numpy股票数据

⑴ 用Python能做哪些事情

Python作为一门胶水语言，其实能做的事非常多，下面我简单介绍一下，分为八个方面，主要内容如下：

数据处理

Python提供了大量用于数据处理和科学计算的库，像numpy,scipy,pandas等，对于矩阵计算、线性代数等，numpy可以快速计算并得到结果，pandas内置的DataFrame类型可以快速处理各种常见的文件，像CSV，Excel，JSon等，是数据分析的利器，在数据处理中经常使用：

可视化

Python数据可视化库也非常丰富，除了经常使用的matplotlib外，还有许多其他可视化库，像seaborn，pyecharts等，绘制的图形种类更丰富，更漂亮，代码量也更少，非常容易学习，对于日常作图制表来说，是一个非常不错的选择：

机器学习

现在机器学习正火，其实Python里面也有现成的机器学习模块可供学习—scikit-learn，对于常见的机器学习算法，像分类、回归、聚类、降维等，这个模块都有现成的代码可直接使用，非常方便，对于想入门机器学习的朋友来说，这是一个非常不错的选择：

神经网络

神经网络起源应该比较早了，目前在图像领域应用比较广泛，Python也有现成的神经网络模块可供使用，比较有名的就是谷歌开源的tensorflow，可以快速构建神经网氏轿络模型，并支持GPU计算，对于科研人员来说，是一个非常不错的选择，当然，除此之虚埋外，还有更高级的theano，keras等，使用也非常方便：

财经金融

对于想快速获取股票财经数据的朋友来说，Python也有现成的模块可供使用—tushare，一个免费、开源的财经数据接口包，可以快速获取国内股票数据，而且自动整合了数据爬取、清洗到加工的过程，使用起来非常不错，对于金融分析人员来说，是一个非常不错的工具：

爬虫

Python非常适合做网页爬虫，像常见的urllib，bs4，requests，lxml等模块，对于爬取大部分网页来说非常容易，请求解析于一身，可以快速获取到我们需要的数据，当然，为了提高开发效率，避免重复造轮子，Python也提供了一个非常受欢迎的爬虫框架—scrapy，可定制性更高，用户只需要添加少量代码，便可快速启动爬虫：

游戏开发

对于游戏开发来差核蚂说，Python也有一个专门的平台—pygame，专门用于游戏开发，对于开发小型游戏来说，这是一个非常不错的选择，摆脱了低级语言的束缚，代码量更少也更易学习，对于游戏感兴趣的朋友来说，这是一个非常不错的选择：

视频下载

对于视频下载来说，Python也有一个下载利器—you-get，可以免费快速的下载优酷、B站、美拍等网站视频，不需要登录，一键you-get就可以下载视频到本地，还支持在线播放功能，除此之外，还可以下载图片、音频等文件，是一个非常实用的工具：

目前，就分享这8个方便吧，比较实用也比较有趣，当然，还有许多其他方面的，像Web开发、桌面GUI、测试、运维、树莓派等，网上也有相关资料可供参考，感兴趣的朋友可以自己搜一下，希望以上分享的内容能对你有所帮助吧

⑵ 怎么用python计算股票

作为一个python新手，在学习中遇到很多问题，要善于运用各种方法。今天，在学习中，碰到了如何通过收盘价计算股票的涨跌幅。
第一种：
读取数据并建立函数：
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)
第二种：
利用pandas里面的方法：
import pandas as pd

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

第三种：
close=a['close']
rets=close/close.shift(1)-1
print rets

总结：python是一种非常好的编程语言，一般而言，我们可以运用构建相关函数来实现自己的思想，但是，众所周知，python中里面的有很多科学计算包，里面有很多方法可以快速解决计算的需要，如上面提到的pandas中的pct_change()。因此在平时的使用中应当学会寻找更好的方法，提高运算速度。

⑶ 如何选取过去每个月股票的市值 python

类似，可以修改一下
股票涨跌幅数据是量化投资学习的基本数据资料之一，下面以python代码编程为工具，获得所需要的历史数据。主要步骤有：
（1） #按照市值从小到大的顺序活得N支股票的代码；
（2） #分别对这一百只股票进行100支股票操作；
（3） #获取从2016.05.01到2016.11.17的涨跌幅数据；
（4） #选取记录大于40个的数据，去除次新股；
（5） #将文件名名为“股票代码.csv”。
具体代码如下：
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 17 23:04:33 2016
获取股票的历史涨跌幅，并分别存为csv格式
@author: yehxqq151376026
"""

import numpy as np
import pandas as pd

#按照市值从小到大的顺序活得100支股票的代码
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'
)

#分别对这一百只股票进行100支股票操作
#获取从2016.05.01到2016.11.17的涨跌幅数据
#选取记录大于40个的数据，去除次新股
#将文件名名为“股票代码.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数据挖掘工具包有什么优缺点

python数据挖掘工具包就是scikit-learn，scikit-learn是一个基于NumPy, SciPy, Matplotlib的开源机器学习工具包，主要涵盖分类，回归和聚类算法，在许多Python项目中都有应用。

优点：文档齐全、接口易用、算法全面。
缺点：是scikit-learn不支持分布式计算，不适合用来处理超大型数据。
现在建议您考一个很权威，含金量很高的证书，那就是CDA数据分析师。CDA证书是新兴的高质量证书，最近2年发展比较快，不少公司都在关注这个认证考试，得益于国内人大论坛，现在叫经管之家的推广贡献。

想要了解更多有关数据挖掘的信息，可以了解一下CDA数据分析师的课程。“CDA数据分析师认证”是一套专业化，科学化，国际化，系统化的人才考核标准，分为CDA LEVELⅠ ，LEVEL Ⅱ，LEVEL Ⅲ，涉及金融、电商、医疗、互联网、电信等行业大数据及数据分析从业者所需要具备的技能，符合当今全球大数据及数据分析技术潮流，为各界企业、机构提供数据分析人才参照标准。点击预约免费试听课。

⑸ python用什么方法或者库可以拿到全部股票代码

首先你需要知道哪个网站上有所有股票代码，然后分析这个网站股票代码的存放方式，再利用python写一个爬虫去爬取所有的股票代码

⑹ Tushare安装出错解决办法

财经数据接口包tushare，主要实现对股票等金融数据的数据采集，清洗加工和数据存储，返回的Pandas DataFrame数据类型方便用numpy, matplotlib进行数据分析，同时兼容Python2和3，免费。
tushare的基本面类数据全部来自新浪财经，常用函数式get_stock_basics()获取沪深股票列表。

笔者用的Python3.8，直接 pip install tushare 会出现版本匹配问题。如下图：

-------------------------------------10月13日更新-------------------------------------
现在很多tushare的旧版本API已经不能用了，建议到官网去注册个账号，升级下版本，用pro版的tushare。
吐槽一下新用户啥都不能干，填好了个人信息只能调个日线，IPO新股还有央视新闻。

⑺ 标普100案例分析 —— 带着Python玩金融（5）

本文将带着你使用Python对标普100数据进行简单的分析，你会学到：

标准普尔100指数 用来衡量大公司的股票表现，它由多个行业的100家主要公司构成。2017年标普100在各行业的比例如下图所示。

本文将要分析的数据如下表所示，它由四列数据构成，分别是公司名（Name），行业（Sector），股价（Price）和每股盈余（EPS）。

我们将这四列数据分别存储在四个Python列表中。

先来用切片的方法观察下数据。比如查看前四家公司的名称。

或者输出最后一家公司的所有信息。

市盈率 （衫好余Price to Earnings ratio），也或滚称股价收益比率，由股价除以每年度每股盈余（EPS）得到，它是用来衡量股价水平是否合理的指标之一。

为了方便计算市盈率，我们首先将数据从Python列表类型转换为NumPy数组。

NumPy数组的优势是它可以直接对数组进行运算，袜哗而这一点Python列表是做不到的。比如计算市盈率 pe ，我们可以直接将数组 prices 除以数组 earnings 。

接下来我们就具体行业来进行分析，比如对于IT行业，我们首先需要筛选出哪些公司属于这一行业。

用同样的方法，筛选出必需消费品行业的公司和市盈率。

筛选出IT和必需消费品行业的数据后，我们来计算这两个行业市盈率的均值和标准差。

首先用散点图来观察这两个行业中每一家公司的市盈率。这里使用Python中常用的绘图工具包 matplotlib 。

我们注意到，上图的右上角有一IT公司的市盈率特别高。若某股票的市盈率高于同类股票，往往意味着该股有较高的增长预期。所以让我们进一步来观察IT行业的市盈率分布，在这里直方图可以用来查看数据的分布情况。

现在可以更直观的看到在直方图的右侧有一离群值，它具有很高的市盈率。我们可以使用布尔索引找到这家市盈率很高的公司。

注：本文是 DataCamp 课程 Intro to Python for Finance 的学习笔记。

⑻ 第1章 为什么将Python用于金融

python是一门高级的编程语言，广泛应用在各种领域之中，同时也是人工智能领域首选的语言。
为什么将python用于金融？因为Python的语法很容易实现金融算法和数学计算，可以将数学语句转化成python代码，没有任何语言能像Python这样适用于数学。

⑼ python编程这门科目是用来编写股票指标和选股器的吗

python是一门语言补丁，最大的优势在于拥有众多的包，很多事情都可以做。而在数据分析领域提供了pandas，numpy，matplotlib等进行数据可视化，用于股票，自然也是可以的

⑽ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

“星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。”

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

“（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。”

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的“已知和隐藏关系”的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。