今年以来，同业存单的利率，一直是金融市场非常关注的一个变量。而实时观察同业存单的到期情况，对预判同业存单的发行利率，有比较重要的参考意义。
小肯老师在文章《【吐血推荐】债券汪常用的Excel数据处理小技巧（附截图）》中，详细讲解了，如何灵活运用各种Excel函数，来分析同业存单数据。但是用Excel分析同业存单数据，需要每次先从Wind导出原始数据，再进行汇总整理，比较繁琐。本文尝试通过Wind的Python接口，来自动更新和分析同业存单的数据。
1 获得同业存单的原始数据
我们首先需要获得同业存单的原始数据，大概内容如下：
如果是第一次使用Wind接口的话，需要先安装Wind接口，方法是：在Wind首页中，依次点击：量化—修复插件—修复Python接口。
我们在Python中，先导入要用的包，其中from WindPy import w，就是启用Wind接口的意思：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from WindPy import w
# 导入需要的包
我们获得原始数据的步骤分为两步，第一步是提取所有同业存单的wind代码列表，第二步是基于wind代码列表，提取我们所需要数据。代码如下：
w.start()
# 启动wind接口
code = w.wset("sectorconstituent","sectorid=1000016456000000")
code1 = ','.join(code.Data[1][0:5000])
# 把同业存单的代码整合成一个字符串
code2 = ','.join(code.Data[1][5000:10000])
code3 = ','.join(code.Data[1][10000:15000])
code4 = ','.join(code.Data[1][15000:])
data1 = w.wss(code1, "windcode,fullname,issueamount,carrydate,maturitydate,term,couponrate,issuer_banktype", "unit=1")
data2 = w.wss(code2, "windcode,fullname,issueamount,carrydate,maturitydate,term,couponrate,issuer_banktype", "unit=1")
data3 = w.wss(code3, "windcode,fullname,issueamount,carrydate,maturitydate,term,couponrate,issuer_banktype", "unit=1")
data4 = w.wss(code4, "windcode,fullname,issueamount,carrydate,maturitydate,term,couponrate,issuer_banktype", "unit=1")
dt1 = pd.DataFrame(data1.Data).T
# 转换成DataFrame格式dt2 = pd.DataFrame(data2.Data).T
dt3 = pd.DataFrame(data3.Data).T
dt4 = pd.DataFrame(data4.Data).T
data = pd.concat([dt1, dt2, dt3, dt4])
#合并数据
w.close()
# 关闭Wind接口
data.columns = ['windcode', 'fullname', 'issuemount', 'carrydate', 'maturitydate', 'term', 'couponrate', 'issuer_banktype']
# 重命名
上述代码中，w.wset命令是提取同业存单板块的所有代码，w.wss命令是根据代码提取同业存单的指标。我们提取的指标是：windcode：交易代码
fullname：债券全称
issueamount：发行规模（亿）
carrydate：起息日
maturitydate：到期日
term：发行期限（年）
couponrate：票面利率（发行时）
issuer_banktype：发行人（银行）类型
在提取数据的时候，我们要注意一点，就是同业存单的数据量很大，大概有1.6万条，超过了Wind接口中一次性提取的现额，因此我们按5000条一组，分成了四组，分别提取后再合并。
对于提取后的数据，我们将到期日作为索引，并排序，代码和最终数据大概如下：
data = data.set_index('maturitydate')
# 设置索引
data = data.sort_index()
# 按照索引排序
最终获得的原始数据如下：
2 获得同业存单的到期量数据并做图
由于不同的同业存单，到期日可能相同，因此我们需要先把到期日相同的存单，进行合并，然后就做图就好了。
代码和最终数据大概如下：
dataD = data.resample('D').sum()
fig = plt.figure(figsize=(15, 5))
plt.plot(dataD['issuemount']['2020'], '-.', marker='*')
plt.title('2020年11-12月同业存单到期量', size=16)
plt.xticks(rotation=90)
dataD['issuemount'].head(10)
3 提高速度的小技巧
以上我们就基本上完成了从Wind接口提取同业存单数据，并进行分析的主要流程。但是在实际操作中，由于同业存单的数据量较大，大概有1.6万条，每次提取的耗时较多。另外就是Wind可能会对接口提取的数据量设限制，因此频繁提取大量数据有超限的风险。
因此我们可以采取的方法是，先将第一次提取的同业存单原始数据，在电脑中存为Excel文件，下次直接从电脑的Excel文件中读取数据。然后我们只需要对更新的同业存单，提取数据就可以。代码如下：
data.to_excel('D:/data_cd.xlsx', sheet_name='Sheet1')
# 将数据输出为EXCEL格式文件
data = pd.read_excel('D:/data_cd.xlsx', sheet_name='Sheet1', index_col='maturitydate')
c1 = list(data['windcode'].values)
# Excel里面读的数
w.start()
code = w.wset("sectorconstituent","sectorid=1000016456000000")
c2 = code.Data[1]
# Wind中取的值
if len(c1) == len(c2):
print("不需要更新数据")
else:
diff = [i for i in c2 if not(i in c1) ]
# 取出不同的值
code1 = ','.join(diff)
datanew = w.wss(code1, "windcode,fullname,issueamount,carrydate,maturitydate,term,couponrate,issuer_banktype", "unit=1")
dt1 = pd.DataFrame(datanew.Data).T # 转换成DataFrame格式
dt1.columns = ['windcode', 'fullname', 'issuemount', 'carrydate', 'maturitydate', 'term', 'couponrate', 'issuer_banktype']
dt1= dt1.set_index('maturitydate')
data = pd.concat([data, dt1]) #合并数据
w.close()
data.to_excel('D:/data_cd.xlsx', sheet_name='Sheet1')
最后我们可以很方便的按照商业银行分类，展示同业存单的到期情况如下图：
