Py学习  »  Python

Python 股票分析入门

缪宇 • 5 年前 • 381 次点击  
阅读 63

Python 股票分析入门

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

# 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

# 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

# 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

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

# 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

# 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

# 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

感谢阅读!


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/9ygndu32gY
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/26077
 
381 次点击