量化投资&数据分析之常用的python包（附代码）

小伙伴们都知道python功能强大，在金融量化分析中运用广泛，python常用的数据分析包很多，下面先给大家简单列举一些（如果您刚开始学python觉得这东西很烦看不懂，那么请不要担心，直接忽视跳到第二节吧_{因为您不会错过任何精彩内容}如果您是老司机，那么欢迎私戳讨论【微笑】）：

一. 数据分析常用包

（1）NumPy:

NumPy是基于Python的科学计算的基础包，可用来存储和处理大型矩阵，提供了矩阵、线性代数、傅里叶变换和随机生成函数等解决方案。

（2）SciPy：

SciPy是基于NumPy的库，它提供了方便、快捷的N维数组操作。它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等等。

（3）Statsmodels:

Statismodels是一个Python包，提供一些互补scipy统计计算的功能，包括描述性统计和统计模型估计和推断，主要用户统计建模和计量经济学。

（4）Pandas

Pandas 是基于NumPy 的一种工具，Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。

（5）TAlib：

TAlib是一个处理金融数据和技术分析的开放代码库。

（6）其他

networkx、Pillow 、Py 、Pytz、Requests 、Scipy、sympy 、Tables 、xlrd、xlwt等

二. NumPy

（1）ndarray数组基础

Pyhton 中用列表保存一组值，可将列表当成是数组使用。此外，Python 有 array 模快，但他不支持多维数组，无论是列表还是 array 模块都没有科学运算函数，不适合做矩阵等科学计算。因此，NumPy没有使用 Python 本身的数组机制，而是提供了ndarray 数组对象，该对象不断能方便的存取数组，而且拥有丰富的数组计算函数，比如向量的加法、减法、乘法等。使用 ndarray 数组，首先需要导入 Numpy 函数库，也可以直接导入该函数库。

创建数组是进行数组计算的先决条件，可以通过array()函数定义数组实例对象，其参数为Python 的序列对象。

文字描述太枯燥，我们来举个例子：

from numpy import *

import numpy as np

a=np.array([[1,2,4],[3,6,9]])

print(a)

结果是这样的：

[[1 2 4]
 [3 6 9]]

（2）数组支持索引和切片

NumPy数组可按照列表的方式进行索引和切片，也可按如下方式访问数组中行、列与特定元素：

我们还是用上一个例子：

from numpy import *

import numpy as np

a=np.array([[1,2,4],[3,6,9]])

print(a)

print(a[:,1])

print(a[1,1])

结果如下：

[[1 2 4]
 [3 6 9]]
[2 6]
6

三. Pandas

pandas包含高级的数据结构和精巧的工具，使得在Python中处理数据非常快速和简单。pandas建造在NumPy之上，它使得以NumPy为中心的应用很容易使用。我们首先导入库：

import pandas as pd

pandas主要包含三种数据结构：Series、DataFrame和Panel。

（1）Series

Series是一个一维的类似的数组对象，包含一个数组的数据（任何NumPy的数据类型）和一个与数组关联的数据标签，被叫做索引 。

Series创建

我们首先创建一个Series：

import pandas as pd

s=pd.Series([3,10000,10.8,‘stock’])

print(s)

输出:

0        3
1    10000
2     10.8
3    stock
dtype: object

上例中左右两列即分别为索引index 和 values。因为传给构造器的是一个列表，所以 index 的值是从 0 起递增的整数，如果传入的是一个类字典的键值对结构，就会生成 index-value 对应的 Series；或者在初始化的时候以关键字参数显式指定一个 index 对象：

如：

s=pd.Series(data=[10.5,15.7,np.nan],index=[‘stockA’,‘stockB’,‘stockC’])

print(s)

print(s.data)

print(s.index)

print(s.values)

print(s[2]) # series也支持索引和切片

输出：

stockA    10.5
stockB    15.7
stockC     NaN
dtype: float64
<memory at 0x7fcc3ac087c8>
Index(['stockA', 'stockB', 'stockC'], dtype='object')
[ 10.5  15.7   nan]
nan

（2）DataFrame

一个DataFrame表示一个表格，类似电子表格的数据结构，包含一个经过排序的列表集，它们没一个都可以有不同的类型值（数字，字符串，布尔等等）。DataFrame有行和列的索引，它可以被看作是一个Series的字典（每个Series共享一个索引）。

DataFrame创建

创建DataFrame方法如下：

df=DataFrame(data=数据，index=索引，columns=列名)

例如，为创建一个索引是时间序列的DataFrame，首先创建一个时间序列：

dates=pd.date_range(‘2017-01-01’,periods=3)

print(dates)

输出：

DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03'], dtype='datetime64[ns]', freq='D')
然后创建DataFrame：

df=pd.DataFrame(np.array([[10.5,15.7,11.2],[10.8,11.0,11.2],[9.4,10.2,9.8]]),index=dates,columns=['stockA','stockB','stockC'])

print(df)

输出：

        stockA  stockB  stockC
2017-01-01    10.5    15.7    11.2
2017-01-02    10.8    11.0    11.2
2017-01-03     9.4    10.2     9.8

DataFrame也支持索引和切片：

print(df.ix[:2,:2])

print(df[['stockA','stockC']])

print(df[:2])

输出：

           stockA  stockB
2017-01-01    10.5    15.7
2017-01-02    10.8    11.0
            stockA  stockC
2017-01-01    10.5    11.2
2017-01-02    10.8    11.2
2017-01-03     9.4     9.8
            stockA  stockB  stockC
2017-01-01    10.5    15.7    11.2
2017-01-02    10.8    11.0    11.2

支持排序和排名

s=pd.Series({'stockA':10.5,'stockB':15.7,'stockC':np.nan})

print(s.sort_values(ascending=False))

输出：

stockB    15.7
stockA    10.5
stockC     NaN
dtype: float64

支持统计方法（Very important!）：

如：

dates=pd.date_range(‘2017-01-01’,periods=3)

print(dates)

df=pd.DataFrame(np.array([[11,12,13],[13,14,15],[12,13,15]]),index=dates,columns=[‘stockA’,‘stockB’,‘stockC’])

new_dates=pd.date_range(‘2017-01-01’,periods=4)

print(df.sort_values(‘stockB’))

print(df.diff())

print(df.cumsum())

print(df.mean())

print(df.var())

print(df.std())

输出：

DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03'], dtype='datetime64[ns]', freq='D')
            stockA  stockB  stockC
2017-01-01      11      12      13
2017-01-03      12      13      15
2017-01-02      13      14      15
            stockA  stockB  stockC
2017-01-01     NaN     NaN     NaN
2017-01-02       2       2       2
2017-01-03      -1      -1       0
            stockA  stockB  stockC
2017-01-01      11      12      13
2017-01-02      24      26      28
2017-01-03      36      39      43
stockA    12.000000
stockB    13.000000
stockC    14.333333
dtype: float64
stockA    1.000000
stockB    1.000000
stockC    1.333333
dtype: float64
stockA    1.000000
stockB    1.000000
stockC    1.154701
dtype: float64

码字码得手酸…剩下的下次分享（微笑）

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

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。

二、Python必备开发工具

四、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、Python练习题

检查学习结果。

七、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。


这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

👉[[CSDN大礼包：《python安装包&全套学习资料》免费分享]]（安全链接，放心点击）