numpy股票數據

⑴ 用Python能做哪些事情

Python作為一門膠水語言，其實能做的事非常多，下面我簡單介紹一下，分為八個方面，主要內容如下：

數據處理

Python提供了大量用於數據處理和科學計算的庫，像numpy,scipy,pandas等，對於矩陣計算、線性代數等，numpy可以快速計算並得到結果，pandas內置的DataFrame類型可以快速處理各種常見的文件，像CSV，Excel，JSon等，是數據分析的利器，在數據處理中經常使用：

可視化

Python數據可視化庫也非常豐富，除了經常使用的matplotlib外，還有許多其他可視化庫，像seaborn，pyecharts等，繪制的圖形種類更豐富，更漂亮，代碼量也更少，非常容易學習，對於日常作圖製表來說，是一個非常不錯的選擇：

機器學習

現在機器學習正火，其實Python裡面也有現成的機器學習模塊可供學習—scikit-learn，對於常見的機器學習演算法，像分類、回歸、聚類、降維等，這個模塊都有現成的代碼可直接使用，非常方便，對於想入門機器學習的朋友來說，這是一個非常不錯的選擇：

神經網路

神經網路起源應該比較早了，目前在圖像領域應用比較廣泛，Python也有現成的神經網路模塊可供使用，比較有名的就是谷歌開源的tensorflow，可以快速構建神經網氏轎絡模型，並支持GPU計算，對於科研人員來說，是一個非常不錯的選擇，當然，除此之虛埋外，還有更高級的theano，keras等，使用也非常方便：

財經金融

對於想快速獲取股票財經數據的朋友來說，Python也有現成的模塊可供使用—tushare，一個免費、開源的財經數據介麵包，可以快速獲取國內股票數據，而且自動整合了數據爬取、清洗到加工的過程，使用起來非常不錯，對於金融分析人員來說，是一個非常不錯的工具：

爬蟲

Python非常適合做網頁爬蟲，像常見的urllib，bs4，requests，lxml等模塊，對於爬取大部分網頁來說非常容易，請求解析於一身，可以快速獲取到我們需要的數據，當然，為了提高開發效率，避免重復造輪子，Python也提供了一個非常受歡迎的爬蟲框架—scrapy，可定製性更高，用戶只需要添加少量代碼，便可快速啟動爬蟲：

游戲開發

對於游戲開發來差核螞說，Python也有一個專門的平台—pygame，專門用於游戲開發，對於開發小型游戲來說，這是一個非常不錯的選擇，擺脫了低級語言的束縛，代碼量更少也更易學習，對於游戲感興趣的朋友來說，這是一個非常不錯的選擇：

視頻下載

對於視頻下載來說，Python也有一個下載利器—you-get，可以免費快速的下載優酷、B站、美拍等網站視頻，不需要登錄，一鍵you-get就可以下載視頻到本地，還支持在線播放功能，除此之外，還可以下載圖片、音頻等文件，是一個非常實用的工具：

目前，就分享這8個方便吧，比較實用也比較有趣，當然，還有許多其他方面的，像Web開發、桌面GUI、測試、運維、樹莓派等，網上也有相關資料可供參考，感興趣的朋友可以自己搜一下，希望以上分享的內容能對你有所幫助吧

⑵ 怎麼用python計算股票

作為一個python新手，在學習中遇到很多問題，要善於運用各種方法。今天，在學習中，碰到了如何通過收盤價計算股票的漲跌幅。
第一種：
讀取數據並建立函數：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import spline
from pylab import *
import pandas as pd
from pandas import Series
a=pd.read_csv('d:///1.csv',sep=',')#文件位置

t=a['close']
def f(t):
s=[]
for i in range(1,len(t)):
if i==1:
continue
else:
s.append((t[i]-t[i-1])/t[i]*100)
print s
plot(s)

plt.show()
f(t)
第二種：
利用pandas裡面的方法：
import pandas as pd

a=pd.read_csv('d:///1.csv')
rets = a['close'].pct_change() * 100
print rets

第三種：
close=a['close']
rets=close/close.shift(1)-1
print rets

總結：python是一種非常好的編程語言，一般而言，我們可以運用構建相關函數來實現自己的思想，但是，眾所周知，python中裡面的有很多科學計算包，裡面有很多方法可以快速解決計算的需要，如上面提到的pandas中的pct_change()。因此在平時的使用中應當學會尋找更好的方法，提高運算速度。

⑶ 如何選取過去每個月股票的市值 python

類似，可以修改一下
股票漲跌幅數據是量化投資學習的基本數據資料之一，下面以python代碼編程為工具，獲得所需要的歷史數據。主要步驟有：
（1） #按照市值從小到大的順序活得N支股票的代碼；
（2） #分別對這一百隻股票進行100支股票操作；
（3） #獲取從2016.05.01到2016.11.17的漲跌幅數據；
（4） #選取記錄大於40個的數據，去除次新股；
（5） #將文件名名為「股票代碼.csv」。
具體代碼如下：
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 17 23:04:33 2016
獲取股票的歷史漲跌幅，並分別存為csv格式
@author: yehxqq151376026
"""

import numpy as np
import pandas as pd

#按照市值從小到大的順序活得100支股票的代碼
df = get_fundamentals(
query(fundamentals.eod_derivative_indicator.market_cap)
.order_by(fundamentals.eod_derivative_indicator.market_cap.asc())
.limit(100),'2016-11-17', '1y'
)

#分別對這一百隻股票進行100支股票操作
#獲取從2016.05.01到2016.11.17的漲跌幅數據
#選取記錄大於40個的數據，去除次新股
#將文件名名為「股票代碼.csv」
for stock in range(100):
priceChangeRate = get_price_change_rate(df['market_cap'].columns[stock], '20160501', '20161117')
if priceChangeRate is None:
openDays = 0
else:
openDays = len(priceChangeRate)
if openDays > 40:
tempPrice = priceChangeRate[39:(openDays - 1)]
for rate in range(len(tempPrice)):
tempPrice[rate] = "%.3f" %tempPrice[rate]
fileName = ''
fileName = fileName.join(df['market_cap'].columns[i].split('.')) + '.csv'
fileName
tempPrice.to_csv(fileName)

⑷ python數據挖掘工具包有什麼優缺點

python數據挖掘工具包就是scikit-learn，scikit-learn是一個基於NumPy, SciPy, Matplotlib的開源機器學習工具包，主要涵蓋分類，回歸和聚類演算法，在許多Python項目中都有應用。

優點：文檔齊全、介面易用、演算法全面。
缺點：是scikit-learn不支持分布式計算，不適合用來處理超大型數據。
現在建議您考一個很權威，含金量很高的證書，那就是CDA數據分析師。CDA證書是新興的高質量證書，最近2年發展比較快，不少公司都在關注這個認證考試，得益於國內人大論壇，現在叫經管之家的推廣貢獻。

想要了解更多有關數據挖掘的信息，可以了解一下CDA數據分析師的課程。「CDA數據分析師認證」是一套專業化，科學化，國際化，系統化的人才考核標准，分為CDA LEVELⅠ ，LEVEL Ⅱ，LEVEL Ⅲ，涉及金融、電商、醫療、互聯網、電信等行業大數據及數據分析從業者所需要具備的技能，符合當今全球大數據及數據分析技術潮流，為各界企業、機構提供數據分析人才參照標准。點擊預約免費試聽課。

⑸ python用什麼方法或者庫可以拿到全部股票代碼

首先你需要知道哪個網站上有所有股票代碼，然後分析這個網站股票代碼的存放方式，再利用python寫一個爬蟲去爬取所有的股票代碼

⑹ Tushare安裝出錯解決辦法

財經數據介麵包tushare，主要實現對股票等金融數據的數據採集，清洗加工和數據存儲，返回的Pandas DataFrame數據類型方便用numpy, matplotlib進行數據分析，同時兼容Python2和3，免費。
tushare的基本面類數據全部來自新浪財經，常用函數式get_stock_basics()獲取滬深股票列表。

筆者用的Python3.8，直接 pip install tushare 會出現版本匹配問題。如下圖：

-------------------------------------10月13日更新-------------------------------------
現在很多tushare的舊版本API已經不能用了，建議到官網去注冊個賬號，升級下版本，用pro版的tushare。
吐槽一下新用戶啥都不能幹，填好了個人信息只能調個日線，IPO新股還有央視新聞。

⑺ 標普100案例分析 —— 帶著Python玩金融（5）

本文將帶著你使用Python對標普100數據進行簡單的分析，你會學到：

標准普爾100指數 用來衡量大公司的股票表現，它由多個行業的100家主要公司構成。2017年標普100在各行業的比例如下圖所示。

本文將要分析的數據如下表所示，它由四列數據構成，分別是公司名（Name），行業（Sector），股價（Price）和每股盈餘（EPS）。

我們將這四列數據分別存儲在四個Python列表中。

先來用切片的方法觀察下數據。比如查看前四家公司的名稱。

或者輸出最後一家公司的所有信息。

市盈率 （衫好余Price to Earnings ratio），也或滾稱股價收益比率，由股價除以每年度每股盈餘（EPS）得到，它是用來衡量股價水平是否合理的指標之一。

為了方便計算市盈率，我們首先將數據從Python列表類型轉換為NumPy數組。

NumPy數組的優勢是它可以直接對數組進行運算，襪嘩而這一點Python列表是做不到的。比如計算市盈率 pe ，我們可以直接將數組 prices 除以數組 earnings 。

接下來我們就具體行業來進行分析，比如對於IT行業，我們首先需要篩選出哪些公司屬於這一行業。

用同樣的方法，篩選出必需消費品行業的公司和市盈率。

篩選出IT和必需消費品行業的數據後，我們來計算這兩個行業市盈率的均值和標准差。

首先用散點圖來觀察這兩個行業中每一家公司的市盈率。這里使用Python中常用的繪圖工具包 matplotlib 。

我們注意到，上圖的右上角有一IT公司的市盈率特別高。若某股票的市盈率高於同類股票，往往意味著該股有較高的增長預期。所以讓我們進一步來觀察IT行業的市盈率分布，在這里直方圖可以用來查看數據的分布情況。

現在可以更直觀的看到在直方圖的右側有一離群值，它具有很高的市盈率。我們可以使用布爾索引找到這家市盈率很高的公司。

註：本文是 DataCamp 課程 Intro to Python for Finance 的學習筆記。

⑻ 第1章 為什麼將Python用於金融

python是一門高級的編程語言，廣泛應用在各種領域之中，同時也是人工智慧領域首選的語言。
為什麼將python用於金融？因為Python的語法很容易實現金融演算法和數學計算，可以將數學語句轉化成python代碼，沒有任何語言能像Python這樣適用於數學。

⑼ python編程這門科目是用來編寫股票指標和選股器的嗎

python是一門語言補丁，最大的優勢在於擁有眾多的包，很多事情都可以做。而在數據分析領域提供了pandas，numpy，matplotlib等進行數據可視化，用於股票，自然也是可以的

⑽ 如何用Python和機器學習炒股賺錢

相信很多人都想過讓人工智慧來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標准普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智慧炒股的啟迪。

我終於跑贏了標准普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。

這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：

「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」

在研究者給出的許多有見地的觀察中，其中有一個總結很突出：

「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」

我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在資料庫裡面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關系」的強度。

我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網路之間的關系是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關系和相關性。

如果你使用機器學習，就可能在具有已知和隱藏關系的上市公司的寄生、共生和共情關系之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標簽（即概念（concept））的強大組合的能力。

我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨演算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習演算法的人類才能預測的隱藏關系的股票組。