python之股票数据分析.
⼀、初识Pandas
Pandas 是基于 NumPy 的⼀个⾮常好⽤的库，它有两种⾃⼰独有的基本数据结构Series （⼀维）和
DataFrame（⼆维），它们让数据操作更简单了。虽然Pandas有着两种数据结构，但它依然是 Python 的⼀个库，所以，Python
中有的数据类型在这⾥依然适⽤，也同样还可以使⽤类⾃⼰定义数据类型。
在⾦融数据分析领域，Pandas更是起到了⾮常重要的作⽤，⽐如⽤于量化交易。Pandas
纳⼊了⼤量库和⼀些标准的数据模型，提供了⾼效地操作⼤型数据集所需的⼯具，对于亿级的数据处理也如鱼得⽔。
⼆、Pandas基本操作
1、Series的创建
Series的创建主要有三种⽅式：
1）通过⼀维数组创建Series
import numpy as npimport pandas as pd#创建⼀维数组a = np.arange(10)
print(a)
s = pd.Series(a)
print(s)
[/code]
输出如下：
![](mmbiz.qpic/mmbiz_png/DicahLbc6icicfuAQHXW75S9ib0EO0qrOUcmTgkGicsFDw2wcuicicnoaFtg2hgYiaEicQL6UJm5MMOW3TIzU0wmp7YoBVw/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1)  >  2）通过字典的⽅式创建Series
```code
import numpy as npimport pandas as pd#创建字典d = {'a':1,'b':2,'c':3,'d':4,'e':5}
print(d)
s = pd.Series(d)
print(s)
[/code]
输出如下：
>  3）通过DataFrame中的某⼀⾏或某⼀列创建Series
参考下⾯DataFrame第三种创建⽅式中的s = df3['one']。
###  2、DataFrame的创建
python 定义数组DataFrame的创建主要有三种⽅式：
>  1）通过⼆维数组创建DataFrame
```code
import numpy as npimport pandas as pd#创建⼆维数组a = np.array(np.arange(12)).reshape(3,4)
print(a)
df1 = pd.DataFrame(a)
print(df1)
[/code]
输出如下：
>  2）通过字典的⽅式创建DataFrame
以下以两种字典来创建数据框，⼀个是字典列表，⼀个是嵌套字典。
```code
import numpy as npimport pandas as pd
d1 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[14,14,15,16]}
print(d1)
df1 = pd.DataFrame(d1)
print(df1)
d2 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
print(d2)
df2 = pd.DataFrame(d2)
print(df2)
[/code]
输出如下：
>  3）通过DataFrame的⽅式创建DataFrame
我们取出2）中的df2来创建df3
```code
df2 = pd.DataFrame(d2)print(df2)
df3 = df2[['one','two']]print(df3)
s = df3['one']print(s)
[/code]
输出如下：
####  三、处理股票数据
接下来，我们通过实例来学习Pandas在处理股票数据上的应⽤。
我们使⽤pandas_datareader来获取阿⾥巴巴的股票数据。
>  1）导⼊以下库：
```code
import pandas as pdimport pandas_datareader.data as web#绘图使⽤import matplotlib.pyplot as plt#获取时间使⽤import datetime
[/code]
>  2）设置股票名称和时间参数
```code
name = "BABA"start = datetime.datetime(2015,1,1)end = day()
[/code]
>  3）获取股票数据
```code
prices = web.DataReader(name, "google", start, end)
[/code]
>  4）查看prices的类型
```code
print(type(prices))
[/code]
打印如下：
```code
<class 'frame.DataFrame'>
[/code]
可以看到返回的数据类型就是DataFrame类型。
>  5）查看股票的摘要信息
```code
print(prices.describe()
[/code]
打印如下：
```code
Open        High        Low      Close        Volumecount  791.000000  791.000000  792.000000  792.000000  7.920000e+02mean  106.632099  107.793186  105.355164  106.614520  1.610571e+07std    38.191772  38.539981  37.71    25%    79.855000  80.945000  79.157500  79.935000  1.003487e+07
50%    91.000000  91.740000  89.925000  90.705000  1.350020e+07
75%    119.315000  120.400000  118.462500  120.205000  1.879724e+07max    204.830000  206.200000  202.800000  205.220000  9.704593e+07
[/code]
再来打印最新的三条信息
```code
print(prices.tail(3))
[/code]
```code
Open    High    Low  Close    VolumeDate                                                2018-02-21  189.37  193.17  188.46  188.82  22071585
2018-02-22  190.20  190.74  187.77  188.75  12282843
2018-02-23  190.18  193.40  189.95  193.29  16937275
[/code]
>  6）绘图
我们将阿⾥巴巴的股票数据按照开盘价绘图。
```code
plt.plot(prices.index, prices["Open"])plt.show()
[/code]
![](mmbiz.qpic/mmbiz_png/DicahLbc6icicfuAQHXW75S9ib0EO0qrOUcmV8nosvvOH0oTI5Siaibm8fR6yXicfZHVXCdD45JpOB3zgKKLbsyQaibdGQ/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1)
从图中我们可以看到阿⾥巴巴的股票⼀路攀升，细⼼点发现每年的11⽉都有⼀个⾼点。
####  四、总结
Pandas是以NumPy和Matplotlib为基础封装的⾦融数据分析的库，对于量化交易⼗分有⽤，通过可视化的效果能帮我们⼀定程度分析股市的⾛向。
![在这⾥插⼊图⽚描述](img-blog.csdnimg/20210608151750993.gif)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。

python3中的标准数据类型
« 上一篇
numpy的常数
下一篇 »

发表评论

Copyright © 2024 baidu.com
Powered By 688IT编程网 豫ICP备2022007602号 豫公网安备41160202000602