1、Python量化交易-三剑客之Numpy

一、环境安装

1 - anaconda安装

• anaconda简介：anaconda是一个集成环境 —— 集成好了数据分析和机器学习中所需要的全部环境
• anaconda官网：www.anaconda.com
• anaconda下载：清华大学镜像-anaconda，拖到最底下，选择“Anaconda3-5.3.1-Windows-x86_64.exe”
  
• anaconda安装：anaconda安装目录不可以有中文和特殊符号；一路Next，勾选“Add Anaconda…”和“Register Anaconda…”
  
• anaconda测试安装是否成功：打开cmd窗口，录入jupyter notebook指令，如果没有显示找不到命令且没有报错即可表示安装成功

2 - jupyter介绍

• 什么是jupyter：jupyter就是anaconda提供的一个基于浏览器的可视化开发工具
• jupyter启动：启动终端，然后先定位到指定目录（在哪个目录启动，到时候jupyter的工程就在哪个目录下）；在终端中录入：jupyter notebook，按下回车
  
• 新建python3：python3是anaconda中的源文件
  
• anaconda文件重名名
  
• 返回上一级可以看到多了一个 aaaa.ipynb的文件，ipynb指的是基于anaconda的一个文件

3 - cell简介

• 什么是cell
  
• cell有两种模式：code模式、markdown模式
• cell模式的切换
  

4 - cell快捷键

• 添加cell：a=在当前cell上方添加一个cell，b=在当前cell下方添加一个cell
• 删除cell：x
• cell模式修改：m=markdown模式，y=code模式
• cell执行：shift+enter
• tab：自动补全
• 打开帮助文档：shift+tab

二、numpy的三种创建方式

• 数据分析三剑客
  • numpy
  • pandas(重点)
  • matplotlib
• 什么是numpy：NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算

1 - np.array创建numpy

• np.array()创建numpy

  • param1：object —— 数据源
  • param2：dttype —— 数组元素的类型，默认值初始数据源传入的类型是什么就是什么
    

• 数组和列表的区别是什么

  • 数组中存储的数据元素类型必须是统一类型
  • 未指定dttype时，根据元素类型优先级来确定数组元素类型 —— 字符串 > 浮点型 > 整数
    

2 - plt.imread创建numpy

• 将外部的一张图片读取加载到numpy数组中，然后尝试改变数组元素的数值，查看对原始图片的影响
  • 这里如果报错，需要安装pillow，cmd执行：pip install pillow
    

3 - 使用np的routines函数创建

• np的routines函数
  • zero()：填充0的数组
  • ones()：填充1的数组
  • linespace()
  • arange()
  • random系列
• np.ones
  • param1：shape —— 数组的维度 —— Shape of the new array, e.g., (2, 3) or 2
    
• np.linspace：创建一维的等差数列数组
  
• np.arange：创建一维等差数列
  
• np.random.randint：创建随机数组
  

三、numpy常用属性

• 属性
  • shape：返回数组形状
  • ndim：返回数组维度
  • size：返回数组元素个数
  • dtype：数组元素类型
  • type(arr)：数组的数据类型
    

四、numpy操作

1 - numpy索引操作

• numpy索引操作和列表同理
  

2 - numpy切片操作

• 切片：行列切片
  • 切出前两行数据
  • 切出前两列数据
  • 切出前两行的前两列的数据
    
• 切片：数组数据翻转(倒置)
  
• 原始图片
  
• 练习：将一张图片上下左右进行翻转操作
  
• 练习：将图片进行指定区域的裁剪
  

3 - reshape变形

4 - 级联操作

• 什么是级联操作：将多个numpy数组（维度必须相同）进行横向或者纵向的拼接
• axis轴向的理解：0 —— 列；1 —— 行
  

5 - 聚合操作

• 常用聚合操作：没有axis参数 —— 求所有；axis=0 —— 按列；axis=1 —— 按行
  • sum：求和
  • max：最大值
  • min：最小值
  • mean：平均值
    

6 - 数学函数

• numpy标准三角函数：sin()、cos()、tan()
  
• numpy.around(a, decimals)：函数返回指定数字的四舍五入值
  • 参数a：数组
  • 参数decimals：舍入的小数位数；默认值为0；如果为负，整数将四舍五入到小数点左侧的位置
    

7 - 统计函数

• 常用统计函数
  • numpy.amin() 和 numpy.amax()，用于计算数组中的元素沿指定轴的最小、最大值
  • numpy.ptp():计算数组中元素最大值与最小值的差（最大值 - 最小值）
  • numpy.median() 函数用于计算数组 a 中元素的中位数（中值）
  • 标准差std():标准差是一组数据平均值分散程度的一种度量。
    • 公式：std = sqrt(mean((x - x.mean())**2))
    • 如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]，并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。
  • 方差var()：统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x - x.mean())** 2)。换句话说，标准差是方差的平方根

五、numpy矩阵

• 线性代数基于矩阵的推导：https://www.cnblogs.com/alantu2018/p/8528299.html
• numpy矩阵
  • NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。一个 的矩阵是一个由行（row）列（column）元素排列成的矩形阵列
  • numpy.matlib.identity() 函数返回给定大小的单位矩阵。单位矩阵是个方阵，从左上角到右下角的对角线（称为主对角线）上的元素均为 1，除此以外全都为 0

• numpy矩阵相乘：numpy.dot(a, b, out=None)
  • a：ndarray数组
  • b：ndarray数组
• 矩阵的加法、减法、乘法
  
• 矩阵相乘：第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1），然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。也就是说，结果矩阵第m行与第n列交叉位置的那个值，等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和

六、jupyter笔记

点击下载jupyter笔记