平均值寫回 DataFrame：
df_PP_inventory.iloc[count, 3] = GPM4Q：將 GPM4Q 寫回 DataFrame 的第 3 列。
同理，OPM4Q 和 NPM4Q 也寫回到第 7 列和第 11 列。

處理單季上升次數（UP）與四季平均上升次數（UP4Q）

單季的上升/下降次數（UP）：
if i >= 1：這裡保證至少有兩筆資料來進行比較。
GPM 的變動趨勢：
if df_PP_inventory.iloc[count, 2] > df_PP_inventory.iloc[count-1, 2]：如果當前季度的 GPM 比上一季度高，GPM_UP 增加 1。
elif df_PP_inventory.iloc[count, 2] < df_PP_inventory.iloc[count-1, 2]：如果當前季度的 GPM 比上一季度低，GPM_UP 減少 1。
OPM 和 NPM 的處理邏輯同理：
分別計算 OPM_UP 和 NPM_UP，根據前後兩個季度的 OPM 和 NPM 的比較結果來增減。
將單季的上升次數寫回 DataFrame：
df_PP_inventory.iloc[count, 4] = GPM_UP：將 GPM_UP 寫回第 4 列。
OPM 和 NPM 的上升次數也分別寫入第 8 和第 12 列。

四季平均值的上升/下降次數（UP4Q）：
if i >= 4：這裡保證至少有五筆資料進行比較，因為需要比較的是四季平均值的上升或下降趨勢。
GPM 四季平均的變動趨勢：
if df_PP_inventory.iloc[count, 3] > df_PP_inventory.iloc[count-1, 3]：如果當前四季平均 GPM 比上一期高，GPM4Q_UP

上述要求都完成之後，接下來就是回寫SQL的時間(記得名稱跟順序一定要跟SQL一模一樣!!!)
接著我們打開SQL檢查一下資料是否有存取進去，這邊以台積電為舉例(2330)

檢查完之後確認資料無誤，就大功告成了!