做数据只知道Excel？Jupyter Notebook也要学起来了

如果你是一名交易员或者从事金融服务行业，那么 Excel 就是你的生计之本。有了它，你可以分析价格和实时数据、评估交易组合、计算 VaR、执行回测等等；有了它，你就是数据透视表、公式、图表甚至 VBA 和 PowerQuery 的专家。

然而，尽管你可以快速处理解决方案，但在你得到结果之前，电子表格已经扩展到数十个标签页、上千行以及数不清的 VBA——这使得它的可读性和可维护性遭到破坏。如果你胆敢用 F9 键刷新结果，那你就可以喝杯茶再多等一会儿了（前提还得是你的电脑在这期间没有崩溃）！

很熟悉的场景吧？你大概已经在频频点头了。

尽管 Excel 十分有用，但是对数据进行深入挖掘时，电子表格并不能提供你想要的所有答案。下面来看看 Excel 为什么这么火，又有哪些不足，最重要的是，为什么应该用JupyterNotebook 来替代它成为你的强大 数据分析 工具。

天堂般的 Excel

使得 Excel 如此有价值的因素有多个，最值得注意的是它简单却强大的基于内置函数的响应式计算模型。电子表格就像是一块空画布，「业余程序员」可以在这上面用 Excel 专用语言（公式或者 VBA）进行编程。

尽管银行为了运行业务关键流程部署了广泛的 IT 系统，但以电子表格形式存在的 Shadow IT 仍呈爆炸式增长，Shadow IT 补充了这些核心系统，并成为新业务计划的默认工具。正是由于企业系统不够灵活，无法适应动态金融环境所提出的快速上市要求，这才有了 Excel 来填补这一缺口。

Excel 可能很方便，但这是否意味着它就是正确的方法呢？

Excel 在企业中的角色需要重新定义了！

地狱般的 Excel 

想用电子表格对大量数据进行高级响应式分析？那可就用错 工具 了。

下面是 Excel 高级用户所面临的一些问题：

• 级联错误：Excel 一个臭名昭著的问题是，错误会沿着列传播，然后到整个表格，就好像雪球最终变成雪崩一样。可怕的是，有时错误发现时已为时已晚。

• 可扩展性：Excel 可处理的行列数是有限制的。随着数据集以指数速度增加，电子表格很快就会耗尽内存或消耗大量 CPU 资源，此时数据损坏的风险就会上升。

• 性能：在复杂的工作簿中，修改一个数字可能会影响到数百个重复计算，Excel 需要时间来处理每个数字。表格达到一定规模后不仅自身的速度会下降，还会影响到计算机上其它需要内存空间的应用程序的性能。

• 测试：想要测试一个电子表格的正确性几乎是不可能的，更别提还要证明后续更改不会破坏任何其他内容。

• 可追溯性/调试：往往一个很小的修改就会显著破坏你的复杂公式，从而使得问题难以识别和修复。

• 全部包含：数据和计算全部包含在一个 Excel 文件中，并且在本地计算机上运行。这就意味着协作受限、版本控制成为噩梦。此外，数据也只能是基于最近更新的静态数据，而无法随着条件变化而实时更新。

传统软件在数十年前已经解决了以上这些问题。

最后同样重要的一个问题是：

操作风险：所有电子表格最初都是小型/快速修复计算，但有些最终成为了永久性的企业级解决方案。它们提供了大量业务流程，但却缺乏全局谱系的可见性，从而使得许多财务、运营和监管流程的完整性受到威胁。

Hello，程序员； Bye-bye，交易员

传统上，银行将定量交易团队分为定量交易员和定量开发者。前者提出交易想法，后者将这些想法转化为可执行代码。如果你作为交易员的同时也熟悉编程，那就不再需要这种分工，这也为你提供了竞争优势：不仅可以在银行希望优化成本时避免被裁员，还可以将自己的交易模型付诸实践，并利用时间优势获利。解放双手，将枯燥的任务自动化，编程真的很有创造力！

在这个时代，更多的初级交易员都具备 uni 编程技能，因此想要保持职场竞争力就得要参与其中。

如何在 Python 和Jupyterbi ji ben 上使用 Excel

那么，当交易员和金融专家们发现 Excel 有诸多限制时（不是因为版本过低时），该如何解决呢？

答案是，学习 Python，并且使用Jupyter笔记本来做开发环境！

Python

Python 相当易于学习且用途广泛，因此在金融社区中使用渐多，与 Excel 一样，它现在是许多量化工具的先决条件。它没 C++（或 Java）那么复杂，也就意味着：1.学习曲线没那么陡峭；2. 完成一个任务所需的代码量要少 80%-90%。

Python 的日益普及可以从大量支持交易员所需的各种工具库看出来。

• 数据的读、写、清洗、传递、分层／分割

• 数学、统计、时间序列

• 财务分析：交易和计量金融、市场数据分析、股票／衍生产品市场分析、彭博数据访问、执行引擎、回测、风险分析等等

• 机器学习工作流（如预测市场价格）

• 绘图和交互式可视化

• SQL 支持

• 发送邮件

• 网页抓取（如获取在线市场数据）

• 任务自动化／安排

• Excel 集成（如果你确实非常喜欢 Excel）

Jupyter

同样地，Jupyter Notebook 是一个基于 Web 的计算环境，能够让你创作包括以下内容的文档：实时代码、图形、小部件、丰富的叙述文本（包括链接、公式等）、图片等。更具体地说，你能够：

• 在浏览器中编辑代码：自动语义高亮、缩进、tab 命令补全/内省（introspection）

• 运行浏览器中的代码：在代码后附加其计算结果

它们提供了一种全包式的、独立的运算记录，从而使其代替 Excel 作为实时数据分析平台。

The sweet spot

你可能会想：我还要再用 Excel 吗？当然了。

在下面这些情况下，电子表格依然是你最好的选择：

• 正确性和精确性并非优先事项

• 数据量不大（比如不需要可扩展性）

• 无需实时更新

• 使用 Excel 作为便签薄快速整合原型

• 无需长期维护

当你需要快速开发、验证正确性和可扩展性，同时又要保持和 Excel 一样的反应模型时，就是JupyterNotebook 大展身手之时。

不，Excel 并未淘汰，但JupyterNotebook 是更好的数据分析工具！

尽管我已经明确提到使用 Python／Jupyter 组合相较于 Excel 的一些实质性优点，在「地狱般的 Excel」小节中也隐晦地提到一些，我还是要把前十个优点列表如下：

• 强大的数据操作 － 毕竟是数据科学家的工具箱！

• 先进的可视化功能－ 不再是枯燥的图标！

• 更好的用户体验

• 大数据处理 － 不再崩溃！

• 性能管理 － 利用多处理器

• 测试驱动的开发 － 考虑质量！

• 开源可访问性 － 它有一个库

• 错误追踪

• 自动化更加简单

• 自编文档 － 不要低估它的价值！

从哪开始

我发现新进入这一领域可能令人生畏，但是编程并非学习语法，而是使用正确的语言和工具来解决问题：在本文中也就是 Python 和Jupyter。

这里提供两个非常好的入门资源：

Think Python 免费电子书下载：http://greenteapress.com/thinkpython2/html/index.html

Jupyter Notebook 新手在线工具教程：https://www.dataquest.io/blog/jupyter-notebook-tutorial

重点是：Stay relevant!

结束语：

难以想象没有电子表格的企业界！

银行开始发现 Python 可以在其关键工作负载中作为 Excel 的替代品。最近，Barclays 因其培训交易员编程而成为新闻头条。我想你也应该遵守这个范例，你不会失望的！

让 Excel 去做它擅长的事，用 Python 和JupyterNotebook 来完成分析和自动化！

参考链接： https://towardsdatascience.com/jupyter-is-the-new-excel-a7a22f2fc13a