《手牽手帶你走進python世界》系列四

1、numpy

• 什麼是numpy,一個高性能的科學計算和數據分析基礎包，和numpy,matplotlib並稱數學三劍客

• 開胃菜

  # 計算執行時間
  # 第一種普通程序猿執行方式
  def func(values):
    s_list = []
    for i in range(values):
      s_list.append(i**2)
  %timeit func(10000)
  
  # 第二種 數據分析師執行方式
  import numpy as np
  arr = np.arange(10000)
  %timeit arr*arr
  
  '''
  第一種用時  976 µs ± 30.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
  第二種用時  5.86 µs ± 208 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
  '''

• numpy經常使用的方法

  • array 將列表轉成數組

    import numpy as np
    t = np.array([1,2,3,4,5])
    print(t) # array([1,2,3,4,5])

  • arange('start','end','step') 至關於python的range()函數，顧頭不顧尾

    import numpy as np
    t = np.arange(1.0,10,0.2)
    print(t)

  • linspace(start,end,step) 至關於python的range()函數，可是這個顧頭又顧尾，而且是等份的。

    import numpy as np
    t = np.linspace(1,20,8)
    print(t)

  • zeros([行，列]) 生成一個以0爲基準的多行多列數組

    import numpy as np
    t = np.zeros([3,4])
    print(t)

  • ones([行，列]) 生成一個以1爲基準的多行多列數組

    import numpy as np
    t = np.ones([2,4])
    print(t)

• numpy經常使用的屬性

  • T 數組的轉置，說的通俗一點就是行和列互換

    import numpy as np
    li1 = [
      [1,2,3],
      [4,5,6]
    ]
    a = np.array(li1)
    a.T

  • dtype 返回當前數據的類型

    import numpy as np
    arr = np.arange(10)
    arr.dtype

  • size 返回當前數組內部的元素的個數

    import numpy as np
    l1 = [[[1,2,3],
           [4,5,6]],
         [[7,8,9],
         [1,5,9]
         ]]
    arr1 = np.array(l1)
    arr1.size

  • ndim 返回當前數組維度

  import numpy as np
  l1 = [[[1,2,3],
         [4,5,6]],
       [[7,8,9],
       [1,5,9]
       ]]
  arr1 = np.array(l1)
  arr1.ndim

  • shape 返回數組維度大小

    l1 = [[[1,2,3,4],
           [4,5,6,5],
          [6,8,3,6]],
         [[7,8,9,7],
         [1,5,9,7],
          [4,6,8,4]
         ]]
    arr1 = np.array(l1)
    t = arr1.shape
    
    '''
    結果：(2,3,4)  最終三個參數表明的含義依次爲：二維維度，三維維度，每一個數組內數據大小
    '''

2、pandas

• 當你們談論到數據分析時，說起最多的語言就是Python和SQL，而Python之因此適合作數據分析，就是由於他有不少強大的第三方庫來協助，pandas就是其中之一，它是基於Numpy構建的，正因pandas的出現，讓Python語言也成爲使用最普遍並且強大的數據分析環境之一。

• 安裝和使用

  • pip install pandas
  • import pandas as pd

• 開胃菜

  • Series

    • 是一種相似於一維數組的對象，由一組數據和一組與之相關的數據標籤(索引)組成。在數據分析的過程當中很是經常使用，對於Series，其實咱們能夠認爲它是一個長度固定且有序的字典，由於它的索引和數據是按位置進行匹配的，像咱們會使用字典的上下文，就確定也會使用Series

      import pandas as pd
      t = pd.Series([1,2,3,4,5])
      print(t)
      
      '''
      結果：
      0    1
      1    2
      2    3
      3    4
      4    5
      dtype: int64
      '''

      # 設置索引
      t = pd.Series([1,2,3,4,5],index=['n1','n2','n3','n4','n5'])
      '''
      結果：
      n1    1
      n2    2
      n3    3
      n4    4
      n5    5
      dtype: int64
      '''

  • DataFrame

    • DataFrame是一個表格型的數據結構，至關因而一個二維數組，含有一組有序的列。他能夠被看作是由Series組成的字典，而且共用一個索引。接下來就一塊兒來見識見識DataFrame數組的厲害吧！！！

    • 生成一個行列

      import pandas as pd
      t = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      
      '''
      結果：
         one  two
      0  1    4
      1  2    3
      2  3    2
      3  4    1
      '''

    • 添加指定列名

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      pd.DataFrame(data,columns=['two','one'])
      '''
      結果：
          two   one
      0   4     1
      1   3     2
      2   2     3
      3   1     4
      '''

    • 獲取index

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      data.index
      '''
      結果：
      RangeIndex(start=0, stop=4, step=1)
      '''

    • 獲取columns

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      data.columns
      '''
      結果：
      Index(['one', 'two'], dtype='object')
      '''

    • T 轉置

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      data.T
      '''
      結果：
          0 1 2 3
      one 1 2 3 4
      two 4 3 2 1
      '''

    • 獲取values索引值

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      data.values
      '''
      結果：
      array([[1, 4],
             [2, 3],
             [3, 2],
             [4, 1]])
      '''

    • 獲取快速統計 describe

      import numpy as np
      data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
      data.describe
      '''
      結果：
      <bound method NDFrame.describe of    one  two
      0    1    4
      1    2    3
      2    3    2
      3    4    1>
      '''

3、matplotlib（繪圖）

• 數據可視化，數據可視化在量化分析當中是一個很是關鍵的輔助工具，每每咱們須要經過可視化技術，對咱們的數據進行更清晰的展現，這樣也能幫助咱們理解交易、理解數據。經過數據的可視化也能夠更快速的發現量化投資中的一些問題，更有利於分析並解決它們。接下來咱們主要使用的可視化工具包叫*Matplotlib*，它是一個強大的Python繪圖和數據可視化的工具包。

• 安裝和使用

  • pip install matplotlib
  • import matplotlib.pyplot as plt

• 繪圖方法和顯示圖像

  • plt.plot() # 繪圖函數
  • plt.show() # 顯示圖像

• 開胃菜

  import matplotlib.pyplot as plt
  import matplotlib as mpl
  import numpy as np
  
  np.random.seed(1000)
  y = np.random.standard_normal(20)  # 生成正態分佈的隨機數
  
  x = range(len(y))
  plt.plot(x,y)

• 圖樣實例

  • 餅圖

    import matplotlib.pyplot as plt
    plt.pie([10,20,30,40],labels=list('abcd'),autopct="%.2f%%",explode=[0.1,0,0,0]) # 餅圖
    plt.axis("equal")
    plt.title('absd')
    plt.show()

  • 柱圖

    import matplotlib.pyplot as plt
    plt.figure(figsize=(7,4))
    plt.hist(y,label=['1st','2nd'],bins=25)
    plt.grid(True)  # 網格設置
    plt.legend(loc=0)  # 圖例標籤位置設置
    plt.axis("tight")
    plt.xlabel('index')
    plt.ylabel('frequency')
    plt.title("test6")

  • 柱圖

    # DataFrame數組圖
    import matplotlib.pyplot as plt
    import pandas as pd
    df = pd.DataFrame({
        'Jan':pd.Series([1,2,3],index=['a','b','c']),
        'Fed':pd.Series([4,5,6],index=['b','a','c']),
        'Mar':pd.Series([7,8,9],index=['b','a','c']),
        'Apr':pd.Series([2,4,6],index=['b','a','c'])
    })
    
    df.plot.bar()  # 水平柱狀圖，將每一行中的值分組到並排的柱子中的一組
    df.plot.barh(stacked=True,alpha=0.5)  # 橫向柱狀圖，將每一行的值堆積到一塊兒

  • 折線圖

    import matplotlib.pyplot as plt
    import numpy as np
    np.random.seed(1000)
    y = np.random.standard_normal(20) # 生成
    
    x = range(len(y))
    plt.plot(x,y)
    plt.title('yes')
    plt.xlabel('x--')
    plt.ylabel('y--')
    # plt.xlim(0,50)
    plt.xticks([1,2,3,4,5,6,7,8,9])