Python之Tushare模块实现股票分析案例

我会带着你远行 2021-09-07 06:16 645阅读 0赞

## Python之Tushare模块实现股票分析案例 ##

## 一、Python之股票数据模块 ##

目前有一个公开的股票数据等各种商业数据的模块，  
主要适用于Python。  
tushare模块便是这个公开的模块，其链接如下：  
[http://tushare.org/trading.html\#id2][http_tushare.org_trading.html_id2]  
当然，如果直接到这个网页会有以下提示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center]  
你直接点击跳转即可，因为原来这个已经不再更新了。  
新的网址链接为：  
[https://waditu.com/document/41?doc\_id=52][https_waditu.com_document_41_doc_id_52]  
对于新的网址，你应该注册一个账户，否则无法获取信息，当然了，注册是免费的啦~~  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 1]

## 二、股票分析案例的需求 ##

1、获取数据；  
2、找出股票收盘 > 开盘的日期；  
3、找出开盘比前一天收盘低 2% 以上的日期。  
4、具体的收益计算；  
5、将获取到的数据绘制成一个图像。

另外：

DataFrame的介绍可以参见我的另一篇博文：  
[https://blog.csdn.net/m0\_54218263/article/details/114501740][https_blog.csdn.net_m0_54218263_article_details_114501740]

## 三、具体实现（讲解版本） ##

（注：我用的是新版的接口 ！！）

## 1、获取数据 ##

import pandas as pd
    import numpy as np
    import tushare as ts
    import matplotlib.pyplot as plt
    """ pd : 数据处理模块 np : 数学模块 ts : 获取数据模块 plt : 绘图模块 """
    pro = ts.pro_api('614d0dfa6de5b8267a09a761707da53149622ea8cb1bdbbc14b659e4')
    # 输入你自己的设备的api
    # 这个是动态的~~~，你抄我的也没用~~~~
    df = pro.daily(ts_code='000001.SZ', start_date='20190718', end_date='20210308')
    # df 是一个 DataFrame 对象
    # ts_code 是股票代码
    # start_date 是开始日期
    # end_date 世界树日期
    print(df)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 2]  
（注：我们获取到了397条数据，用DataFrame对象存储了起来 ！！）

## 2、数据的预处理 ##

（此处建议每操作一次就打印一次 df 对象，这样可以更好地理解整个过程）

df.to_csv('./data.csv')
    # 存储数据
    df = pd.read_csv('./data.csv')
    # 读取文件中存储下来的数据
    # 这样可以使我们不必重复访问Tushare
    df = df.drop(['Unnamed: 0'], axis=1)
    df = df.drop(['ts_code'], axis=1)
    # 删除不需要的这两列数据！！！
    df.iloc[::-1,:]
    # 将数据的行进行倒置，原因是， df 中的时间是从后到前的
    # print(df.info())--->查看数据类型
    # 打印结果如下：
    # <class 'pandas.core.frame.DataFrame'>
    # RangeIndex: 397 entries, 396 to 0
    # Data columns (total 10 columns):
    # # Column Non-Null Count Dtype 
    # --- ------ -------------- ----- 
    # 0 trade_date 397 non-null int64 
    # 1 open 397 non-null float64
    # 2 high 397 non-null float64
    # 3 low 397 non-null float64
    # 4 close 397 non-null float64
    # 5 pre_close 397 non-null float64
    # 6 change 397 non-null float64
    # 7 pct_chg 397 non-null float64
    # 8 vol 397 non-null float64
    # 9 amount 397 non-null float64
    # dtypes: float64(9), int64(1)
    # memory usage: 31.1 KB
    # None
    
    # 1 、 将 trade_date 转换为 str 类型便于在转换为时间戳
    for i in range(397):
    	df.iloc[i, 0] = str(df.iloc[i, 0])
    # 2 、 将 trade_date 转换为时间戳类型便于后续的操作
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    # 将索引变为 'trade_date'
    df.set_index(['trade_date'], inplace=True)

最终，预处理结束后，DataFrame对象变为了：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 3]

## 3、找出股票收盘 > 开盘的日期 ##

data_1 = df.loc[df['close'] > df['open']].index
    # 注意这里一定不能加（）！！
    print(data_1)
    
    
    # 结果展示如下：
    DatetimeIndex(['2019-07-18', '2019-07-19', '2019-07-24', '2019-07-25',
                   '2019-07-26', '2019-07-29', '2019-07-30', '2019-08-01',
                   '2019-08-06', '2019-08-07',
                   ...
                   '2021-01-28', '2021-01-29', '2021-02-01', '2021-02-03',
                   '2021-02-04', '2021-02-05', '2021-02-18', '2021-03-02',
                   '2021-03-03', '2021-03-04'],
                  dtype='datetime64[ns]', name='trade_date', length=198, freq=None)

第二个需求也就实现了~~

## 4、找出开盘比前一天收盘低 2% 以上的日期 ##

data_2 = df.loc[df['open'] < (1 - 0.02) * df['close'].shift(1)].index
    """ df['close'].shift(1)： 整体向下移动一位 """
    print(data_2)
    
    
    # 结果展示如下：
    DatetimeIndex(['2019-08-02', '2019-08-15', '2020-02-03', '2020-03-09',
                   '2020-03-13', '2020-03-23', '2020-03-30', '2021-02-02',
                   '2021-02-04', '2021-02-26'],
                  dtype='datetime64[ns]', name='trade_date', freq=None)

这个即就是第三个需求~~

## 5、具体的收益计算 ##

具体的收益计算要求如下：  
1、每个月交易的第一天买入100股；（以open计算）  
2、当一年结束时卖出今年的所有股票；（以close计算）  
3、日期以 start\_date=‘20190718’, end\_date=‘20210308’ 来计算；  
4、求出收益的数值。

new_df_1 = df.resample('M').first()
    # 找到一个月的第一次交易
    payment = new_df_1['open'].sum() * 100
    
    new_df_2 = df.resample('A').last()
    # 找到一年的最后一次交易
    # 这里注意 年 是： A 来表示！！
    # 计算收益是注意：
    # 今年是2021,2021还没有结束，这一点是应该考虑到的
    new_new_df_2 = new_df_2[0:2]
    reward_1 = new_new_df_2['close'].sum() * 1200
    # 2019 & 2020
    reward_2 = new_df_2.iloc[2, 3] * 100 * 3
    # 2021 的预估
    reward = reward_2 + reward_1
    
    result = reward - payment
    print(result)
    
    
    
    # 结果为：
    16269.999999999993

因此，收益计算也就到此为止了，此例中最终是获利了的~~

（如果说，我的计算代码没有错的话，就是这个数值了，  
但是如果有错的话，还请各位大佬们及时帮我纠正，一定要向我指出错误之处啊~  
在这里，我就先谢谢各位大佬们了~  
么么哒~~）

## 6、将获取到的数据绘制成一个图像 ##

本操作有一点特殊，所以，代码必须重新写入。即需要重新构建一个Python文件，因为这里所用的东西与上面所需要的东西有一点冲突！！  
代码如下：

**这里，我们绘制交易数量与时间的散点图**

import pandas as pd
    import matplotlib.pyplot as plt
    import tushare as ts
    
    pro = ts.pro_api('614d0dfa6de5b8267a09a761707da53149622ea8cb1bdbbc14b659e4')
    df = pro.daily(ts_code='000001.SZ', start_date='20210101', end_date='20210308')
    
    # 求出时间列表！！
    df1 = df.iloc[:, 1:2]
    for i in range(41):
        df1.iloc[i, 0] = str(df1.iloc[i, 0])
    df1['trade_date'] = pd.to_datetime(df1['trade_date'])
    list_date = list(df1['trade_date'])
    
    # 求出交易数量列表
    df2 = df.iloc[:, -1:]
    list_amount = list(df2['amount'])
    print(list_amount)
    
    # 绘图
    # 设置画布
    plt.figure(figsize=(400, 600), dpi=25)
    """ c-->颜色 s-->画的圆点的大小 label-->标签名称 """
    plt.scatter(list_date, list_amount, c='red', s=300, label='Amount')
    # x 轴
    """ rotation-->旋转多少度 size-->坐标名称的大小 """
    plt.xticks(list_date, rotation=90, size=30)
    # y 轴
    plt.yticks(list_amount, size=30)
    
    # 设置轴的名称以及它们的样式：
    plt.xlabel("Date", fontdict={ 'size': 50})
    plt.ylabel("Amount", rotation=90, fontdict={ 'size': 50})
    plt.title("Amount - Date -Picture", fontdict={ 'size': 70})
    plt.legend(loc='best')
    
    # 显示画面
    plt.show()

结果展示如下所示：  
（这里绘制的数据是一个相对的数值，是同时除以了一个数的，但显然是不影响结果的比较哒）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 4]  
注意设置点的大小，不然就会像下图一样看不清了：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 5]  
这里强调一个事情，就是说，Amount千万不要转成字符串，否则会像下面这张图了啊www：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 6]

## 四、具体实现（具体实现的整合版本） ##

在整合中，我们调整了各个任务完成的顺序以便于可以在一个Python文件中实现。

这里请参见我的另一篇博文：  
“Python之Tushare模块实现股票分析案例整合版”

## 五、总结 ##

**以上就是一个简单的股票分析案例的举例，这个案例比较简单，但是可以作为入门的第一个分析案例还是很不错的，因此将其整理下来供大家进行参考，希望对大家有所帮助~~  
最后呢，  
感谢大家的支持，  
喜欢的话就点个赞嘛~~~**

[http_tushare.org_trading.html_id2]: http://tushare.org/trading.html#id2
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center]: /images/20210813/d2986728ff4746da873cdaa2e512108d.png
[https_waditu.com_document_41_doc_id_52]: https://waditu.com/document/41?doc_id=52
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20210813/2519279bbf4543b8bce902866b68f240.png
[https_blog.csdn.net_m0_54218263_article_details_114501740]: https://blog.csdn.net/m0_54218263/article/details/114501740
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20210813/e0c3679d17f74fafbdce87926aa9d23e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20210813/01a0552ab4ef4c908c2b952e0a91d60d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20210813/81168c71819b4490a4173fb2a590963f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20210813/88cec537b045401fb23a0260033ae3c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20210813/61f40e388636400288417e6c1da50713.png