TODO
- 最终的结果返回，根据节假日的处理情况决定是否需要封装成一个函数
- 可以考虑全局用
DataFrame处理 - 考虑全局使用
pandas.to_datetime - 所有函数标准化输入输出的约定，需要先学python，依照python的官方标准
CSVExtractor根据实际情况，可能退化为函数
- 利用python的动态添加成员变量，使得通过用
DataFrame构造初始对象也满足单一修改原则，无需在多处关注数据源的字段细节 - 清除无用的头文件引入和无用的代码注释
- 为了方便程序最终的输出，data_type这种本应属于
DailyRecord的也被添加到DataPointProperties，后续如果需要考虑内存、性能因素，可以在DataExtractor.load()处针对dp和dr分别返回DataFrame而无需properties
初步走完整个流程，最终返回一个一维数组，接下来考虑细节优化和真实数据实现
- 避免使用
iterrows()挨个创建对象，使得daily_record_map创建时间大幅度减小，由30s到不足1s - 不再单独实例化出
List:DataPointProperties，然后再做切割，而是直接生成Dict:DailyRecord，在过程中创建对应的List:DataPointProperties - 初步尝试
DataExtractor返回DataFrame，并用DataFrame构造初始对象
config.json参照launch.json的方式，实现多配置文件。同时添加命令行处理，配置文件的选择通过命令行传入- 删除
ConfigUtils.py，由choose_configuration函数处理config.json的解析 - 初步实例化出
List:DataPointProperties和Dict:DailyRecord
这一版处理程序的抽象架构是把每个粒度的点作为结构体(类)
DataStructures : 存放所有项目可能用到的属性类
DataStructureUtils : 处理DataStructures的函数
DataExtractor : 从数据库/CSV获取数据
UnifiedDataLoader: 主流程