Python 股票分析入门

栏目: Python · 发布时间: 5年前

内容简介:初入数据分析大门,感觉需要补的知识太多太多。不太建议系统补齐各种知识,因为大概率会倒在半路上。以项目为导向,梳理大概流程,对流程中所需的知识点进行大致学习,以后遇到知识盲点再回来补。接下来我以股票分析为例来了解数据分析流程。

初入数据分析大门,感觉需要补的知识太多太多。不太建议系统补齐各种知识,因为大概率会倒在半路上。

以项目为导向,梳理大概流程,对流程中所需的知识点进行大致学习,以后遇到知识盲点再回来补。

接下来我以股票分析为例来了解数据分析流程。

个人认为股票分析无非就分为 获取数据数据处理数据可视化 三个部分,依赖 Python 强大的第三方开源库,上手难度变得非常低。

所需知识

  • 基础
    • Python
  • 环境
    • anaconda
  • 数据获取
    • pandas_datareader
  • 数据处理
    • numpy
    • pandas
  • 数据可视化
    • matplotlib seaborn

目的

  • 分析股票走势
  • 多只股票的关系

Python 基本语法

推荐去看廖雪峰的 Python 教程,浅显易懂,上手很快。

安装 anaconda

Anaconda是一个包含180+的科学包及其依赖项的开源Python发行版本。

安装 anaconda,直接去anaconda 官网下载安装即可。

anaconda 安装成功后,会自带安装Jupyter,jupyter 主要用于我们代码的编写和运行。

创建一个新文件夹 stock-market-analysis ,进入当前目录,启动 jupyter 。

# 启动 jupyter
conda notebook 
复制代码

启动成功,在浏览器中打开 http://localhost:8888/tree) ,单击 new ,创建一个新的 notebook 就可以开始愉快的玩耍了!

numpy

numpy 是一个用于科学计算的 Python 库。

基本用法

# 引入 numpy
import numpy as np
复制代码
# 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
复制代码
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
复制代码
# 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
复制代码
array([[  1,  11,  21,  31,  41],
       [ 51,  61,  71,  81,  91],
       [101, 111, 121, 131, 141]])
复制代码
# 两个二维数组相加 
a + b
复制代码
array([[  1,  12,  23,  34,  45],
       [ 56,  67,  78,  89, 100],
       [111, 122, 133, 144, 155]])
复制代码

去官网了解更多

pandas

pandas 是一个基于 numpy 强大的 Python 数据分析包,它提供了很高级的数据结构和大量处理数据的方法。最终目的是为了我们更好的理解和处理数据。

基本用法

pandas 提供了两种数据结构,Series 和 DataFrame。

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
复制代码

Series

Series 类似于字典,可以根据索引查找对应值

# 创建一个长度为4,1到10的随机整数
Series(np.random.randint(1,10,4))
复制代码
0    4
1    2
2    3
3    1
dtype: int64
复制代码
# 指定index
s = Series(np.random.randint(1,10,4), index=['a','b','c','d'])
s
复制代码
a    4
b    5
c    5
d    8
dtype: int64
复制代码
# 根据 index 查找
s['a']
复制代码
4
复制代码

DataFrame

DataFrame 是二维的数据结构,可以用行列的方式表示,可以把它想象成一个 Excel 表。

# 生成值为时间的数组
dates = pd.date_range('20130101', periods=6)
dates
复制代码
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')
复制代码
# 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
复制代码
A B C D
2013-01-01 4 3 5 3
2013-01-02 3 1 1 8
2013-01-03 6 1 8 6
2013-01-04 8 8 9 2
2013-01-05 1 5 1 8
2013-01-06 2 4 9 5

去官网了解更多

matplotlib seaborn

matplotlib 是 Python 非常重要的数据可视化库,而seaborn 是基于 matplotlib 开发的可视化库,更为强大易用。

基本用法

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
import matplotlib.pyplot as plt
import seaborn as sns
复制代码
# 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))
复制代码
s.plot()
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x1a226a23c8>
复制代码
Python 股票分析入门
# 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"))
复制代码
df
复制代码
a b c d
0 3 6 8 9
1 2 6 9 9
2 8 9 2 9
3 7 4 5 4
4 7 9 5 8
5 9 9 3 3
6 5 2 3 1
7 1 8 3 7
8 3 1 7 2
9 2 1 9 7
# matpoltlib 画图
df.plot()
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x11fe2ab38>
复制代码
Python 股票分析入门
# 对每列进行求和
df_sum = df.sum()
# 指定柱状图
df_sum.plot(kind='bar')
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x1a22821668>
复制代码
Python 股票分析入门
# seaborn 画图
index = df_sum.index
values = df_sum.values
sns.barplot(index, values)
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x1a229041d0>
复制代码
Python 股票分析入门

去 matplotlib 官网了解更多

去 seaborn 官网了解更多

有了以上的一些基本知识就可开始分析股票了。

股票分析

股票分析的步骤:

  • 获取数据
  • 处理数据
  • 数据可视化
  • 分析数据
# 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
复制代码
# 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()
复制代码
High Low Open Close Volume Adj Close
Date
2014-09-19 99.699997 89.949997 92.699997 93.889999 271879400 93.889999
2014-09-22 92.949997 89.500000 92.699997 89.889999 66657800 89.889999
2014-09-23 90.480003 86.620003 88.940002 87.169998 39009800 87.169998
2014-09-24 90.570000 87.220001 88.470001 90.570000 32088000 90.570000
2014-09-25 91.500000 88.500000 91.089996 88.919998 28598000 88.919998
# 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)
复制代码
# 得到一个数据集合,这个数据集合是 pandas.core 数据结构
type(top_df)
复制代码
pandas.core.frame.DataFrame
复制代码
# 看一下他们最近几日的收盘价
top_df['Close'].tail()
复制代码
Symbols AAPL AMZN FB GOOG MSFT
Date
2018-10-30 213.300003 1530.420044 146.220001 1036.209961 103.730003
2018-10-31 218.860001 1598.010010 151.789993 1076.770020 106.809998
2018-11-01 222.220001 1665.530029 151.750000 1070.000000 105.919998
2018-11-02 207.479996 1665.530029 150.350006 1057.790039 106.160004
2018-11-05 201.589996 1627.800049 148.679993 1040.089966 107.510002
# 直接用 matplotlib 画它们的股价走势
top_df['Close'].plot()
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x1a1741f748>
复制代码
Python 股票分析入门
# 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()
复制代码
<matplotlib.axes._subplots.AxesSubplot at 0x1a173004a8>
复制代码
Python 股票分析入门
# 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)
复制代码
<seaborn.axisgrid.JointGrid at 0x1a172d8048>
复制代码
Python 股票分析入门
# 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())
复制代码
<seaborn.axisgrid.PairGrid at 0x1a1786ada0>
复制代码
Python 股票分析入门

以上所述就是小编给大家介绍的《Python 股票分析入门》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Eric Meyer on CSS

Eric Meyer on CSS

Eric Meyer / New Riders Press / 2002-7-8 / USD 55.00

There are several other books on the market that serve as in-depth technical guides or reference books for CSS. None, however, take a more hands-on approach and use practical examples to teach readers......一起来看看 《Eric Meyer on CSS》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

RGB CMYK 转换工具
RGB CMYK 转换工具

RGB CMYK 互转工具