К основному содержанию
скилл CX Codex

api-data-fetcher — скилл для Claude Code: данные и установка

Скилл api-data-fetcher для Claude Code получает экономические показатели через FRED, World Bank и другие API. Загружает данные для обновляемых расчётов и панельных датасетов.

CC0-1.0 208 установок ★ 675 обновлён 2026-09-26

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add meleantonio/awesome-econ-ai-stuff --skill api-data-fetcher -a claude-code
Открыть на GitHub

Что делает api-data-fetcher

api-data-fetcher помогает агенту уточнить показатели, период, частоту, страны и формат результата, а затем подготовить Python-код для загрузки данных. Скилл охватывает FRED, World Bank, IMF, BLS и OECD; для финансовых данных в инструкциях также указан Yahoo Finance.

В код закладываются обработка ошибок API, очистка данных и описание рядов. Для FRED используются fredapi и переменная окружения FRED_API_KEY, для World Bank — wbdata; в примере результат собирается в pandas.DataFrame. Без ключа FRED_API_KEY загрузка рядов FRED завершится ошибкой.

Установка для Claude Code добавляет файл ~/.claude/skills/api-data-fetcher/SKILL.md после команды npx skills add ....

Какие задачи решает

  • загрузить макроэкономические показатели из FRED
  • собрать датасет из нескольких API
  • получить панельные данные по странам
  • подготовить обновляемый Python-скрипт
  • обработать ошибки при запросах к API

Примеры запросов агенту

  • Собери Python-код для загрузки ВВП и безработицы из FRED за нужный период.
  • Получи показатели World Bank для нескольких стран и верни их в pandas.DataFrame.
  • Подготовь обновляемый скрипт для макроэкономических данных с обработкой ошибок API.

Как установить api-data-fetcher

1Через Skills CLI (Vercel)

npx skills add meleantonio/awesome-econ-ai-stuff --skill api-data-fetcher -a claude-code

2Вручную: положить файлы

~/.claude/skills/api-data-fetcher/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/api-data-fetcher/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы об api-data-fetcher

Как установить api-data-fetcher в Claude Code?

Выполните npx skills add meleantonio/awesome-econ-ai-stuff --skill api-data-fetcher -a claude-code, затем проверьте файл ~/.claude/skills/api-data-fetcher/SKILL.md.

Что делает api-data-fetcher?

Скилл помогает выбрать источник экономических данных и создать документированный Python-код для запроса, очистки и объединения результатов.

Что нужно для загрузки данных из FRED?

Нужны пакет fredapi и ключ FRED. Ключ можно передать в коде или задать через переменную окружения FRED_API_KEY.

Исходный текст

SKILL.md · CC0-1.0
---
name: api-data-fetcher
description: Fetch economic data from FRED, World Bank, and other APIs
workflow_stage: data
compatibility:
  - claude-code
  - cursor
  - codex
  - gemini-cli
author: Awesome Econ AI Community
version: 1.0.0
tags:
  - Python
  - API
  - FRED
  - World-Bank
  - data-collection
---

# API Data Fetcher

## Purpose

This skill helps economists fetch data from major economic data APIs including FRED (Federal Reserve Economic Data), World Bank, IMF, BLS, and OECD. It generates clean, documented Python code with proper error handling.

## When to Use

- Downloading macroeconomic indicators
- Building custom datasets from multiple sources
- Automating data updates for ongoing projects
- Fetching cross-country panel data

## Instructions

### Step 1: Identify Data Requirements

Ask the user:
1. What data do you need? (GDP, unemployment, inflation, etc.)
2. What time period and frequency?
3. What countries/regions?
4. Preferred output format? (CSV, DataFrame, etc.)

### Step 2: Select Appropriate API

| Data Type | Best Source | Package |
|-----------|------------|---------|
| US macro | FRED | `fredapi` |
| Global development | World Bank | `wbdata` |
| Labor statistics | BLS | `bls` |
| Cross-country | OECD | `pandasdmx` |
| Financial | Yahoo Finance | `yfinance` |

### Step 3: Generate Clean Code

Include:
- API key handling (environment variables)
- Error handling for API failures
- Data cleaning and formatting
- Documentation of series definitions

## Example Output

```python
"""
Economic Data Fetcher
=====================
Downloads macroeconomic data from FRED and World Bank APIs.
Requires: fredapi, wbdata, pandas

Setup: Set FRED_API_KEY environment variable
Get a free key from: https://fred.stlouisfed.org/docs/api/api_key.html
"""

import os
import pandas as pd
from datetime import datetime, timedelta
from typing import List, Optional, Dict

# ============================================
# FRED Data Fetcher
# ============================================

def fetch_fred_series(
    series_ids: List[str],
    start_date: str = "2000-01-01",
    end_date: Optional[str] = None,
    api_key: Optional[str] = None
) -> pd.DataFrame:
    """
    Fetch time series data from FRED.
    
    Parameters
    ----------
    series_ids : list of str
        FRED series IDs (e.g., ['GDP', 'UNRATE', 'CPIAUCSL'])
    start_date : str
        Start date in YYYY-MM-DD format
    end_date : str, optional
        End date (defaults to today)
    api_key : str, optional
        FRED API key (defaults to FRED_API_KEY env var)
    
    Returns
    -------
    pd.DataFrame
        DataFrame with date index and series as columns
    
    Example
    -------
    >>> df = fetch_fred_series(['GDP', 'UNRATE'], '2010-01-01')
    """
    try:
        from fredapi import Fred
    except ImportError:
        raise ImportError("Install fredapi: pip install fredapi")
    
    # Get API key
    api_key = api_key or os.environ.get('FRED_API_KEY')
    if not api_key:
        raise ValueError(
            "FRED API key required. Set FRED_API_KEY environment variable "
            "or pass api_key parameter. Get a key at: "
            "https://fred.stlouisfed.org/docs/api/api_key.html"
        )
    
    fred = Fred(api_key=api_key)
    end_date = end_date or datetime.now().strftime('%Y-%m-%d')
    
    # Fetch each series
    data = {}
    for series_id in series_ids:
        try:
            series = fred.get_series(
                series_id,
                observation_start=start_date,
                observation_end=end_date
            )
            data[series_id] = series
            print(f"✓ Downloaded {series_id}")
        except Exception as e:
            print(f"✗ Failed to download {series_id}: {e}")
    
    # Combine into DataFrame
    df = pd.DataFrame(data)
    df.index.name = 'date'
    
    return df


# Common FRED series for economists
FRED_SERIES = {
    # GDP and Output
    'GDP': 'Gross Domestic Product',
    'GDPC1': 'Real GDP',
    'GDPPOT': 'Real Potential GDP',
    
    # Labor Market
    'UNRATE': 'Unemployment Rate',
    'PAYEMS': 'Total Nonfarm Payrolls',
    'CIVPART': 'Labor Force Participation Rate',
    
    # Prices
    'CPIAUCSL': 'Consumer Price Index',
    'PCEPI': 'PCE Price Index',
    'CPILFESL': 'Core CPI',
    
    # Interest Rates
    'FEDFUNDS': 'Federal Funds Rate',
    'DGS10': '10-Year Treasury Rate',
    'T10Y2Y': '10Y-2Y Treasury Spread',
    
    # Money and Credit
    'M2SL': 'M2 Money Stock',
    'TOTRESNS': 'Total Reserves',
}


# ============================================
# World Bank Data Fetcher
# ============================================

def fetch_world_bank_data(
    indicators: Dict[str, str],
    countries: List[str] = ['USA', 'GBR', 'DEU', 'FRA', 'JPN'],
    start_year: int = 2000,
    end_year: Optional[int] = None
) -> pd.DataFrame:
    """
    Fetch indicator data from World Bank.
    
    Parameters
    ----------
    indicators : dict
        Dict mapping indicator codes to names
        e.g., {'NY.GDP.PCAP.CD': 'gdp_per_capita'}
    countries : list of str
        ISO 3-letter country codes
    start_year : int
        Start year
    end_year : int, optional
        End year (defaults to current year)
    
    Returns
    -------
    pd.DataFrame
        Panel data with country and year
    
    Example
    -------
    >>> indicators = {
    ...     'NY.GDP.PCAP.CD': 'gdp_per_capita',
    ...     'SP.POP.TOTL': 'population'
    ... }
    >>> df = fetch_world_bank_data(indicators, ['USA', 'GBR'])
    """
    try:
        import wbdata
    except ImportError:
        raise ImportError("Install wbdata: pip install wbdata")
    
    end_year = end_year or datetime.now().year
    
    all_data = []
    
    for indicator_code, indicator_name in indicators.items():
        try:
            # Fetch data
            data = wbdata.get_dataframe(
                {indicator_code: indicator_name},
                country=countries,
            )
            data = data.reset_index()
            all_data.append(data)
            print(f"✓ Downloaded {indicator_name}")
            
        except Exception as e:
            print(f"✗ Failed to download {indicator_name}: {e}")
    
    # Merge all indicators
    if all_data:
        df = all_data[0]
        for other_df in all_data[1:]:
            df = df.merge(other_df, on=['country', 'date'], how='outer')
        
        # Filter years
        df['year'] = pd.to_datetime(df['date']).dt.year
        df = df[(df['year'] >= start_year) & (df['year'] <= end_year)]
        
        return df
    
    return pd.DataFrame()


# Common World Bank indicators
WORLD_BANK_INDICATORS = {
    # Income and Growth
    'NY.GDP.PCAP.CD': 'GDP per capita (current US$)',
    'NY.GDP.PCAP.KD.ZG': 'GDP per capita growth (%)',
    'NY.GDP.MKTP.KD.ZG': 'GDP growth (%)',
    
    # Population
    'SP.POP.TOTL': 'Population, total',
    'SP.URB.TOTL.IN.ZS': 'Urban population (%)',
    
    # Trade
    'NE.TRD.GNFS.ZS': 'Trade (% of GDP)',
    'BX.KLT.DINV.WD.GD.ZS': 'FDI, net inflows (% of GDP)',
    
    # Human Capital
    'SE.XPD.TOTL.GD.ZS': 'Education expenditure (% of GDP)',
    'SH.XPD.CHEX.GD.ZS': 'Health expenditure (% of GDP)',
    
    # Inequality
    'SI.POV.GINI': 'Gini index',
    'SI.POV.DDAY': 'Poverty headcount ratio ($1.90/day)',
}


# ============================================
# Usage Example
# ============================================

if __name__ == "__main__":
    # Example 1: Fetch US macro data from FRED
    us_macro = fetch_fred_series(
        series_ids=['GDP', 'UNRATE', 'CPIAUCSL', 'FEDFUNDS'],
        start_date='2010-01-01'
    )
    
    print("\nUS Macro Data (FRED):")
    print(us_macro.tail())
    
    # Save to CSV
    us_macro.to_csv('data/us_macro_fred.csv')
    print("\nSaved to data/us_macro_fred.csv")
    
    # Example 2: Fetch cross-country data from World Bank
    indicators = {
        'NY.GDP.PCAP.CD': 'gdp_per_capita',
        'SP.POP.TOTL': 'population',
        'NY.GDP.MKTP.KD.ZG': 'gdp_growth'
    }
    
    cross_country = fetch_world_bank_data(
        indicators=indicators,
        countries=['USA', 'GBR', 'DEU', 'FRA', 'JPN', 'CHN', 'IND', 'BRA'],
        start_year=2000
    )
    
    print("\nCross-Country Data (World Bank):")
    print(cross_country.head(10))
    
    # Save to CSV
    cross_country.to_csv('data/cross_country_wb.csv', index=False)
    print("\nSaved to data/cross_country_wb.csv")
```

## Requirements

### Python Packages
```bash
pip install fredapi wbdata pandas
```

### API Keys
- **FRED**: Free key from https://fred.stlouisfed.org/docs/api/api_key.html
- **World Bank**: No key required
- **BLS**: Free key from https://www.bls.gov/developers/

Set environment variables:
```bash
export FRED_API_KEY="your_key_here"
```

## Best Practices

1. **Store API keys in environment variables** - never hardcode
2. **Add rate limiting** for bulk downloads
3. **Cache data locally** to avoid repeated API calls
4. **Document series definitions** from the source
5. **Check for revisions** in real-time data

## Common Pitfalls

- ❌ Hardcoding API keys in scripts
- ❌ Not handling API rate limits
- ❌ Ignoring data vintages/revisions
- ❌ Mixing data frequencies without proper handling

## References

- [FRED API Documentation](https://fred.stlouisfed.org/docs/api/)
- [World Bank Data API](https://datahelpdesk.worldbank.org/knowledgebase/topics/125589)
- [QuantEcon: Python Data Sources](https://python-programming.quantecon.org/)

## Changelog

### v1.0.0
- Initial release with FRED and World Bank support

© Awesome Econ AI Community · CC0-1.0 · meleantonio/awesome-econ-ai-stuff

Похожие скиллы

Все скиллы по теме «Данные и базы» →
data-retrieval bis-med-it Скилл data-retrieval для Claude Code и Codex управляет поиском и загрузкой данных для анализа. Он проверяет локальный реестр наборов перед запросом к API. CX Codex +1 ★ 89звёзд репо fred-economic-data franklee16 Скилл fred-economic-data для Claude Code запрашивает макроэкономические ряды через API FRED: инфляцию, ВВП, ставки и занятость. Полученные данные используют в финансовых отчётах и научных расчётах. CX Codex +1 ★ 240звёзд репо price-api datadrivenconstruction Скилл price-api для Claude Code получает цены стройматериалов из открытых API, рассчитывает тренды и региональные поправки. Используется при обновлении смет и баз затрат. CX Codex +1 116установок financial-data-collector daymade Скилл financial-data-collector собирает реальные финансовые данные по публичным компаниям США из yfinance и отдаёт структурированный JSON для DCF, сравнений и разбора отчётности. CX Codex +1 946установок economic-calendar-fetcher tradermonty Скилл economic-calendar-fetcher для Claude Code, Cursor и других платформ закупает предстоящие экономические события из API FMP: решения центробанков, отчёты по занятости, инфляцию, ВВП и другие индикаторы, влияющие на рынки. CX Codex +1 3 900установок LastLook Data zev MCP-сервер LastLook Data для Claude Code предоставляет агенту текущие и исторические данные по рынкам США, ставкам и валютам G10 для финансовых расчётов и анализа макроэкономики. CX Codex +1 571установок

Из того же набора12

Весь набор →
stata-data-cleaning Скилл stata-data-cleaning помогает экономистам готовить воспроизводимые do-файлы в Stata: очищать сырые выборки, находить дубликаты и размечать переменные. CX Codex +1 359установок r-econometrics Скилл r-econometrics помогает строить эконометрические модели в R с проверкой допущений, робастными ошибками и таблицами для публикаций. Пригодится при оценке причинно-следственных связей. CX Codex +1 340установок beamer-presentation Скилл beamer-presentation собирает академические презентации в LaTeX Beamer: от структуры доклада до слайдов с темами, графиками и таблицами. CX Codex +1 285установок lit-review-assistant Скилл lit-review-assistant структурирует обзор экономической литературы, формирует поисковые запросы и шаблоны разбора статей. Помогает найти пробелы в исследованиях при подготовке научной работы. CX Codex +1 241установок econ-visualization Скилл econ-visualization генерирует академические графики и диаграммы для экономических статей в R и Python с готовыми командами экспорта. CX Codex +1 202установок research-ideation Скилл research-ideation помогает экономистам превращать наблюдения, парадоксы и наборы данных в проверяемые исследовательские вопросы. Пригодится на старте диссертации или при анализе мер экономической политики. CX Codex +1 196установок python-panel-data Скилл python-panel-data для Claude Code помогает готовить на Python модели фиксированных и случайных эффектов, DiD и таблицы результатов. Анализирует панельные данные. CX Codex +1 163установок latex-econ-model Скилл latex-econ-model генерирует теоретические разделы экономических статей в LaTeX со стандартными обозначениями, задачами оптимизации и уравнениями равновесия. CX Codex +1 147установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой