结合金融时间序列演示Pandas模块的操作（一）

结合金融时间序列演示Pandas模块的操作（一）

 在金融分析与风险管理中，往往需要对金融时间序列进行分析。时间序列就是以时间作为索引的数据集合，但 NumPy 的数组结构无法满足时间序列的要求。因此，需要引入 Pandas 模块。
 由于 Pandas 是 Python 的外部第三方模块，在使用前需要导入，并查询 Pandas 的版本号信息。

>>>import pandas as pd
>>>pd.__version__       #查询Pandas的版本号
'1.0.1'

一、Pandas 的数据结构

 Pandas 的数据结构可以分为两大类：序列和数据框。继续沿用《结合金融场景演示NumPy模块的操作（一）》中的例1进行说明。

表1-1 2018年9月3日至7日股票的涨跌幅

股票名称	2018年9月3日	2018年9月4日	2018年9月5日	2018年9月6日	2018年9月7日
中国石油	0.3731%	2.1066%	-0.4854%	0.6098%	-0.6060%
工商银行	-0.1838%	0.1842%	-1.6544%	-0.3738%	0.3752
上汽集团	-0.3087%	-0.0344%	-3.3391%	0.7123%	0.4597%
宝钢股份	-2.4112%	1.1704%	-2.9563%	-1.4570%	1.6129%

1.序列

 序列(series)是一个类似于一维数组的数据结构，只不过它由两个部分组成，第1部分是标签(label)或者索引(index)，第2部分是对应的数值，需要注意的是这两部分的长度必须一致。
 生成序列需要运用 Series 函数，并且需要输入涉及的索引 index。针对例1中2018年9月3日的数据，通过手动方式生成序列，具体代码如下：

>>>return_series1 = pd.Series([0.003731,-0.001838,-0.003087,-0.024112],index=['中国石油','工商银行','上汽集团','宝钢股份'])   
>>>return_series1
-----------------------------------输出结果-------------------------------------
中国石油    0.003731
工商银行   -0.001838
上汽集团   -0.003087
宝钢股份   -0.024112
dtype: float64

 也可以借助已创建的数组return_array，用数组生成针对2018年9月3日数据的序列，具体代码如下：

-----------------------------------代 码---------------------------------------
>>>return_array      #为了便于演示，省略了数组的输入过程
---------------------