未加星标

Python 股票分析入门

字体大小 | |
[开发(python) 所属分类 开发(python) | 发布者 店小二04 | 时间 2018 | 作者 红领巾 ] 0人收藏点击收藏

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

本文开发(python)相关术语:python基础教程 python多线程 web开发工程师 软件开发工程师 软件开发流程

代码区博客精选文章
分页:12
转载请注明
本文标题:Python 股票分析入门
本站链接:https://www.codesec.net/view/610999.html


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 开发(python) | 评论(0) | 阅读(72)