刺猬教你量化投资(二十)：常见重要函数的实际运用

image.png

查看文件路径

当我们需要导入文件时，如果直接输入当前的绝对路径，那么在更换运行环境时，就需要手动设置新的路径。利用os模块的自带函数，我们可以轻松解决这一问题。

#当我们需要获取文件的当前地址，可以用 __file__
current_file = __file__
#输出结果为： c:\python\code\program.py

#要获取根目录的地址，可以输入
root_path = os.path.abspath(os.path.join(current_file, os.pardir, os.pardir))
#其中 os.path.abspath(path) 可返回绝对路径

os.path.abspath(os.path.join(current_file, os.pardir, os.pardir))  
# current_file是c:\python\code\program.py，那么os.path.abspath(os.path.join(current_file, os.pardir, os.pardir))是c:\
#获得根目录的变量
root_path = os.path.abspath(os.path.join(current_file, os.pardir, os.pardir))

#然后可以按需指定目录的地址，例如
input_data_path = os.path.abspath(os.path.join(root_path, 'data', 'input_data'))
# input_data_path 的路径是根目录下的\data\input_data
# 绝对地址就是c:\python\\data\input_data

调用简单函数的方法

假设我们写了一个自定义函数：

def addone(x):
      return x+1

要调用这个函数时，可使用apply函数，也可以使用lambda函数进行调用。

#apply的方式
print df[['涨跌幅']].apply(addone)

#lambda的方式
print df[['涨跌幅']].apply(lambda x: x+1)

补全数据

有时候获得的股票行情数据，会出现非交易日缺失的情况，这时就需要基于指数交易日的数据，用merge函数对其进行补全。

merge函数的参数

还有个参数是indecator，等于True时增加merge列，表明该行数据的出处，源自哪一张表，有left、right、both的区分。

如果是堆砌，可用concat函数，相关参数如下：

image.png

import pandas as pd
s1 = pd.Series([0,1,2],index = ['a','b','c'])
s2 = pd.Series([2,3,4],index = ['c','f','e'])
s3 = pd.Series([4,5,6],index = ['c','f','g'])
series = pd.concat([s1,s2,s3])#默认并集、纵向连接
series

image.png

series = pd.concat([s1,s2,s3],ignore_index = True)  # 生成纵轴上的并集，索引会自动生成新的一列
series

image.png

series = pd.concat([s1,s2,s3],axis = 1,join = 'inner')
series
# 纵向取交集,注意该方法对对象表中有重复索引时失效

image.png

series = pd.concat([s1,s2,s3],axis = 1,join = 'outer')
series
# 横向索引取并集，纵向索引取交集,注意该方法对对象表中有重复索引时失效

image.png

resample函数

通常我们获得的数据是日线数据，需要转化成周数据或月数据时，可用resample函数获得。

当索引为时间格式时，可用resample函数将时间序列数据自动分割为周、月、季、年等块，然后再进行相应的处理。这里需要用到参数rule，参数rule='w'代表转化为周，'m'代表月，'q'代表季度，'y'代表年份。'5min'代表5分钟，'1min'代表1分钟。

week_df = df.resample(rule='w').last() # 意思是展现每周最后一个交易日的数据
week_df['开盘价'] = df['开盘价'].resample(rule='w').first() # 获得开盘价数据
week_df['成交量'] = df['成交量'].resample(rule='w').sum()   # 获得成交总量数据
week_df['最高价'] = df['最高价'].resample(rule='w').max()  # 获得最高价数据
week_df['最低价'] = df['最低价'].resample(rule='w').min()  # 获得最低价数据

#若要获得周涨幅，一般可用公式【（最后一天的收盘价 - 第一天的开盘价） / 第一天的开盘价 】进行计算，也可以用lambda函数直接获得
week_df['涨跌幅'] = df['涨跌幅'].resample(rule='w').apply(lambda x: (x+1.0).prod() - 1.0 )

用os.walk导入数据

当输入os.walk(data_path)时，会返回root、dirs和files的数据，root是文件的路径，dir是路径下有什么文件夹（返回列表），files是路径下有什么文件（返回列表）。

然后程序会到第一个文件夹里面，继续返回相应的root、dirs和files……直至全部遍历。

有了这个系统自带函数，后面就好办了。

首先，我们要获得想要导入的股票的代码的列表。

list = []
data_path = config.data_path + '/data'
for root, dirs, files in os.walk(data_path):
       if files:   # 当files不为空
           for i in files: #对files的每一个文件
                if i.endswith('.csv'):   # 选取以csv为后缀的文件
                      list.append(i[:8])   #将该文件的前8个字符加入到列表中

print list

第二步，开始根据列表来导入数据

alldata = pd.DataFrame()
for stock in list:
     print stock
     df = importcode.import(stock)
      alldata = alldata.append(df, ignore_index = True)
print alldata

CSV的替代——HDF

一般储存数据是用csv格式，但pandas提供了一种更高效率的方式，那就是hdf格式。

想象一张Excel表，sheetname这里称作KEY，参数mode可以是w新建，也可以是a，append。更多参数如下：

image.png

保存的命令为：

#alldata.to_hdf(path, key='',mode='')
alldata.to_hdf(config.output_data_path + '/alldata.h5', key='all_stock_data',  mode='w'))


# 在前面的例子中，读取的股票数据df，可以这样保存
# h5[stock] = df
# 或者
# df.to_hdf(path, key = code, mode='a')

#保存完数据之后，记得关闭h5文件，否则容易报错
h5.close()

要读取的时候，可以用 pd.read_hdf(path, key='')

image.png

 #读取某个stock的数据有两种方式
print h5.get('sz000006') 
print h5['sz000007']

#查询有多少张表，可以用keys()
print h5.keys()

分组统计的groupby函数

一张超大的数据表中，我们想要看某只股票的平均价格，可用groupby函数来实现。

1、基本的groupby用法

print stock_data.groupby('交易日期')  #按交易日期来分组
print stock_data.groupby('交易日期') .size() #显示每天交易股票的数量
print stock_data.groupby('股票代码') .size() #显示每只股票累计交易的天数

#分组后想看某只股票的数据，可用get_group()
print stock_data.groupby('股票代码').get_group('002466')
#只会输出天齐锂业的数据

除此之外，还可以
print stock_data.groupby('股票代码').describe()
print stock_data.groupby('股票代码').first()
print stock_data.groupby('股票代码').last()
print stock_data.groupby('股票代码').head()
print stock_data.groupby('股票代码').tail()
print stock_data.groupby('股票代码').nth(n) 表示该组的第n行数据
输出的时候，默认group的变量，即股票代码为index，不想这样的话，可以用as_index=False, 例如：
print stock_data.groupby('股票代码'，as_index=False)

还可以
print stock_data.groupby('股票代码')['收盘价', '涨跌幅'].mean() 取某列数据算均值
.max()
.sum()
都是可以的。

还可以输出排名，用rank()
print stock_data.groupby('股票代码')['成交量'].rank() 输出组内的算数排名
print stock_data.groupby('股票代码')['成交量'].rank(pct=True) 输出百分比

还可以
print stock_data.groupby(stock_data['交易日期'].dt.year).size() # 计算该年共有多少个交易数据

还可以先groupby一个，然后再在其中groupby另一个参数，例如：
stock_data.groupby(['股票代码’, stock_data['交易日期'].dt.year]).size() # 按照股票代码分组，然后求该证券每年有多少个交易日

2、进阶的groupby用法

前面介绍的resample、apply、fillna等函数，都可以嵌入到groupby函数里面。

当然，也可以用笨办法，用for key, group in df.groupby('列名称'): 将所需功能遍历一遍，以达到相同的效果。key是列名，列的每一个内容，group是该列的内容。

遍历的时候，对group进行单独操作即可，例如group.apply()或group.fillna()。

然后只要将每个group append起来即可。

结语

上述回顾的函数和功能，在量化投资的实际操作中会经常用到，必须熟练掌握。

刺猬偷腥
2018年10月8日