Python常用函数中NumPy的使用教程

print(‘c数组中元素的算数平均值为： {}’.format(np.mean©))

c数组中元素的算数平均值为： 351.0376666666667

5. 时间加权平均价格

TWAP概述：

在经济学中，TWAP（Time-Weighted Average Price，时间加权平均价格）是另一种“平均”价格的指标。既然我们已经计算了VWAP，那也来计算一下TWAP吧。其实TWAP只是一个变种而已，基本的思想就是最近的价格重要性大一些，所以我们应该对近期的价格给以较高的权重。最简单的方法就是用arange函数创建一个从0开始依次增长的自然数序列，自然数的个数即为收盘价的个数。当然，这并不一定是正确的计算TWAP的方式。

t = np.arange(len©)

print(‘时间加权平均价格twap=’, np.average(c, weights=t))

时间加权平均价格twap= 352.4283218390804

6. 最大值和最小值

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

h, l = np.loadtxt(‘data.csv’, delimiter=‘,’, usecols=(4,5), unpack=True)

print(‘h数据为： \n{}’.format(h))

print(‘-’*10)

print(‘l数据为： \n{}’.format(l))

h数据为：

[344.4 340.04 345.65 345.25 344.24 346.7 353.25 355.52 359. 360.

357.8 359.48 359.97 364.9 360.27 359.5 345.4 344.64 345.15 348.43

355.05 355.72 354.35 359.79 360.29 361.67 357.4 354.76 349.77 352.32]

---

l数据为：

[333.53 334.3 340.98 343.55 338.55 343.51 347.64 352.15 354.87 348.

353.54 356.71 357.55 360.5 356.52 349.52 337.72 338.61 338.37 344.8

351.12 347.68 348.4 355.92 357.75 351.31 352.25 350.6 344.9 345. ]

print(‘h数据的最大值为： {}’.format(np.max(h)))

print(‘l数据的最小值为： {}’.format(np.min(l)))

h数据的最大值为： 364.9

l数据的最小值为： 333.53

NumPy中有一个ptp函数可以计算数组的取值范围

该函数返回的是数组元素的最大值和最小值之间的差值

也就是说，返回值等于max(array) - min(array)

print(‘h数据的最大值-最小值的差值为： \n{}’.format(np.ptp(h)))

print(‘l数据的最大值-最小值的差值为： \n{}’.format(np.ptp(l)))

h数据的最大值-最小值的差值为：

24.859999999999957

l数据的最大值-最小值的差值为：

26.970000000000027

7. 统计分析

中位数：

我们可以用一些阈值来除去异常值，但其实有更好的方法，那就是中位数。

将各个变量值按大小顺序排列起来，形成一个数列，居于数列中间位置的那个数即为中位数。

例如，我们有1、2、3、4、5这5个数值，那么中位数就是中间的数字3。

m = np.loadtxt(‘data.csv’, delimiter=‘,’, usecols=(6,), unpack=True)

print(‘m数据中的中位数为： {}’.format(np.median(m)))

m数据中的中位数为： 352.055

数组排序后，查找中位数

sorted_m = np.msort(m)

print(‘m数据排序： \n{}’.format(sorted_m))

N = len©

print(‘m数据中的中位数为： {}’.format((sorted_m[N//2]+sorted_m[(N-1)//2])/2))

m数据排序：

[336.1 338.61 339.32 342.62 342.88 343.44 344.32 345.03 346.5 346.67

348.16 349.31 350.56 351.88 351.99 352.12 352.47 353.21 354.54 355.2

355.36 355.76 356.85 358.16 358.3 359.18 359.56 359.9 360. 363.13]

m数据中的中位数为： 352.055

方差：

方差是指各个数据与所有数据算术平均数的离差平方和除以数据个数所得到的值。

print(‘variance =’, np.var(m))

variance = 50.126517888888884

var_hand = np.mean((m-m.mean())**2)

print(‘var =’, var_hand)

var = 50.126517888888884

注意:样本方差和总体方差在计算上的区别。总体方差是用数据个数去除离差平方和，而样本方差则是用样本数据个数减1去除离差平方和，其中样本数据个数减1（即n-1）称为自由度。之所以有这样的差别，是为了保证样本方差是一个无偏估计量。

8. 股票收益率

在学术文献中，收盘价的分析常常是基于股票收益率和对数收益率的。

简单收益率是指相邻两个价格之间的变化率，而对数收益率是指所有价格取对数后两两之间的差值。

我们在高中学习过对数的知识，“a”的对数减去“b”的对数就等于“a除以b”的对数。因此，对数收益率也可以用来衡量价格的变化率。

注意，由于收益率是一个比值，例如我们用美元除以美元（也可以是其他货币单位），因此它是无量纲的。

总之，投资者最感兴趣的是收益率的方差或标准差，因为这代表着投资风险的大小。

(1) 首先，我们来计算简单收益率。NumPy中的diff函数可以返回一个由相邻数组元素的差值构成的数组。这有点类似于微积分中的微分。为了计算收益率，我们还需要用差值除以前一天的价格。不过这里要注意，diff返回的数组比收盘价数组少一个元素。returns = np.diff(arr)/arr[:-1]

注意，我们没有用收盘价数组中的最后一个值做除数。接下来，用std函数计算标准差：

print (“Standard deviation =”, np.std(returns))

(2) 对数收益率计算起来甚至更简单一些。我们先用log函数得到每一个收盘价的对数，再对结果使用diff函数即可。

logreturns = np.diff( np.log© )

一般情况下，我们应检查输入数组以确保其不含有零和负数。否则，将得到一个错误提示。不过在我们的例子中，股价总为正值，所以可以将检查省略掉。

(3) 我们很可能对哪些交易日的收益率为正值非常感兴趣。

在完成了前面的步骤之后，我们只需要用where函数就可以做到这一点。where函数可以根据指定的条件返回所有满足条件的数组元素的索引值。

输入如下代码：

posretindices = np.where(returns > 0)

print “Indices with positive returns”, posretindices

即可输出该数组中所有正值元素的索引。

Indices with positive returns (array([ 0, 1, 4, 5, 6, 7, 9, 10, 11, 12, 16, 17, 18, 19, 21, 22, 23, 25, 28]),)

(4) 在投资学中，波动率（volatility）是对价格变动的一种度量。历史波动率可以根据历史价格数据计算得出。计算历史波动率（如年波动率或月波动率）时，需要用到对数收益率。年波动率等于对数收益率的标准差除以其均值，再除以交易日倒数的平方根，通常交易日取252天。

用std和mean函数来计算，代码如下所示：

annual_volatility = np.std(logreturns)/np.mean(logreturns)

annual_volatility = annual_volatility / np.sqrt(1./252.)

(5) sqrt函数中的除法运算。在Python中，整数的除法和浮点数的除法运算机制不同(python3已修改该功能)，我们必须使用浮点数才能得到正确的结果。与计算年波动率的方法类似，计算月波动率如下：

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

annual_volatility * np.sqrt(1./12.)

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！