基于金融量化分析的Pandas 常见操作详解

我不是女神ヾ 2023-09-28 14:16 1阅读 0赞

### 引入模块 ###

将pandas作为第三方库导入，我们一般为pandas取一个别名叫做pd

import pandas as pd

### 导入数据 ###

df = pd.read_csv(
        # 该参数为数据在电脑中的路径，可以不填写
        filepath_or_buffer='sz000002.csv',
        # 该参数代表数据的分隔符，csv文件默认是逗号。其他常见的是'\t'
        sep=',',
        # 该参数代表跳过数据文件的的第1行不读入
        skiprows=1,
        # nrows，只读取前n行数据，若不指定，读入全部的数据
        nrows=15,
        # 将指定列的数据识别为日期格式。若不指定，时间数据将会以字符串形式读入。一开始先不用。
        # parse_dates=['交易日期'],
        # 将指定列设置为index。若不指定，index默认为0, 1, 2, 3, 4...
        # index_col=['交易日期'],
        # 读取指定的这几列数据，其他数据不读取。若不指定，读入全部列
        usecols=['交易日期', '股票代码', '股票名称', '收盘价', '涨跌幅', '成交量', '新浪概念', 'MACD_金叉死叉'],
        # 当某行数据有问题时，报错。设定为False时即不报错，直接跳过该行。当数据比较脏乱的时候用这个。
        error_bad_lines=False,
        # 将数据中的null识别为空值
        na_values='NULL',
    )

调整上列参数，使用print函数观察变化 `print(df）`

> 注意：  
> 使用read\_csv导入数据非常方便 导入的数据的数据类型是DataFrame。

> 导入数据主要使用read系列函数还有read\_table、read\_excel、read\_json等，他们的参数内容都是大同小异，可以自行搜索查看

### 查看数据常用操作 ###

print(df.shape)  # 输出dataframe有多少行、多少列。
    print(df.shape[0])  # 取行数量，相应的列数量就是df.shape[1]
    print(df.columns) # 顺序输出每一列的名字，演示如何for语句遍历。
    print(df.index) # 顺序输出每一行的名字，可以for语句遍历。
    print(df.dtypes) # 数据每一列的类型不一样，比如数字、字符串、日期等。该方法输出每一列变量类型
    print(df.head(3))  # 看前3行的数据，默认是5。与自然语言很接近
    print(df.tail(3))  # 看最后3行的数据，默认是5。
    print(df.sample(n=3))  # 随机抽取3行，想要去固定比例的话，可以用frac参数
    print(df.describe())  # 非常方便的函数，对每一列数据有直观感受；只会对数字类型的列有效

### 对print出的数据格式进行修正 ###

pd.set_option('expand_frame_repr', False)  # 当列太多时不换行
    pd.set_option('max_colwidth', 8) # 设定每一列的最大宽度，恢复原设置的方法，pd.reset_option('max_colwidth')

### 如何选取指定的行、列 ###

print(df['股票代码'])  # 根据列名称来选取，读取的数据是Series类型
    print(df[['股票代码', '收盘价']]) # 同时选取多列，需要两个括号，读取的数据是DataFrame类型
    print(df[[0, 1, 2]])  # 也可以通过列的position来选取

### loc操作：通过label（columns和index的名字）来读取数据 ###

print(df.loc['12/12/2016']) # 选取指定的某一行，读取的数据是Series类型
    print(df.loc['13/12/2016': '06/12/2016'])  # 选取在此范围内的多行，和在list中slice操作类似，读取的数据是DataFrame类型
    print(df.loc[:, '股票代码':'收盘价']) # 选取在此范围内的多列，读取的数据是DataFrame类型
    print(df.loc['13/12/2016': '06/12/2016', '股票代码':'收盘价'])  # 读取指定的多行、多列。逗号之前是行的范围，逗号之后是列的范围。读取的数据是DataFrame类型
    print(df.loc[:, :])  # 读取所有行、所有列，读取的数据是DataFrame类型
    print(df.at['12/12/2016', '股票代码'])  # 使用at读取指定的某个元素。loc也行，但是at更高效。

### iloc操作：通过position来读取数据 ###

print(df.iloc[0]) # 以index选取某一行，读取的数据是Series类型
    print(df.iloc[1:3]) # 选取在此范围内的多行，读取的数据是DataFrame类型
    print(df.iloc[:, 1:3])  # 选取在此范围内的多列，读取的数据是DataFrame类型
    print(df.iloc[1:3, 1:3])  # 读取指定的多行、多列，读取的数据是DataFrame类型
    print(df.iloc[:, :])  # 读取所有行、所有列，读取的数据是DataFrame类型
    print(df.iat[1, 1])  # 使用iat读取指定的某个元素。使用iloc也行，但是iat更高效。

### 行列加减乘除 ###

print(df['股票名称'] + '_地产')  # 字符串列可以直接加上字符串，对整列进行操作
    print(df['收盘价'] * 100)  # 数字列直接加上或者乘以数字，对整列进行操作。
    print(df['收盘价'] * df['成交量'])  # 两列之间可以直接操作。收盘价*成交量计算出的是什么？

### 新增一列 ###

df['股票名称+行业'] = df['股票名称'] + '_地产'

### 统计函数 ###

print(df['收盘价'].mean())  # 求一整列的均值，返回一个数。会自动排除空值。
    print(df[['收盘价', '成交量']].mean())  # 求两列的均值，返回两个数，Series
    print(df[['收盘价', '成交量']])
    print(df[['收盘价', '成交量']].mean(axis=1))  # 求两列的均值，返回DataFrame。axis=0或者1要搞清楚。
    #axis=1，代表对整几列进行操作。axis=0（默认）代表对几行进行操作。实际中弄混很正常，到时候试一下就知道了。
    print(df['收盘价'].max())  # 最大值
    print(df['收盘价'].min())  # 最小值
    print(df['收盘价'].std())  # 标准差
    print(df['收盘价'].count())  # 非空的数据的数量
    print(df['收盘价'].median())  # 中位数
    print(df['收盘价'].quantile(0.25))  # 25%分位数

### shift类函数、删除列的方式 ###

df['昨天收盘价'] = df['收盘价'].shift(-1)  # 读取上一行的数据，若参数设定为3，就是读取上三行的数据；若参数设定为-1，就是读取下一行的数据；
    print(df[['收盘价', '昨天收盘价']])
    del df['昨天收盘价']  # 删除某一列的方法
    
    df['涨跌'] = df['收盘价'].diff(-1)  # 求本行数据和上一行数据相减得到的值
    print(df[['收盘价', '涨跌']])
    df.drop(['涨跌'], axis=1, inplace=True)  # 删除某一列的另外一种方式，inplace参数指是否替代原来的df
    print(df)
    df['涨跌幅_计算'] = df['收盘价'].pct_change(-1)  # 类似于diff，但是求的是两个数直接的比例，相当于求涨跌幅

### cum(cumulative)类函数 ###

df['成交量_cum'] = df['成交量'].cumsum()  # 该列的累加值
    print(df[['成交量', '成交量_cum']])
    print((df['涨跌幅'] + 1.0).cumprod())  # 该列的累乘值，此处计算的就是资金曲线，假设初始1元钱。

### 其他列函数 ###

df['收盘价_排名'] = df['收盘价'].rank(ascending=True, pct=False)  # 输出排名。ascending参数代表是顺序还是逆序。pct参数代表输出的是排名还是排名比例
    print(df[['收盘价', '收盘价_排名']])
    del df['收盘价_排名']
    print(df['股票代码'].value_counts())  # 计数。统计该列中每个元素出现的次数。返回的数据是Series

### 筛选操作，根据指定的条件，筛选出相关拿数据 ###

print(df['股票代码'] == 'sh000002') # 判断股票代码是否等于sz000002
    print(df[df['股票代码'] == 'sz000002'])  # 将判断为True的输出：选取股票代码等于sz000002的行
    print(df[df['股票代码'].isin(['sz000002', 'sz000003 ', 'sz000004'])])  # 选取股票代码等于sz000002的行
    print(df[df['收盘价'] >= 24.0])  # 选取收盘价大于24的行
    print(df[(df.index >= '03/12/2016') & (df.index <= '06/12/2016')])  # 两个条件，或者的话就是|

### 删除缺失值 ###

print(df.dropna(how='any'))  # 将带有空值的行删除。how='any'意味着，该行中只要有一个空值，就会删除，可以改成all。
    print(df.dropna(subset=['MACD_金叉死叉', '涨跌幅'], how='all'))  # subset参数指定在特定的列中判断空值。
    #all代表全部为空，才会删除该行；any只要一个为空，就删除该行。

### 补全缺失值 ###

print(df.fillna(value='没有金叉死叉'))  # 直接将缺失值赋值为固定的值
    df['MACD_金叉死叉'].fillna(value=df['收盘价'], inplace=True)  # 直接将缺失值赋值其他列的数据
    print(df.fillna(method='ffill'))  # 向上寻找最近的一个非空值，以该值来填充缺失的位置，全称forward fill，非常有用
    print(df.fillna(method='bfill'))  # 向下寻找最近的一个非空值，以该值来填充确实的位置，全称backward fill

### 找出缺失值 ###

print(df.notnull())  # 判断是否为空值，反向函数为isnull()
    print(df[df['MACD_金叉死叉'].notnull()])  # 将'MACD_金叉死叉'列为空的行输出

### 排序函数 ###

df.reset_index(inplace=True)
    print(df.sort_values(by=['交易日期'], ascending=1))  # by参数指定按照什么进行排序，acsending参数指定是顺序还是逆序，1顺序，0逆序
    print(df.sort_values(by=['股票名称', '交易日期'], ascending=[1, 1]))  # 按照多列进行排序

### 两个df上下合并操作，append操作 ###

df.reset_index(inplace=True)
    df1 = df.iloc[0:10][['交易日期', '股票代码', '收盘价', '涨跌幅']]
    print(df1)
    df2 = df.iloc[5:15][['交易日期', '股票名称', '收盘价', '涨跌幅']]
    print(df2)
    print(df1.append(df2))  # append操作，将df1和df2上下拼接起来。注意观察拼接之后的index
    df3 = df1.append(df2, ignore_index=True)  # ignore_index参数，用户重新确定index
    print(df3)

### 对数据进行去重 ###

#df3中有重复的行数，我们如何将重复的行数去除？
    df3.drop_duplicates(
        subset=['收盘价', '交易日期'],  # subset参数用来指定根据哪类类数据来判断是否重复。若不指定，则用全部列的数据来判断是否重复
        keep='first',  # 在去除重复值的时候，我们是保留上面一行还是下面一行？first保留上面一行，last保留下面一行，False就是一行都不保留
        inplace=True
    )
    print(df3)

### 其他常用重要函数 ###

print(df.rename(columns={
        'MACD_金叉死叉': '金叉死叉', '涨跌幅': '涨幅'}))  # rename函数给变量修改名字。使用dict将要修改的名字传给columns参数
    print(df.empty)  # 判断一个df是不是为空，此处输出不为空
    print(pd.DataFrame().empty)  # pd.DataFrame()创建一个空的DataFrame，此处输出为空
    print(df.T)  # 将数据转置，行变成列，很有用

### 字符串处理 ###

print(df['股票代码'])
    print('sz000002'[:2])
    print(df['股票代码'].str[:2])
    print(df['股票代码'].str.upper())  # 加上str之后可以使用常见的字符串函数对整列进行操作
    print(df['股票代码'].str.lower())
    print(df['股票代码'].str.len())  # 计算字符串的长度,length
    df['股票代码'].str.strip()  # strip操作，把字符串两边的空格去掉
    print(df['股票代码'].str.contains('sh'))  # 判断字符串中是否包含某些特定字符
    print(df['股票代码'].str.replace('sz', 'sh'))  # 进行替换，将sz替换成sh

### split操作 ###

print(df['新浪概念'].str.split('；'))  # 对字符串进行分割
    print(df['新浪概念'].str.split('；').str[:2])  # 分割后取第一个位置
    print(df['新浪概念'].str.split('；', expand=True))  # 分割后并且将数据分列

### 导入数据时将index参数注释掉 ###

df['交易日期'] = pd.to_datetime(df['交易日期'])  # 将交易日期由字符串改为时间变量
    print(df['交易日期'])
    print(df.iloc[0]['交易日期'])
    print(df.dtypes)
    print(pd.to_datetime('1999年01月01日')) # pd.to_datetime函数：将字符串转变为时间变量
    print(df.at[0, '交易日期'])
    print(df['交易日期'].dt.year)  # 输出这个日期的年份。相应的month是月份，day是天数，还有hour, minute, second
    print(df['交易日期'].dt.week)  # 这一天是一年当中的第几周
    print(df['交易日期'].dt.dayofyear)  # 这一天是一年当中的第几天
    print(df['交易日期'].dt.dayofweek) # 这一天是这一周当中的第几天，0代表星期一
    print(df['交易日期'].dt.weekday)  # 和上面函数相同，更加常用
    print(df['交易日期'].dt.weekday_name)  # 和上面函数相同，返回的是星期几的英文，用于报表的制作。
    print(df['交易日期'].dt.days_in_month)  # 这一天是这一月当中的第几天
    print(df['交易日期'].dt.is_month_end)  # 这一天是否是该月的开头，是否存在is_month_end？
    print(df['交易日期'] + pd.Timedelta(days=1))  # 增加一天，Timedelta用于表示时间差数据
    print((df['交易日期'] + pd.Timedelta(days=1)) - df['交易日期'])  # 增加一天然后再减去今天的日期

### rolling、expanding操作 ###

#计算'收盘价'这一列的均值
    print(df['收盘价'].mean())
    #如何得到每一天的最近3天收盘价的均值呢？即如何计算常用的移动平均线？
    #使用rolling函数
    df['收盘价_3天均值'] = df['收盘价'].rolling(5).mean()
    print(df[['收盘价', '收盘价_3天均值']])
    #rolling(n)即为取最近n行数据的意思，只计算这n行数据。后面可以接各类计算函数，例如max、min、std等
    print(df['收盘价'].rolling(3).max())
    print(df['收盘价'].rolling(3).min())
    print(df['收盘价'].rolling(3).std())

### rolling可以计算每天的最近3天的均值，如果想计算每天的从一开始至今的均值，应该如何计算？ ###

#使用expanding操作
    df['收盘价_至今均值'] = df['收盘价'].expanding().mean()
    print(df[['收盘价', '收盘价_至今均值']])

### expanding即为取从头至今的数据。后面可以接各类计算函数 ###

print(df['收盘价'].expanding().max())
    print(df['收盘价'].expanding().min())
    print(df['收盘价'].expanding().std())

rolling和expanding简直是为量化领域量身定制的方法，经常会用到。

### 输出 ###

print(df)
    df.to_csv('output.csv', encoding='gbk', index=False)