金融量化分析【day110】：Pandas-DataFrame索引和切片

1、實驗文檔準備

一、安裝 tushare

pip install tushare

二、啓動ipython

C:\Users\Administrator>ipython
Python 3.7.0 (default, Jun 28 2018, 08:04:48) [MSC v.1912 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.0.1 -- An enhanced Interactive Python. Type '?' for help.

三、ts.get_k_data使用幫助

In [1]: import tushare as ts

In [2]: ts.get_k_data?
Signature: ts.get_k_data(code=None, start='', end='', ktype='D', autype='qfq', index=False, retry_count=3, pause=0.001)
Docstring:
獲取k線數據
---------
Parameters:
  code:string
              股票代碼 e.g. 600848
  start:string
              開始日期 format：YYYY-MM-DD 爲空時取上市首日
  end:string
              結束日期 format：YYYY-MM-DD 爲空時取最近一個交易日
  autype:string
              復權類型，qfq-前復權 hfq-後復權 None-不復權，默認爲qfq
  ktype：string
              數據類型，D=日k線 W=周 M=月 5=5分鐘 15=15分鐘 30=30分鐘 60=60分鐘，默認爲D
  retry_count : int, 默認 3
             如遇網絡等問題重複執行的次數
  pause : int, 默認 0
            重複請求數據過程當中暫停的秒數，防止請求間隔時間過短出現的問題
return
-------
  DataFrame
      date 交易日期 (index)
      open 開盤價
      high  最高價
      close 收盤價
      low 最低價
      volume 成交量
      amount 成交額
      turnoverratio 換手率
      code 股票代碼
File:      c:\programdata\anaconda3\lib\site-packages\tushare\stock\trading.py
Type:      function

四、獲取股票信息

In [3]: df = ts.get_k_data('601318','1999-01-01','2018-1-28')

In [4]: df
Out[4]:
            date    open   close    high     low      volume    code
0     2007-03-01  21.254  19.890  21.666  19.469  1977633.51  601318
1     2007-03-02  19.979  19.728  20.166  19.503   425048.32  601318
2     2007-03-05  19.545  18.865  19.626  18.504   419196.74  601318
3     2007-03-06  18.704  19.235  19.554  18.597   297727.88  601318
4     2007-03-07  19.252  19.758  19.936  19.090   287463.78  601318
5     2007-03-08  19.596  19.520  19.694  19.418   130983.83  601318
...          ...     ...     ...     ...     ...         ...     ...
2754  2018-09-27  67.730  67.200  67.750  66.860   623574.00  601318
2755  2018-09-28  67.500  68.500  69.100  67.440   739523.00  601318

[2756 rows x 7 columns]

五、把獲取的數據下載到本地

In [5]: df.to_csv('601318.csv')

1、DataFrame索引和切片

DataFrame有行索引和列索引

DataFrame一樣能夠經過標籤和位置兩種方法進行索引和切片

一、DataFrame使用索引切片

向DataFrame隊形中寫入值時只是用方法2

行/列索引部分能夠是常規索引、切片、布爾值索引、花式索引任意搭配（注意：兩部分都是花式索引時結果可能與預料的不一樣）

2、DataFrame通用標籤獲取

一、經過標籤獲取

二、經過位置獲取

三、經過布爾值獲取

3、DataFrame查看數據

一、index 獲取索引

df.index

二、T  置換

df3 = df2.T

三、columns  獲取列索引

df.columns

 

四、values 獲取值數組

df.values

 

五、describe()  獲取快速統計

df.describe()

六、重命名錶頭

一、用法

二、修改全部的列

df = pd.read_csv('601318.csv',header=None,names=list('asdfghjk'))

三、從頭開始修改兩列

df = pd.read_csv('601318.csv',header=None)
df = df.rename(columns={0:'a',1:'b'})

　

4、pandas其餘經常使用方法

一、mean（axis=0，skipna=False）

df2.mean()

df2.mean(skipna=True)

二、sum（axis=1）

三、sort_index（axis，...,ascending）按行或列索引排序

df2.sort_index(ascending=False)

四、sort_values（by，axis，ascending） 按值排序

df2.sort_values('close')

五、apply（func，axis=0）將自定義函數應用在各行或者各列上，func可返回標量或者Serise

df.apply(lambda x:x.mean(),axis=1)

df.apply(lambda x:x['high'] + x['low']/2,axis=1)

　　

df.apply(lambda x:pd.Series([(x['high'] + x['low'])/2,(x['open'] +x['close'])/2],index=['h1_mean','oc_mean']),axis=1)

　　

六、applymap（func） 將函數應用在DataFrame各個元素上

 

七、map（func）將函數應用在Series各個元素上