Примеры Python скриптов

Примеры построены на основе демо-данных. Для полноценной работы необходимо сначала установить демо данные, а также библиотеку requests (sudo apt install python3-pip && pip3 install requests).

Следующий пример получает токен авторизации, затем отправляет запрос данных в ViQube, а после этого передаёт полученные данные на виджет. Этот код можно использовать, например, для гистограммы:

import requests
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
login = 'admin'  # Логин администратора
password = '***'  # Пароль
 
# Запрос токена авторизации
token_url = f'{host}/idsrv/connect/token' #URL для POST-запроса
token_data = {'grant_type': 'password', 'scope': 'openid profile email roles viqubeadmin_api viqube_api',
              'response_type': 'id_token token', 'username': login, 'password': password} #Данные для POST-запроса
token_headers = {'authorization': 'Basic dmlxdWJlYWRtaW5fcm9fY2xpZW50OjcmZEo1UldwVVMkLUVVQE1reHU=',
                 'content-type': 'application/x-www-form-urlencoded'} #Заголовки для POST-запроса
 
token_response = requests.post(url=token_url, headers=token_headers, data=token_data).json() #POST-Запрос на получение токена
 
bearer_token = 'Bearer ' + token_response['access_token'] #Значение токена авторизации для дальнейших запросов в ViQube
 
# Запрос данных в ViQube
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",  #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Gorod_dostavki",   #Атрибут "Город доставки" в строках
                    "attrid": "__attr_Goroda",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",   #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Price"					 #Показатель "Стоимость продажи"	
                }
            ],
            "filters": [
                [
                    {
                        "attrid": "Category",        #С фильтром по измерению "Продукты" на категорию "Консервы"
                        "dimid": "Produkti",
                        "type": "INCLUDE",
                        "values": [
                            "Консервы"
                        ]
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
#Передача данных на виджет
#-Гистограмма-
my_chart = DataFrame()
my_chart.cols = query_response['columns']
my_chart.rows = query_response['rows']
my_chart.values = [list(x) for x in zip(*query_response['values'])] #Значения, полученные от ViQube необходимо транспонировать

Следующий пример отличается от предыдущего тем, что после получения данных из ViQube строится объект Pandas, затем производится фильтрация в Pandas и после этого данные передаются на виджет. Этот код можно использовать, например, для сводной таблицы:

import requests
import pandas
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
login = 'admin'  # Логин администратора
password = '***'  # Пароль
 
# Запрос токена авторизации
token_url = f'{host}/idsrv/connect/token' #URL для POST-запроса
token_data = {'grant_type': 'password', 'scope': 'openid profile email roles viqubeadmin_api viqube_api',
              'response_type': 'id_token token', 'username': login, 'password': password} #Данные для POST-запроса
token_headers = {'authorization': 'Basic dmlxdWJlYWRtaW5fcm9fY2xpZW50OjcmZEo1UldwVVMkLUVVQE1reHU=',
                 'content-type': 'application/x-www-form-urlencoded'} #Заголовки для POST-запроса
 
token_response = requests.post(url=token_url, headers=token_headers, data=token_data).json() #POST-Запрос на получение токена
 
bearer_token = 'Bearer ' + token_response['access_token'] #Значение токена авторизации для дальнейших запросов в ViQube
 
# Запрос данных в ViQube
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Gorod_dostavki",       #Атрибут "Город доставки" в строках
                    "attrid": "__attr_Goroda",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",       #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                { 
                    "mid": "Price"                       #Показатель "Стоимость продажи"
                }
            ],
            "filters": [
                [
                    {
                        "attrid": "Category",             #С фильтром по измерению "Продукты" на категорию "Консервы"
                        "dimid": "Produkti",
                        "type": "INCLUDE",
                        "values": [
                            "Консервы"
                        ]
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
rows = list(map(lambda i: i[0], query_response['rows'])) #Для формирования индексов DataFrame в Pandas требуется массив, а данные от викуб возвращаются как массив массивов
columns = list(map(lambda i: i[0], query_response['columns'])) #Для формирования заголовков DataFrame в Pandas требуется массив, а данные от викуб возвращаются как массив массивов
values = query_response['values']
 
pandas_table = pandas.DataFrame(values, index=rows, columns=columns) #Создание Pandas DataFrame
pandas_table = pandas_table[pandas_table.Иркутск > 700000] #Фильтр на данные: стоимость реализации товаров в Иркутск > 700000р.
 
columns = [[x] for x in list(pandas_table)] #Для передачи колонок на виджет требуется массив массивов, а в Pandas это массив
rows = [[x] for x in list(pandas_table.index)] #Для передачи строк на виджет требуется массив массивов, а в Pandas это массив
values = pandas_table.T.to_numpy().tolist() #Для передачи значений на виджет требуется массив массивов, а в Pandas иной формат
 
#Передача данных на виджет
#-Сводная таблица-
my_chart = DataFrame()
my_chart.cols = columns
my_chart.rows = rows
my_chart.values = values

Пример влияния OLAP-фильтра на запрос данных в ViQube. Для выполнения данного кода на дашборде помимо основ необходим виджет фильтр с названием "Фильтр 1", значениями которого являются годы, фильтр может быть как обычным, так и множественным:

import requests
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
 
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
 
filter_name = 'Фильтр 1' # Название фильтра
 
#-Гистограмма-
my_chart = DataFrame()
 
for olap_filter in olap_filters: # Цикл перебирает все фильтры на дэшборде
    if olap_filter.title == filter_name: # Выбирает фильтр с заданным именем
        selected_values = olap_filter.selected # Отбирает выбранные значения фильтра
        break
 
filter_values = list(map(lambda i: i[0], selected_values)) # Преобразование массива массивов в массив для передачи в запрос
 
# Отправка запроса на ViQube
 
query_url = f'{host}/viqube/metadata/query'  # URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'}  # Заголовки для POST-запроса
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",             #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",       #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                      #Показатель "Стоимость продажи"
                }
            ],
            "filters": [
                [
                    {
                        "dimroleid": "Data_pay",
                        "attrid": "YEAR",
                        "type": "INCLUDE",
                        "values": filter_values # Передача массива с выбранными в фильтре значениями
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json()  # POST-запрос в ViQube
 
my_chart.cols = query_response['columns']
my_chart.rows = query_response['rows']
my_chart.values = [list(x) for x in zip(*query_response['values'])] #Значения, полученные от ViQube необходимо транспонировать

Следующий пример отличается от предыдущего тем, что в ViQube запрашиваются все данные, без фильтра по годам, а сама фильтрация данных осуществляется на уровне Python-кода:

import requests
  
host = 'http://bitest.example.com'  # Адрес сервера ViQube
  
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
  
filter_name = 'Фильтр 1' # Название фильтра
 
#-Гистограмма-
my_chart = DataFrame()
  
for olap_filter in olap_filters: # Цикл перебирает все фильтры на дэшборде
    if olap_filter.title == filter_name: # Выбирает фильтр с заданным именем
        selected_values = olap_filter.selected # Отбирает выбранные значения фильтра
        break
         
filter_values = list(map(lambda i: i[0], olap_filter.selected)) # Преобразование массива массивов в массив для передачи в запрос
  
# Отправка запроса на ViQube
  
query_url = f'{host}/viqube/metadata/query'  # URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',  #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'}  # Заголовки для POST-запроса
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",       #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",              #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",        #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                       #Показатель "Стоимость продажи"
                }
            ]
        }
    ]
}
  
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json()  # POST-запрос в ViQube
 
cols_from_request = query_response['columns']
rows_from_request = query_response['rows']
values_from_request = query_response['values']
 
cols = []
rows = []
values = []
 
for value in filter_values: # Перебор выбранных значений фильтра
    for i in range(len(rows_from_request)): # Отбор строк со значениями из фильтра
        if rows_from_request[i][0] == value: # Здесь проверяется [0]й элемент, т.к. в ответе на запрос год стоит на 0й позиции, если бы города были тое в строках, проверялся бы [1]й элемент
            rows.append(rows_from_request[i])
            values.append(values_from_request[i])
cols = cols_from_request
 
values = [list(x) for x in zip(*values)] #Значения, полученные от ViQube необходимо транспонировать
 
my_chart.cols = cols
my_chart.rows = rows
my_chart.values = values

Следующий пример с помощью простой модели добавляет в данные прогноз на основе полученных из ViQube данных, лучше всего на основе этого кода построить виджет график:

import requests
from sklearn.linear_model import LinearRegression
  
host = 'http://bitest.example.com'  # Адрес сервера ViQube
  
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
 
# Отправка запроса на ViQube
  
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',    #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",             #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                      #Показатель "Стоимость продажи"
                }
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
rows = query_response['rows']
cols_done = [['Факт'], ['Прогноз']]
values = query_response['values']
 
predict_years = [] # Переменная для годов прогноза
 
for i in range(len(rows)):
    rows[i][0] = int(rows[i][0]) # Преобразование годов из строк в числа, т.к. для модели необходим тип int, а в ответе на запрос приходят строки
    predict_years.append(rows[i]) # Заполнение годов прогноза
 
predict_years.append([int(rows[-1][0])+1])
predict_years.append([int(rows[-1][0])+2]) # Добавление двух лет для прогноза
 
model = LinearRegression()
model.fit(rows, values) # Обучение модели
predict_target = model.predict(predict_years) # Создание прогноза
 
values.append([None])
values.append([None]) # Корректировка значений из-за добавления двух годов
 
values_done = []
 
values_done.append(list(map(lambda i: i[0], values)))
 
predict_target = list(map(lambda i: i[0], predict_target))
 
values_done.append(predict_target) # Добавление колонки с прогнозом к значениям
 
for i in range(len(predict_years)):
    predict_years[i][0] = str(predict_years[i][0])
 
rows_done = predict_years
 
#Передача данных на виджет
#-Гистограмма-
my_chart = DataFrame()
my_chart.cols = cols_done
my_chart.rows = rows_done
my_chart.values = values_done

Примеры построены на основе демо-данных. Для полноценной работы необходимо сначала установить демо данные.

Следующий пример получает токен авторизации, затем отправляет запрос данных в ViQube, а после этого передаёт полученные данные на виджет. Этот код можно использовать, например, для гистограммы:

import requests
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
login = 'admin'  # Логин администратора
password = '***'  # Пароль
 
# Запрос токена авторизации
token_url = f'{host}/idsrv/connect/token' #URL для POST-запроса
token_data = {'grant_type': 'password', 'scope': 'openid profile email roles viqubeadmin_api viqube_api',
              'response_type': 'id_token token', 'username': login, 'password': password} #Данные для POST-запроса
token_headers = {'authorization': 'Basic dmlxdWJlYWRtaW5fcm9fY2xpZW50OjcmZEo1UldwVVMkLUVVQE1reHU=',
                 'content-type': 'application/x-www-form-urlencoded'} #Заголовки для POST-запроса
 
token_response = requests.post(url=token_url, headers=token_headers, data=token_data).json() #POST-Запрос на получение токена
 
bearer_token = 'Bearer ' + token_response['access_token'] #Значение токена авторизации для дальнейших запросов в ViQube
 
# Запрос данных в ViQube
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",  #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Gorod_dostavki",   #Атрибут "Город доставки" в строках
                    "attrid": "__attr_Goroda",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",   #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Price"					 #Показатель "Стоимость продажи"	
                }
            ],
            "filters": [
                [
                    {
                        "attrid": "Category",        #С фильтром по измерению "Продукты" на категорию "Консервы"
                        "dimid": "Produkti",
                        "type": "INCLUDE",
                        "values": [
                            "Консервы"
                        ]
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
#Передача данных на виджет
#-Гистограмма-
my_chart = DataFrame()
my_chart.cols = query_response['columns']
my_chart.rows = query_response['rows']
my_chart.values = [list(x) for x in zip(*query_response['values'])] #Значения, полученные от ViQube необходимо транспонировать

Следующий пример отличается от предыдущего тем, что после получения данных из ViQube строится объект Pandas, затем производится фильтрация в Pandas и после этого данные передаются на виджет. Этот код можно использовать, например, для сводной таблицы:

import requests
import pandas
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
login = 'admin'  # Логин администратора
password = '***'  # Пароль
 
# Запрос токена авторизации
token_url = f'{host}/idsrv/connect/token' #URL для POST-запроса
token_data = {'grant_type': 'password', 'scope': 'openid profile email roles viqubeadmin_api viqube_api',
              'response_type': 'id_token token', 'username': login, 'password': password} #Данные для POST-запроса
token_headers = {'authorization': 'Basic dmlxdWJlYWRtaW5fcm9fY2xpZW50OjcmZEo1UldwVVMkLUVVQE1reHU=',
                 'content-type': 'application/x-www-form-urlencoded'} #Заголовки для POST-запроса
 
token_response = requests.post(url=token_url, headers=token_headers, data=token_data).json() #POST-Запрос на получение токена
 
bearer_token = 'Bearer ' + token_response['access_token'] #Значение токена авторизации для дальнейших запросов в ViQube
 
# Запрос данных в ViQube
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Gorod_dostavki",       #Атрибут "Город доставки" в строках
                    "attrid": "__attr_Goroda",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",       #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                { 
                    "mid": "Price"                       #Показатель "Стоимость продажи"
                }
            ],
            "filters": [
                [
                    {
                        "attrid": "Category",             #С фильтром по измерению "Продукты" на категорию "Консервы"
                        "dimid": "Produkti",
                        "type": "INCLUDE",
                        "values": [
                            "Консервы"
                        ]
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
rows = list(map(lambda i: i[0], query_response['rows'])) #Для формирования индексов DataFrame в Pandas требуется массив, а данные от викуб возвращаются как массив массивов
columns = list(map(lambda i: i[0], query_response['columns'])) #Для формирования заголовков DataFrame в Pandas требуется массив, а данные от викуб возвращаются как массив массивов
values = query_response['values']
 
pandas_table = pandas.DataFrame(values, index=rows, columns=columns) #Создание Pandas DataFrame
pandas_table = pandas_table[pandas_table.Иркутск > 700000] #Фильтр на данные: стоимость реализации товаров в Иркутск > 700000р.
 
columns = [[x] for x in list(pandas_table)] #Для передачи колонок на виджет требуется массив массивов, а в Pandas это массив
rows = [[x] for x in list(pandas_table.index)] #Для передачи строк на виджет требуется массив массивов, а в Pandas это массив
values = pandas_table.T.to_numpy().tolist() #Для передачи значений на виджет требуется массив массивов, а в Pandas иной формат
 
#Передача данных на виджет
#-Сводная таблица-
my_chart = DataFrame()
my_chart.cols = columns
my_chart.rows = rows
my_chart.values = values

Пример влияния OLAP-фильтра на запрос данных в ViQube. Для выполнения данного кода на дашборде помимо основ необходим виджет фильтр с названием "Фильтр 1", значениями которого являются годы, фильтр может быть как обычным, так и множественным:

import requests
 
host = 'http://bitest.example.com'  # Адрес сервера ViQube
 
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
 
filter_name = 'Фильтр 1' # Название фильтра
 
#-Гистограмма-
my_chart = DataFrame()
 
for olap_filter in olap_filters: # Цикл перебирает все фильтры на дэшборде
    if olap_filter.title == filter_name: # Выбирает фильтр с заданным именем
        selected_values = olap_filter.selected # Отбирает выбранные значения фильтра
        break
 
filter_values = list(map(lambda i: i[0], selected_values)) # Преобразование массива массивов в массив для передачи в запрос
 
# Отправка запроса на ViQube
 
query_url = f'{host}/viqube/metadata/query'  # URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',   #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'}  # Заголовки для POST-запроса
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",             #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",       #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                      #Показатель "Стоимость продажи"
                }
            ],
            "filters": [
                [
                    {
                        "dimroleid": "Data_pay",
                        "attrid": "YEAR",
                        "type": "INCLUDE",
                        "values": filter_values # Передача массива с выбранными в фильтре значениями
                    }
                ]
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json()  # POST-запрос в ViQube
 
my_chart.cols = query_response['columns']
my_chart.rows = query_response['rows']
my_chart.values = [list(x) for x in zip(*query_response['values'])] #Значения, полученные от ViQube необходимо транспонировать

Следующий пример отличается от предыдущего тем, что в ViQube запрашиваются все данные, без фильтра по годам, а сама фильтрация данных осуществляется на уровне Python-кода:

import requests
  
host = 'http://bitest.example.com'  # Адрес сервера ViQube
  
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
  
filter_name = 'Фильтр 1' # Название фильтра
 
#-Гистограмма-
my_chart = DataFrame()
  
for olap_filter in olap_filters: # Цикл перебирает все фильтры на дэшборде
    if olap_filter.title == filter_name: # Выбирает фильтр с заданным именем
        selected_values = olap_filter.selected # Отбирает выбранные значения фильтра
        break
         
filter_values = list(map(lambda i: i[0], olap_filter.selected)) # Преобразование массива массивов в массив для передачи в запрос
  
# Отправка запроса на ViQube
  
query_url = f'{host}/viqube/metadata/query'  # URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',  #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'}  # Заголовки для POST-запроса
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",       #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",              #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                },
                {
                    "dimroleid": "Gorod_prodazhi",        #Атрибут "Город продажи" в столбцах
                    "attrid": "__attr_Goroda",
                    "axis": "COLUMN"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                       #Показатель "Стоимость продажи"
                }
            ]
        }
    ]
}
  
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json()  # POST-запрос в ViQube
 
cols_from_request = query_response['columns']
rows_from_request = query_response['rows']
values_from_request = query_response['values']
 
cols = []
rows = []
values = []
 
for value in filter_values: # Перебор выбранных значений фильтра
    for i in range(len(rows_from_request)): # Отбор строк со значениями из фильтра
        if rows_from_request[i][0] == value: # Здесь проверяется [0]й элемент, т.к. в ответе на запрос год стоит на 0й позиции, если бы города были тое в строках, проверялся бы [1]й элемент
            rows.append(rows_from_request[i])
            values.append(values_from_request[i])
cols = cols_from_request
 
values = [list(x) for x in zip(*values)] #Значения, полученные от ViQube необходимо транспонировать
 
my_chart.cols = cols
my_chart.rows = rows
my_chart.values = values

Следующий пример с помощью простой модели добавляет в данные прогноз на основе полученных из ViQube данных, лучше всего на основе этого кода построить виджет график:

import requests
from sklearn.linear_model import LinearRegression
  
host = 'http://bitest.example.com'  # Адрес сервера ViQube
  
bearer_token = 'Bearer ' + ACCESS_TOKEN # ACCESS_TOKEN - специальная переменная, содержащая текущий токен авторизации
 
# Отправка запроса на ViQube
  
query_url = f'{host}/viqube/metadata/query'#URL для POST-запроса
query_headers = {'authorization': bearer_token, 'X-API-VERSION': '3.4',    #Чтобы узнать X-API-VERSION перейдите по адресу http://ip/viqube/version
                 'content-type': 'application/json; charset=utf-8'} #Заголовки для POST-запроса
#JSON для получения данных из ViQube
query_json = {    # JSON
    "database": "ViQube",
    "groups": [
        {
            "mgid": "Fakticheskie_prodazhi__rubli",      #Группа показателей "Фактические продажи - рубли"
            "attributes": [
                {
                    "dimroleid": "Data_pay",             #Атрибут "Дата продажи" в строках
                    "attrid": "YEAR",
                    "axis": "ROW"
                }
            ],
            "measures": [
                {
                    "mid": "Pribil"                      #Показатель "Стоимость продажи"
                }
            ]
        }
    ]
}
 
query_response = requests.post(url=query_url, headers=query_headers, json=query_json).json() #POST-запрос в ViQube
 
rows = query_response['rows']
cols_done = [['Факт'], ['Прогноз']]
values = query_response['values']
 
predict_years = [] # Переменная для годов прогноза
 
for i in range(len(rows)):
    rows[i][0] = int(rows[i][0]) # Преобразование годов из строк в числа, т.к. для модели необходим тип int, а в ответе на запрос приходят строки
    predict_years.append(rows[i]) # Заполнение годов прогноза
 
predict_years.append([int(rows[-1][0])+1])
predict_years.append([int(rows[-1][0])+2]) # Добавление двух лет для прогноза
 
model = LinearRegression()
model.fit(rows, values) # Обучение модели
predict_target = model.predict(predict_years) # Создание прогноза
 
values.append([None])
values.append([None]) # Корректировка значений из-за добавления двух годов
 
values_done = []
 
values_done.append(list(map(lambda i: i[0], values)))
 
predict_target = list(map(lambda i: i[0], predict_target))
 
values_done.append(predict_target) # Добавление колонки с прогнозом к значениям
 
for i in range(len(predict_years)):
    predict_years[i][0] = str(predict_years[i][0])
 
rows_done = predict_years
 
#Передача данных на виджет
#-Гистограмма-
my_chart = DataFrame()
my_chart.cols = cols_done
my_chart.rows = rows_done
my_chart.values = values_done