Начало работы с Python Stock Analysis

Когда я впервые вошел в дверь анализа данных, я почувствовал, что знаний слишком много, чтобы их можно было дополнить. Не рекомендуется заливать систему всевозможными знаниями, потому что велика вероятность, что она сорвется на полпути.

Ориентация на проект, разобраться в общем процессе и примерно изучить точки знаний, необходимые в процессе, и вернуться, чтобы восполнить пробелы в знаниях в будущем.

Далее я возьму анализ акций в качестве примера, чтобы понять процесс анализа данных.

Лично я думаю, что биржевой анализ есть не что иное, как деление на获取数据,数据处理,数据可视化Три части, основанные на мощных сторонних библиотеках Python с открытым исходным кодом, очень усложняют начало работы.

Требуемые знания

• База
  • Python
• окрестности
  • anaconda
• Сбор данных
  • pandas_datareader
• обработка данных
  • numpy
  • pandas
• визуализация данных
  • matplotlib seaborn

Цель

• Анализируйте тенденции акций
• взаимосвязь между несколькими акциями

Базовый синтаксис Python

рекомендуется посмотретьУчебное пособие по Python от Ляо Сюэфэна, легко понять и легко использовать.

установить анаконду

Anaconda — это дистрибутив Python с открытым исходным кодом, содержащий более 180 научных пакетов и их зависимостей.

Чтобы установить Anaconda, перейдите непосредственно кофициальный сайт анакондыЗагрузить и установить.

После того, как анаконда будет успешно установлена, она будет установлена ​​сама.Jupyter, Jupyter в основном используется для написания и запуска нашего кода.

Создать новую папкуstock-market-analysis, введите текущий каталог и запустите jupyter.

# 启动 jupyter
conda notebook 

Запуск прошел успешно, открываем в браузереhttp://localhost:8888/tree), нажмитеnew, создайте новый блокнот и начните веселиться!

numpy

numpy— это библиотека Python для научных вычислений.

Основное использование

# 引入 numpy
import numpy as np

# 创建一个长度为15，3乘5的二维数组
a = np.arange(15).reshape(3, 5)
# 打印a
a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

# 创建一个长度为15，间隔10，3乘5的二维数组
b = np.arange( 1, 150, 10 ).reshape(3, 5)
# 打印b
b

array([[  1,  11,  21,  31,  41],
       [ 51,  61,  71,  81,  91],
       [101, 111, 121, 131, 141]])

# 两个二维数组相加 
a + b

array([[  1,  12,  23,  34,  45],
       [ 56,  67,  78,  89, 100],
       [111, 122, 133, 144, 155]])

Перейдите на официальный сайт, чтобы узнать больше

pandas

pandasЭто мощный пакет анализа данных Python, основанный на numpy, который предоставляет очень высокоуровневые структуры данных и большое количество методов для обработки данных. Конечная цель состоит в том, чтобы мы лучше понимали и обрабатывали данные.

Основное использование

pandas предоставляет две структуры данных: Series и DataFrame.

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

Series

Серия похожа на словарь, найти соответствующее значение можно по индексу

# 创建一个长度为4，1到10的随机整数
Series(np.random.randint(1,10,4))

0    4
1    2
2    3
3    1
dtype: int64

# 指定index
s = Series(np.random.randint(1,10,4), index=['a','b','c','d'])
s

a    4
b    5
c    5
d    8
dtype: int64

# 根据 index 查找
s['a']

4

DataFrame

DataFrame – это двумерная структура данных, которая может быть представлена ​​строками и столбцами. Думайте об этом как о таблице Excel.

# 生成值为时间的数组
dates = pd.date_range('20130101', periods=6)
dates

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

# 生成 index 为日期，列名为 ABCD 的 DataFrame
df = DataFrame(np.random.randint(1,10,24).reshape(6,4), index=dates, columns=list('ABCD'))
df

Перейдите на официальный сайт, чтобы узнать больше

matplotlib seaborn

matplotlib— очень важная библиотека визуализации данных для Python, иseabornЭто библиотека визуализации, разработанная на основе matplotlib, которая является более мощной и простой в использовании.

Основное использование

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
import matplotlib.pyplot as plt
import seaborn as sns

# 创建一个 Series，1000个从1到100间隔均匀的数组
s = Series(np.linspace(1, 100, 1000))

s.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1a226a23c8>

# 创建一个 DataFrame，1到10的随机整数，10乘4的二维数组，列名为 a,b,c,d
df = DataFrame(np.random.randint(1,10,40).reshape(10,4),columns=list("abcd"))

df

# matpoltlib 画图
df.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x11fe2ab38>

# 对每列进行求和
df_sum = df.sum()
# 指定柱状图
df_sum.plot(kind='bar')

<matplotlib.axes._subplots.AxesSubplot at 0x1a22821668>

# seaborn 画图
index = df_sum.index
values = df_sum.values
sns.barplot(index, values)

<matplotlib.axes._subplots.AxesSubplot at 0x1a229041d0>

Перейдите на официальный сайт matplotlib, чтобы узнать больше.

Перейдите на официальный сайт Seaborn, чтобы узнать больше

Обладая некоторыми базовыми знаниями, приведенными выше, вы можете приступить к анализу акций.

анализ запасов

Этапы анализа акций:

• получить данные
• Обработка данных
• визуализация данных
• анализировать данные

# basic
import numpy as np
import pandas as pd
from pandas import Series, DataFrame

# get data
import pandas_datareader as pdr

# visual
import matplotlib.pyplot as plt
import seaborn as sns

# time
from datetime import datetime

# pandas_datareader 这个库提供 API 来获取股票数据
# get_data_yahoo 代表数据源来自 yahoo，'BABA' 是阿里巴巴的股票代码
df = pdr.get_data_yahoo('BABA')
# 由于数据较多，我们只取头部的五条数据来看
# high 表示最高价，low 表示最低价，open 表示开盘价，close 表示收盘价，volume 表示交易量
df.head()

# 我们取五家从2015年1月1号至今的股票数据进行分析
# 'MSFT'：微软, 'AAPL'：苹果, 'AMZN'：亚马逊, 'FB'：脸书, 'GOOG'：谷歌
start = datetime(2015,1,1)
company = ['MSFT', 'AAPL', 'AMZN', 'FB', 'GOOG']
top_df = pdr.get_data_yahoo(company, start=start)

# 得到一个数据集合，这个数据集合是 pandas.core 数据结构
type(top_df)

pandas.core.frame.DataFrame

# 看一下他们最近几日的收盘价
top_df['Close'].tail()

# 直接用 matplotlib 画它们的股价走势
top_df['Close'].plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1a1741f748>

# 根据他们的股价走势，画出股价波动
top_df_dr = top_df['Close'].pct_change()
top_df_dr.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1a173004a8>

# 上面的估计波动图太密集，不容易开出问题，我们选亚马逊和谷歌的进行对比
# 利用 seaborn 画出亚马逊和谷歌的散点图
# 每个点对应的横坐标和纵坐标，分别对应谷歌和亚马逊当日的涨跌情况，如果都为负数说明当日股价均为下跌
sns.jointplot('AMZN', 'GOOG', top_df_dr)

<seaborn.axisgrid.JointGrid at 0x1a172d8048>

# 我们还可以利用强大的 seaborn 对五家公司进行相互对比
sns.pairplot(top_df_dr.dropna())

<seaborn.axisgrid.PairGrid at 0x1a1786ada0>

Спасибо за чтение!