實現需要導入的包：
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
注：tushare,財經數據接口包

1.使用tushare包導入某只股票的歷史數據

我們不妨以同花順這只股票為例（300033）
df=ts.get_k_data(code=‘300033’,start=‘2000-01-01’,end=‘2022-01-21’)
df
其中，code是股票代碼，start是開始時間，end是結束時間。如果不知道開始時間，可以設置一個比較早的時間。


運行結果如上，共計2916條數據。

接下來，我們可以把數據存儲到文件中去，調用to_xxx將數據寫入文件中
df.to_csv(’./300033.csv’)
然后重新導入文件：
df=pd.read_csv(’./300033.csv’)
df
運行后發現：

多了一列，我們可以刪除第一列的數據，刪除方法常見的兩種：
方法一：直接del df[‘column-name’]
方法二：采用drop方法，有下面三種等價的表達式：
1.df= df.drop(‘column_name’, 1)
輸入:df,drop(‘num’,axix=1),不改變內存，及輸入df的時候，它還是顯示原數據；
2.df.drop(‘column_name’,axis=1, inplace=True)
輸入:df.drop(‘num’,axix=1，inplace=True),改變內存，及輸入df的時候，它顯示改變后的數據；
3. df.drop([df.columns[[0,1, 3]]], axis=1,inplace=True)
輸入：df.drop([df.columns[[0,1]]],axis=1,inpalce=True)
總結：凡是會對原數組作出修改并返回一個新數組的，往往都有一個 inplace可選參數。如果手動設定為True（默認為False），那么原數組直接就被替換。也就是說，采用inplace=True之后，原數組名（如2和3情況所示）對應的內存值直接改變；而采用inplace=False之后，原數組名對應的內存值并不改變，需要將新的結果賦給一個新的數組或者覆蓋原數組的內存位置（如1情況所示）。

通過pandas刪除列：
1.del df[‘columns’] #改變原始數據
2.df.drop(‘columns’,axis=1)#刪除不改表原始數據，可以通過重新賦值的方式賦值該數據
3.df.drop(‘columns’,axis=1,inplace=‘True’) #改變原始數據

言歸正傳，我們采用drop函數，這樣我們就刪除了第一行無用的數據。
df=df.drop(labels=‘Unnamed: 0’,axis=1)#drop中反過來，0表示行，1表示列，inplace=Ture表示將操作賦予到原數據中
df

使用to_datetime將date列轉化為時間序列：
df[‘date’]=pd.to_datetime(df[‘date’])
df

便于查看，我們把日期設置為索引序列：
df=df.set_index(‘date’)
df

2.輸出收盤比開盤漲超3%的日期

date=df.loc[(df[‘close’]-df[‘open’])/df[‘open’]>0.03]#獲取True對應的行數據
date
在分析的過程中如果產生了布爾值，則下一步將布爾值作為源數據的行索引；如果布爾值作為原數據的行索引，則可以取出True對應的值，忽略False對應的值。
接下來，將數據生成存儲到文件中去。
date.to_csv(’./300033上漲3%的日期匯總.csv’)

3.輸出開盤價比昨日收盤價跌幅超過2%的日期

思考這樣一個問題，昨日的收盤價怎么和開盤價放到一列？
我們可以增加一列收盤價，并把收盤價下移一天：
df[‘yesterday_close’]=df[‘close’].shift(1)
df

date=df.loc[(df[‘open’]-df[‘yesterday_close’])/df[‘yesterday_close’]<-0.02]#開盤價比起昨天收盤價跌幅超過2%
date

date.to_csv(’./300033開盤比前日收盤價跌超2%的日期.csv’)

4.假如我從2010年1月1日起，每個月第一個交易日買入十手股票，每年最后一個交易日賣出，那么到昨天，我的收益是多少？

首先我們要知道，一手股票是100股，一年總共買入12000股。
我們首先計算成本價格：
1.取出日期內的數據：
new_df=df[‘2010-01-01’:‘2022-01-23’]
new_df
2.找出每月的第一個交易日：
Month_first=new_df.resample(‘M’).first()
3.計算總花費：
cost=Month_first[‘open’].sum()*1000 #花費的總價格
接下來我們計算收益，要注意2022年的股票還沒有賣出，需要估價，利用昨天的收盤價進行估價。
Annual_last=new_df.resample(‘A’).last()[:-1]#將2022年最后一行切出去
計算收益：
earn=Annual_last[‘open’].sum()12000+2000new_df[‘close’][-1]
print(earn-cost)

5.繪制五日均線和三十日均線

首先需要理解，什么是均線？
對于每一個交易日，都可以計算前N天的移動平均值，然后把這些移動均值聯系起來，成為一條線，叫做N日移動平均線，移動平均線常用有5天，10天，30天，60天，120天，240天的指標。
均線計算方法：MA=(C1+C2+…+Cn)/n
五日均線：
MA5=df[‘close’].rolling(5).mean()
MA30=df[‘close’].rolling(30).mean()
pandas中提供了pandas.DataFrame.rolling這個函數來實現滑動窗口值計算，下面是這個函數的原型：
DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)
繪圖如下：
plt.plot(MA5)

plt.plot(MA30)

總結

以上是生活随笔為你收集整理的Python实战项目—金融量化分析（数据的简单预处理）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。