如何使用Python进行量化投资
自己编写:NumPy+pandas+Matplotlib+……
在线平台:聚宽、优矿、米筐、Quantopian、……
开源框架:RQAlpha、QUANTAXIS、……
IPython:安装:pip install ipython
TAB键自动完成
?命令(内省、命名空间搜索)
执行系统命令(!)
%run命令执行文件代码
%paste %cpaste命令执行剪贴板代码
与编辑器和IDE交互
魔术命令:%timeit
%pdb …
使用命令历史 输入与输出变量(_, __, _2, _i2) 前一个的命令结果,前前一个。。
jupyter Notebook
NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础。
NumPy的主要功能:
ndarray,一个多维数组结构,高效且节省空间
无需循环对整组数据进行快速运算的数学函数 *
读写磁盘数据的工具以及用于操作内存映射文件的工具 *
线性代数、随机数生成和傅里叶变换功能 *用于集成C、C++等代码的工具
安装方法:pip install numpy 引用方式:import numpy as np
创建ndarray:np.array()
为什么要使用ndarray:
节省内存
运行速度快
ndarray多维数组,但数据类型必须一致
常用属性:
T 数组的转置(对高维数组而言)
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小(以元组形式)
dtype:
bool_, int(8,16,32,64), uint(8,16,32,64), float(16,32,64)
类型转换:astype()
创建ndarray:
array() 将列表转换为数组,可选择显式指定dtype
arange() range的numpy版,支持浮点数
linspace() 类似arange(),第三个参数为数组长度
zeros() 根据指定形状和dtype创建全0数组
ones() 根据指定形状和dtype创建全1数组
empty() 根据指定形状和dtype创建空数组(随机值)
eye() 根据指定边长和dtype创建单位矩阵
索引和切片:
数组和标量之间的运算
a+1 a*3 1//a a**0.5
同样大小数组之间的运算
a+b a/b a**b
数组的索引
a[5] a2[2][3] a2[2,3]
数组的切片
a[5:8] a[:3] = 1 a2[1:2, :4] a2[:,:1] a2[:,1]
与列表不同,数组切片时并不会自动复制,在切片数组上的修改会影响原数组。
b = a[:4] b[-1] = 250
【解决方法:copy()】b = a[:4].copy() b[-1] = 250
布尔型索引:
问题:给一个数组,选出数组中所有大于5的数。
答案:a[a>5]
原理:
a>5会对a中的每一个元素进行判断,返回一个布尔数组 布尔型索引:将同样大小的布尔数组传进索引,会返回一个由所有True对应位置的元素的数组
问题2:给一个数组,选出数组中所有大于5的偶数。
问题3:给一个数组,选出数组中所有大于5的数和偶数。 答案: a[(a>5) & (a%2==0)] a[(a>5) | (a%2==0)]
花式索引:
问题1:对于一个数组,选出其第1,3,4,6,7个元素,组成新的二维数组。
答案:a[[1,3,4,6,7]]
问题2:对一个二维数组,选出其第一列和第三列,组成新的二维数组。
答案:a[:,[1,3]]
通用函数:能同时对数组中所有元素进行运算的函数
常见通用函数:
一元函数:abs, sqrt, exp, log, ceil, floor, rint/round, trunc, modf, isnan, isinf, cos, sin, tan
二元函数:add, substract, multiply, divide, power, mod, maximum, mininum,
常用函数: sum 求和 cumsum 求累计和 mean 求平均数 std 求标准差 var 求方差 min 求最小值 max 求最大值 argmin 求最小值索引 argmax 求最大值索引
随机数生成:
rand 给定形状产生随机数组(0到1之间的数)
randint 给定形状产生随机整数
choice 给定形状产生随机选择
shuffle 与random.shuffle相同
uniform 给定形状产生随机数组
pandas是一个强大的Python数据分析的工具包。
pandas是基于NumPy构建的。
pandas的主要功能
具备对其功能的数据结构DataFrame、Series
集成时间序列功能
提供丰富的数学运算和操作
灵活处理缺失数据
安装方法:pip install pandas 引用方法:import pandas as pd
Series是一种类似于一位数组的对象,由一组数据和一组与之相关的数据标签(索引)组成。
Series比较像列表(数组)和字典的结合体
创建方式:pd.Series([4,7,-5,3])
pd.Series([4,7,-5,3],index=['a','b','c','d'])
pd.Series({'a':1, 'b':2})
pd.Series(0, index=['a','b','c','d'])
获取值数组和索引数组:values属性和index属性
Series支持NumPy模块的特性(下标):
从ndarray创建Series:
Series(arr) 与标量运算:sr*2
两个Series运算:sr1+sr2
索引:sr[0], sr[[1,2,4]]
切片:sr[0:2]
通用函数:np.abs(sr)
布尔值过滤:sr[sr>0] Series
支持字典的特性(标签):
从字典创建Series:Series(dic), in
运算:’a’ in sr
键索引:sr['a'], sr[['a', 'b', 'd']]
整数索引的pandas对象往往会使新手抓狂。
例: sr = np.Series(np.arange(4.))
sr[-1]
如果索引是整数类型,则根据整数进行数据操作时总是面向标签的。
loc 以标签解释
iloc 以下标解释
pandas在运算时,会按索引进行对齐然后计算。如果存在不同的索引,则结果的索引是两个操作数索引的并集。
例: sr1 = pd.Series([12,23,34], index=['c','a','d'])
sr2 = pd.Series([11,20,10], index=['d','c','a',])
sr1+sr2
sr3 = pd.Series([11,20,10,14], index=['d','c','a','b'])
sr1+sr3
如何在两个Series对象相加时将缺失值设为0?
sr1.add(sr2, fill_value=0)
灵活的算术方法:add, sub, div, mul
数据缺失:
缺失数据:使用NaN(Not a Number)来表示缺失数据。其值等于np.nan。内置的None值也会被当做NaN处理。
处理缺失数据的相关方法:
dropna() 过滤掉值为NaN的行
fillna() 填充缺失数据
isnull() 返回布尔数组,缺失值对应为True
notnull() 返回布尔数组,缺失值对应为False
过滤缺失数据:sr.dropna() 或 sr[sr.notnull()]
填充缺失数据:sr.fillna(0)
groupby('').sum()
merge(left,right,on='key')
DataFrame是一个表格型的数据结构,含有一组有序的列。
DataFrame可以被看做是由Series组成的字典,并且共用一个索引。
创建方式:
pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']), 'two':pd.Series([1,2,3,4],index=['b','a','c','d'])}) ……
csv文件读取与写入:
df.read_csv('filename.csv')
df.to_csv()
读取文件:从文件名、URL、文件对象中加载数据
read_csv 默认分隔符为逗号
read_table 默认分隔符为\t
读取文件函数主要参数:
sep 指定分隔符,可用正则表达式如'\s+' header=None 指定文件无列名
names 指定列名
index_col 指定某列作为索引
na_values 指定某些字符串表示缺失值
parse_dates 指定某些列是否被解析为日期,布尔值或列表
写入到文件:
写入文件函数的主要参数:
sep
na_rep 指定缺失值转换的字符串,默认为空字符串
header=False 不输出列名一行
index=False 不输出行索引一列
cols 指定输出的列,
传入列表 其他文件类型:json, XML, HTML, 数据库
查看数据常用
属性及方法:
index 获取行索引
T 转置
columns 获取列索引
values 获取值数组
describe() 获取快速统计
DataFrame各列name属性:列名
rename(columns={…})
DataFrame有行
索引和列索引。
不指定按什么查询时默认标签为按列查,下标为按行查
df['A']
df[['A', 'B']]
df['A'][0]
df[0:10][['A', 'C']]
按标签查询(左边为行,右边为列)
df.loc[:,['A','B']]
df.loc[:,'A':'C']
df.loc[0,'A']
df.loc[0:10,['A','C']]
通过下标获取: (左边为行,右边为列)
df.iloc[3]
df.iloc[3,3]
df.iloc[0:3,4:6]
df.iloc[1:5,:]
df.iloc[[1,2,4],[0,3]]
通过布尔值过滤:
df[df['A']>0]
df[df<0]
df[df['A'].isin([1,3,5])]
数据对齐与数据缺失
DataFrame对象在运算时,同样会进行数据对其,结果的行索引与列索引分别为两个操作数的行索引与列索引的并集。
DataFrame处理缺失数据的方法:
dropna(axis=0,where='any',…)
fillna()
isnull()
notnull()
pandas常用方法(适用Series和DataFrame):
mean(axis=0,skipna=False)
sum(axis=1)
sort_index(axis, …, ascending) 按行或列索引排序
sort_values(by, axis, ascending) 按值排序
NumPy的通用函数同样适用于pandas
apply(func, axis=0) 将自定义函数应用在各行或者各列上 ,func可返回标量或者Series
applymap(func) 将函数应用在DataFrame各个元素上
map(func) 将函数应用在Series各个元素上
时间序列类型:
时间戳:特定时刻
固定时期:如2017年7月
时间间隔:起始时间-结束时间
Python标准库: date time datetime timedelta
strftime()
strptime()
第三方包:dateutil dateutil.parser.parse()
成组处理日期:
pd.to_datetime(['2001-01-01', '2002-02-02'])
产生时间对象数组:
date_range('2017-01-01','2017-01-31',freq='w')
tart 开始时间
end 结束时间
periods 时间长度
freq 时间频率,默认为'D',可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…
时间序列就是以时间对象为索引的Series或DataFrame。
datetime对象作为索引时是存储在DatetimeIndex对象中的。
时间序列特殊功能:
传入“年”或“年月”作为切片方式
df['2017'] df['2017-02']
传入日期范围作为切片方式
df['2017-03-03':'2017-03-04']