seven2one-questra-data 0.7.9

Python client for Questra Data with high-level API, type-safe dataclasses, and optional pandas integration for user-defined data models and timeseries management

Seven2one Questra Data

Python Client für Questra Dynamic Objects (GraphQL + REST API).

Features

• High-Level API: Vereinfachte Schnittstelle für häufige Operationen
• Low-Level API: Direkter Zugriff auf GraphQL und REST Endpoints
• Typsichere Dataclasses: IDE-Unterstützung für Inventory-Erstellung ✨ NEU!
• Zeitreihen-Verwaltung: Effiziente Verwaltung von TimeSeries-Daten
• Inventory-Operationen: CRUD-Operationen für Dynamic Objects
• Optional: pandas Integration: DataFrames für Zeitreihen- und Inventory-Daten

Installation

# Basis-Installation
pip install seven2one-questra-data

# Mit pandas-Unterstützung (empfohlen für Data Science)
pip install seven2one-questra-data[pandas]

Siehe INSTALLATION.md für detaillierte Installations-Anleitungen.

Schnellstart

High-Level API (empfohlen)

from questra_authentication import QuestraAuthentication
from questra_data import QuestraData
from datetime import datetime

# Authentifizierung
auth_client = QuestraAuthentication(
    url="https://authentik.dev.example.com",
    username="ServiceUser",
    password="secret"
)

# Client initialisieren
client = QuestraData(
    graphql_url="https://dev.example.com/dynamic-objects/graphql",
    auth_client=auth_client
)

# Inventory Items auflisten
items = client.list(
    inventory_name="Stromzaehler",
    namespace_name="Energie",
    properties=["_id", "stromzaehlernummer", "hersteller"],
    limit=10
)

# Zeitreihen-Werte laden (kombiniert automatisch Inventory + TimeSeries!)
result = client.list_timeseries_values(
    inventory_name="Stromzaehler",
    namespace_name="Energie",
    timeseries_property="messwerte_Energie",
    from_time=datetime(2025, 1, 1),
    to_time=datetime(2025, 12, 31)
)

for item_id, data in result.items():
    print(f"Stromzähler: {data['item']['stromzaehlernummer']}")
    print(f"Anzahl Werte: {len(data['values'])}")

Inventory erstellen mit Property-Klassen ✨ NEU!

from questra_data import (
    StringProperty,
    IntProperty,
    InventoryRelation,
    RelationType,
    ConflictAction
)

# Typsichere Property-Definitionen (vereinfachte API)
properties = [
    StringProperty(
        propertyName="Name",
        maxLength=200,
        isRequired=True,
        isUnique=True
    ),
    IntProperty(
        propertyName="Age",
        isRequired=False
    )
]

# Inventory erstellen
client.create_inventory(
    name="TEC",
    properties=properties,
    if_exists=ConflictAction.IGNORE
)

# Mit Relationen
relations = [
    InventoryRelation(
        propertyName="Technologie",
        relationType=RelationType.ONE_TO_MANY,
        parentInventoryName="TEC",
        parentPropertyName="Anlagen"
    )
]

client.create_inventory(
    name="ANL",
    properties=properties,
    relations=relations,
    if_exists=ConflictAction.IGNORE
)

Vorteile der Dataclasses:

• ✅ IDE-Autovervollständigung und Typprüfung
• ✅ Fehler werden zur Entwicklungszeit erkannt
• ✅ Klare, selbstdokumentierende API
• ✅ Rückwärtskompatibel (Dictionary-API funktioniert weiterhin)

Siehe docs/INPUT_DATACLASSES.md für vollständige Dokumentation.

Mit pandas (Optional)

# Zeitreihen als DataFrame
df = client.list_timeseries_values_df(
    inventory_name="Stromzaehler",
    namespace_name="Energie",
    timeseries_property="messwerte_Energie",
    from_time=datetime(2025, 1, 1),
    to_time=datetime(2025, 12, 31),
    include_metadata=True  # Item-Felder als Spalten
)

# DataFrame:
#                        value  quality  item_id  item_stromzaehlernummer
# time
# 2025-01-01 12:00:00   100.5    VALID   630...   SZ-12345
# 2025-01-02 12:00:00   105.2    VALID   630...   SZ-12345

# Direkt weiterverarbeiten
df.resample('1D').mean()  # Tägliche Mittelwerte
df.plot()  # Plotten
df.groupby('item_id')['value'].agg(['mean', 'std'])  # Statistiken

# Inventory Items als DataFrame
df_items = client.list_df(
    inventory_name="Stromzaehler",
    properties=["_id", "stromzaehlernummer", "hersteller"]
)

Low-Level API (für fortgeschrittene Operationen)

# Zugriff auf Low-Level Client
lowlevel = client.lowlevel

# Direkte GraphQL Query
result = lowlevel.execute_raw("""
    query {
        _timeZones(first: 5) {
            name
            baseUtcOffset
        }
    }
""")

API-Übersicht

High-Level API (QuestraData)

Zeitreihen

• list_timeseries_values() - Zeitreihen-Werte als Dict
• list_timeseries_values_df() - Zeitreihen-Werte als DataFrame (benötigt pandas)
• save_timeseries_values() - Zeitreihen-Werte speichern

Inventory

• list() - Items auflisten als List[Dict]
• list_df() - Items auflisten als DataFrame (benötigt pandas)
• create() - Items erstellen
• update() - Items aktualisieren
• delete() - Items löschen

Verwaltung

• create_namespace() - Namespace erstellen → Gibt NamedItemResult zurück
• create_inventory() - Inventory erstellen mit typisierten Dataclasses → Gibt NamedItemResult zurück
• list_namespaces() - Namespaces auflisten → Gibt list[Namespace] zurück
• list_inventories() - Inventories auflisten → Gibt list[Inventory] zurück
• get_system_info() - System-Informationen → Gibt SystemInfo zurück

Low-Level API (QuestraDataCore)

Zugriff über client.lowlevel:

• inventory.* - Inventory-Operationen (GraphQL)
• timeseries.* - Zeitreihen-Operationen (REST)
• queries.* - GraphQL Queries
• mutations.* - GraphQL Mutations
• execute_raw() - Rohe GraphQL Query

Beispiele

Siehe:

• example_highlevel_usage.py - High-Level API mit Dataclasses
• example_usage.py - Low-Level API mit Dataclasses und Legacy-API
• example_rest_usage.py - REST API Beispiele
• example_nested_fields.py - Verschachtelte Felder

Dokumentation

• docs/INPUT_DATACLASSES.md - Vollständige Dataclasses-Dokumentation
• PANDAS_DEPENDENCY.md - Warum pandas als optionale Dependency?
• INSTALLATION.md - Detaillierte Installations-Anleitungen

Entwicklung

Setup

# Repository klonen
git clone <repo-url>
cd questra-data

# Dependencies installieren (nutzt .python-version für Python 3.10)
uv sync --all-groups

Hinweis: uv muss installiert sein. Siehe INSTALLATION.md für Details.

Tests

# Alle Tests
uv run pytest

# Mit Coverage
uv run pytest --cov=questra_data

# Nur pandas Tests
uv run pytest tests/test_pandas_integration.py

Requirements

• Python >= 3.10
• gql >= 3.5.0
• requests >= 2.31.0
• loguru >= 0.7.0
• questra-authentication >= 0.1.4

Optional

• pandas >= 2.0.0 (für DataFrame-Unterstützung)

License

Proprietär - Seven2one GmbH