pandas玩轉股票資料庫

❶ 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。

❷ 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。

❸ Pandas的10大驚人應用-哪個行業領域正在使用Python Pandas

對一個知識該如何准確地運用一個知識有一個扎實的想法是很重要的，因為知識很容易獲得，但是正確使用它才是使您明智的。因此，在 《熊貓的十大驚人應用》 中，我們選擇了令人鼓舞的應用程序以及可以在現實世界中應用熊貓知識的各個位置。

藉助此列表，您將了解在現實世界中哪些行業應用Python熊貓。

1.經濟學
經濟學對數據分析的需求不斷。對於經濟學家來說，分析數據以形成模式並了解有關各個部門經濟增長方式的趨勢是非常重要的。因此，許多經濟學家已經開始使用Python和Pandas分析龐大的數據集。熊貓提供了一套全面的工具，例如數據框架和文件處理。這些工具極大地幫助訪問和處理數據以獲得所需的結果。通過熊貓的這些應用，世界各地的經濟學家都能夠取得前所未有的突破。

2.推薦系統
我們都使用了Spotify或Netflix，這些網站提供的出色建議令他們感到震驚。這些系統是深度學習的 奇跡。這種提供建議的模型是熊貓最重要的應用之一。通常，這些模型是用python創建的，而Pandas是python的主要庫，在處理此類模型中的數據時會使用它們。我們知道，熊貓最適合管理大量數據。推薦系統只有通過學習和處理大量數據才有可能。諸如groupBy和映射之類的功能極大地幫助了使這些系統成為可能。

3.庫存預測
股市非常動盪。但是，這並不意味著無法預測。藉助Pandas和其他一些庫（例如NumPy和matplotlib），我們可以輕松地建立模型來預測股市的走勢。這是可能的，因為以前有很多股票數據可以告訴我們它們的表現。通過學習這些庫存數據，模型可以輕松地以某種准確性預測要採取的下一步行動。不僅如此，人們還可以藉助這種預測模型自動進行股票買賣。

4.神經科學
了解神經系統一直是人類的思想，因為關於人體的許多潛在謎團尚未解決。 機器學習在熊貓的各種應用程序的幫助下極大地幫助了這一領域。同樣，熊貓的數據處理能力在匯編大量數據中起了重要作用，這些數據已幫助神經科學家理解我們體內遵循的趨勢以及各種事物對整個神經系統的影響。

5.統計
純粹的數學本身在熊貓的各種應用中取得了很大的進步。由於Statistic處理大量數據，因此像Pandas這樣處理數據處理的庫以許多不同的方式提供了幫助。平均值，中位數和眾數功能只是非常基本的功能，有助於執行統計計算。統計數據還有許多其他復雜的功能，熊貓在其中發揮著巨大的作用，以帶來完美的結果。

6.廣告
廣告在21世紀取得了巨大的飛躍。如今，廣告已變得非常個性化，可以幫助公司贏得越來越多的客戶。僅由於機器學習和深度學習之類的原因，這再次成為可能。遍歷客戶數據的模型將學習了解客戶到底想要什麼，從而為公司提供出色的廣告創意。熊貓在這方面有許多應用。通常在此庫的幫助下呈現客戶數據，Pandas中提供的許多功能也有幫助。

7.分析
通過使用熊貓，分析變得比以往任何時候都容易。無論是網站分析還是其他平台的分析，Pandas都以其驚人的數據處理和處理功能來完成所有工作。熊貓的可視化功能在該領域也發揮著重要作用。它不僅接收數據並顯示它，而且還有助於在數據上應用許多功能。

8.自然語言處理
NLP或自然語言處理已席捲全球，並引起了很多轟動。主要概念是解釋人類語言及其相關的一些細微差別。這非常困難，但是藉助Pandas和Scikit-learn的各種應用程序，可以更輕松地創建一個NLP模型，藉助其他各種庫及其功能，我們可以不斷對其進行改進。

9.大數據
熊貓的應用之一就是它也可以處理大數據。Python與Hadoop和Spark有著良好的聯系，從而使Pandas可以訪問大數據。 藉助Pandas，也可以輕松地編寫Spark或Hadoop。

10.數據科學
熊貓和數據科學幾乎是同義詞。大多數示例都是Data Science本身的產品。這是一個非常廣泛的保護傘，涵蓋了涉及數據分析的所有內容，因此，熊貓的幾乎所有應用都屬於數據科學的 范圍。熊貓主要用於處理數據。因此，沒有熊貓的Python數據科學非常困難。

摘要
通過上面給出的示例，我們遇到了熊貓各種實時應用程序的完整列表。這些應用程序存在於我們的日常生活中，在現實世界中非常有用。現在，通過了解他們，我希望您能夠輕松地確定在何處以及如何准確地運用自己的知識。 您可能還想知道15種熊貓的高級功能。

❹ 在財經領域使用大數據分析技術主要運用的是pandas嗎

大數據分析進階之python財經數據抓取
Python常用數據分析包：
Pandas：數據分析
Nltk：自然語言處理
Scikit：人工智慧和機器學習
Numpy/scipy：矢量數據和科學計算
Sympy：符號計算
Gpu：並行超速運算
Opencv：圖像視頻處理
TVTK/mayavi：可視化

財經數據介麵包
Pandas
Python Data Analysis Library 或 是基於NumPy 的一種工具，是python的一個數據分析包。
Pandas最初被作為金融數據分析工具而開發出來，因此，pandas為時間序列分析提供了很好的支持。
Pandas的名稱來自於面板數據（panel data）和python數據分析（data analysis）。

Pandas返回的數據格式都是pandas DataFrame類型，非常便於用pandas/NumPy/Matplotlib進行數據分析和可視化。

使用pandas自帶財經數據介面，能夠獲取雅虎財經、世界銀行等財經數據。

TuShare
TuShare是一個免費、開源的python財經數據介麵包。
主要實現對股票等金融數據從數據採集、清洗加工到數據存儲的過程，能夠為金融分析人員提供快速、整潔和多樣的便於分析的數據，為他們在數據來源方面極大地減輕了工作量，使他們更加專注於策略和模型的研究與實現上。

TuShare返回的絕大部分的數據格式都是pandas DataFrame類型，非常便於用pandas/NumPy/Matplotlib進行數據分析和可視化。

使用TuShare自帶財經數據介面，能夠獲取新浪財經的證券、宏觀等財經數據。

使用TuShare自帶財經數據介面，能夠獲取即時新浪財經數據、新浪股吧數據、個股信息地雷數據等數據。

介面簡單易懂，返回的數據格式規整，非常便於處理分析！
數據挖掘實驗室
持續追蹤大數據和數據新聞前沿，通過自然語言處理、機器學習、R等大數據處理手段和D3、Echarts等數據可視化方法，玩轉大數據驅動新聞。

❺ 解決 pandas_datareader 無法獲取雅虎財經數據的問題

pandas_datareader 是重要的 pandas 相關包，原來是 pandas.io.data 方法，用於獲取介面數據，比如雅虎財經上的數據或者美聯儲路易斯安娜分行的數據，但是在最近版本（比如 pandas 0.20）中 pandas.io.data 的方法獨立出來稱為一個新的包 pandas_datareader 。

雅虎財經和谷歌財經的介面變換頻繁。如果用 pip install pandas_datareader ，已經無法得到雅虎財經。

pandas_datareader github Issuse #315 針對的就是雅虎財經介面無法訪問的問題， gusutabopb 在 5月21日進行了成功修正，並提供了他修正後的 pandas_datareader 新版本。

該修正版本的安裝方法是

安裝以後測試獲取 google 的股票數據成功。

參考：
Issues with the data reader fetching yahoo finance #315

Error with pulling data from Yahoo Finance

❻ 數據分析—Pandas刪除數據的幾種情況

開始之前，pandas中DataFrame刪除對象可能存在幾種情況

本文就針對這四種情況探討一下如何操作。

模擬了一份股票交割的記錄。

也可以根據行號刪除記錄，比如刪除第三行

注意，這個辦法其實不是按照行號刪除，而是按照索引刪除。如果index為3，則會將前4條記錄都刪除。這個方法支持一個范圍，以及用負數表示從末尾刪除。

本例其實是篩選，如果需要保留，可以將篩選後的對象賦值給自己即可。

如果想取包含某些字元的記錄，可以去掉~

完成~
希望本文的內容對大家的學習或者工作能帶來一定的幫助，每天進步一點點，加油。

❼ 請問怎麼學習Python

這里整理了一份Python開發的學習路線，可按照這份大綱來安排學習計劃~

第一階段：專業核心基礎

階段目標：

1. 熟練掌握Python的開發環境與編程核心知識

2. 熟練運用Python面向對象知識進行程序開發

3. 對Python的核心庫和組件有深入理解

4. 熟練應用SQL語句進行資料庫常用操作

5. 熟練運用Linux操作系統命令及環境配置

6. 熟練使用MySQL，掌握資料庫高級操作

7. 能綜合運用所學知識完成項目

知識點：

Python編程基礎、Python面向對象、Python高級進階、MySQL資料庫、Linux操作系統。

1、Python編程基礎，語法規則，函數與參數，數據類型，模塊與包，文件IO，培養扎實的Python編程基本功，同時對Python核心對象和庫的編程有熟練的運用。

2、Python面向對象，核心對象，異常處理，多線程，網路編程，深入理解面向對象編程，異常處理機制，多線程原理，網路協議知識，並熟練運用於項目中。

3、類的原理，MetaClass，下劃線的特殊方法，遞歸，魔術方法，反射，迭代器，裝飾器，UnitTest，Mock。深入理解面向對象底層原理，掌握Python開發高級進階技術，理解單元測試技術。

4、資料庫知識，範式，MySQL配置，命令，建庫建表，數據的增刪改查，約束，視圖，存儲過程，函數，觸發器，事務，游標，PDBC，深入理解資料庫管理系統通用知識及MySQL資料庫的使用與管理。為Python後台開發打下堅實基礎。

5、Linux安裝配置，文件目錄操作，VI命令，管理，用戶與許可權，環境配置，Docker，Shell編程Linux作為一個主流的伺服器操作系統，是每一個開發工程師必須掌握的重點技術，並且能夠熟練運用。

第二階段：PythonWEB開發

階段目標：

1. 熟練掌握Web前端開發技術，HTML，CSS，JavaScript及前端框架

2. 深入理解Web系統中的前後端交互過程與通信協議

3. 熟練運用Web前端和Django和Flask等主流框架完成Web系統開發

4. 深入理解網路協議，分布式，PDBC，AJAX，JSON等知識

5. 能夠運用所學知識開發一個MiniWeb框架，掌握框架實現原理

6. 使用Web開發框架實現貫穿項目

知識點：

Web前端編程、Web前端高級、Django開發框架、Flask開發框架、Web開發項目實戰。

1、Web頁面元素，布局，CSS樣式，盒模型，JavaScript，JQuery與Bootstrap掌握前端開發技術，掌握JQuery與BootStrap前端開發框架，完成頁面布局與美化。

2、前端開發框架Vue，JSON數據，網路通信協議，Web伺服器與前端交互熟練使用Vue框架，深入理解HTTP網路協議，熟練使用Swagger，AJAX技術實現前後端交互。

3、自定義Web開發框架，Django框架的基本使用，Model屬性及後端配置，Cookie與Session，模板Templates，ORM數據模型，Redis二級緩存，RESTful，MVC模型掌握Django框架常用API，整合前端技術，開發完整的WEB系統和框架。

4、Flask安裝配置，App對象的初始化和配置，視圖函數的路由，Request對象，Abort函數，自定義錯誤，視圖函數的返回值，Flask上下文和請求鉤子，模板，資料庫擴展包Flask-Sqlalchemy，資料庫遷移擴展包Flask-Migrate，郵件擴展包Flask-Mail。掌握Flask框架的常用API，與Django框架的異同，並能獨立開發完整的WEB系統開發。

第三階段：爬蟲與數據分析

階段目標：

1. 熟練掌握爬蟲運行原理及常見網路抓包工具使用，能夠對HTTP及HTTPS協議進行抓包分析

2. 熟練掌握各種常見的網頁結構解析庫對抓取結果進行解析和提取

3. 熟練掌握各種常見反爬機制及應對策略，能夠針對常見的反爬措施進行處理

4. 熟練使用商業爬蟲框架Scrapy編寫大型網路爬蟲進行分布式內容爬取

5. 熟練掌握數據分析相關概念及工作流程

6. 熟練掌握主流數據分析工具Numpy、Pandas和Matplotlib的使用

7. 熟練掌握數據清洗、整理、格式轉換、數據分析報告編寫

8. 能夠綜合利用爬蟲爬取豆瓣網電影評論數據並完成數據分析全流程項目實戰

知識點：

網路爬蟲開發、數據分析之Numpy、數據分析之Pandas。

1、爬蟲頁面爬取原理、爬取流程、頁面解析工具LXML，Beautifulfoup，正則表達式，代理池編寫和架構、常見反爬措施及解決方案、爬蟲框架結構、商業爬蟲框架Scrapy，基於對爬蟲爬取原理、網站數據爬取流程及網路協議的分析和了解，掌握網頁解析工具的使用，能夠靈活應對大部分網站的反爬策略，具備獨立完成爬蟲框架的編寫能力和熟練應用大型商業爬蟲框架編寫分布式爬蟲的能力。

2、Numpy中的ndarray數據結構特點、numpy所支持的數據類型、自帶的數組創建方法、算術運算符、矩陣積、自增和自減、通用函數和聚合函數、切片索引、ndarray的向量化和廣播機制，熟悉數據分析三大利器之一Numpy的常見使用，熟悉ndarray數據結構的特點和常見操作，掌握針對不同維度的ndarray數組的分片、索引、矩陣運算等操作。

3、Pandas裡面的三大數據結構，包括Dataframe、Series和Index對象的基本概念和使用，索引對象的更換及刪除索引、算術和數據對齊方法，數據清洗和數據規整、結構轉換，熟悉數據分析三大利器之一Pandas的常見使用，熟悉Pandas中三大數據對象的使用方法，能夠使用Pandas完成數據分析中最重要的數據清洗、格式轉換和數據規整工作、Pandas對文件的讀取和操作方法。

4、matplotlib三層結構體系、各種常見圖表類型折線圖、柱狀圖、堆積柱狀圖、餅圖的繪制、圖例、文本、標線的添加、可視化文件的保存，熟悉數據分析三大利器之一Matplotlib的常見使用，熟悉Matplotlib的三層結構，能夠熟練使用Matplotlib繪制各種常見的數據分析圖表。能夠綜合利用課程中所講的各種數據分析和可視化工具完成股票市場數據分析和預測、共享單車用戶群里數據分析、全球幸福指數數據分析等項目的全程實戰。

第四階段：機器學習與人工智慧

階段目標：

1. 理解機器學習相關的基本概念及系統處理流程

2. 能夠熟練應用各種常見的機器學習模型解決監督學習和非監督學習訓練和測試問題，解決回歸、分類問題

3. 熟練掌握常見的分類演算法和回歸演算法模型，如KNN、決策樹、隨機森林、K-Means等

4. 掌握卷積神經網路對圖像識別、自然語言識別問題的處理方式，熟悉深度學習框架TF裡面的張量、會話、梯度優化模型等

5. 掌握深度學習卷積神經網路運行機制，能夠自定義卷積層、池化層、FC層完成圖像識別、手寫字體識別、驗證碼識別等常規深度學習實戰項目

知識點：

1、機器學習常見演算法、sklearn數據集的使用、字典特徵抽取、文本特徵抽取、歸一化、標准化、數據主成分分析PCA、KNN演算法、決策樹模型、隨機森林、線性回歸及邏輯回歸模型和演算法。熟悉機器學習相關基礎概念，熟練掌握機器學習基本工作流程，熟悉特徵工程、能夠使用各種常見機器學習演算法模型解決分類、回歸、聚類等問題。

2、Tensorflow相關的基本概念，TF數據流圖、會話、張量、tensorboard可視化、張量修改、TF文件讀取、tensorflow playround使用、神經網路結構、卷積計算、激活函數計算、池化層設計，掌握機器學習和深度學習之前的區別和練習，熟練掌握深度學習基本工作流程，熟練掌握神經網路的結構層次及特點，掌握張量、圖結構、OP對象等的使用，熟悉輸入層、卷積層、池化層和全連接層的設計，完成驗證碼識別、圖像識別、手寫輸入識別等常見深度學習項目全程實戰。

❽ 為什麼pandas有國內股票數據

都是公開發行上市的股票，當然會有的，Pandas是數據分析工具包
TuShare是國內股票數據抓取工具，除了股票的實時和歷史數據，還有基本面數據，加上自然語言處理（比如情緒分析），或者機器學習，就比較有趣了。