选股策略1：1_apply， lambda操作（python）

学习目标：选股策略1：1_apply， lambda操作

学习内容：

1：导入必要的库

import pandas as pd
pd.set_option('expand_frame_repr', False)  # 当列太多时不换行

2：导入数据

# 导入数据
def import_stock_data(stock_code):
    """
    只导入如下字段：'交易日期', '股票代码', '开盘价', '最高价', '最低价', '收盘价', '涨跌幅'
    最终输出结果按照日期排序
    :param stock_code:
    :return:
    """
    df = pd.read_csv(stock_code + '.csv', encoding='gbk')
    #print(df)
    
    df = df[['交易日期','股票代码', '开盘价', '最高价', '最低价', '收盘价', '涨跌幅']]
    df.sort_values(by=['交易日期'], inplace=True)
    df['交易日期'] = pd.to_datetime(df['交易日期'])
    df.reset_index(inplace=True, drop=True)

    return df

3：apply与 lambda函数操作

# 读入数据
code = 'sz300001'
df = import_stock_data(code)


# 当想要进行的操作，在pandas当中，没有相应直接可用的函数的时候，可以使用apply方法
# apply的参数是函数名
# 以下定义几个简单的函数，演示apply

def f1(x):
    return x + 100
    # x究竟是什么？
    # print x
    # print type(x)
    # exit()
    # x就是['收盘价']这个series，对series可以进行的任何操作，在f1中都可以进行。可以进行很复杂的操作。
    #对收盘价加100操作
# print df[['收盘价']].apply(f1)


# lambda函数定义方法
# 通常用于定义一些比较简单的、一行代码可以表述清楚的、一次性的函数。比较复杂就不要使用。
# 以下是几个案例

print df['收盘价'].apply(lambda x: int(x * 100))

#把sz300001变成300001SZ
print df['股票代码'].apply(lambda x: x[2:] + x[:2].upper())


# apply、lambda是较高级的应用，大家一开始不用强行使用。之后看的多了自然也就理解会用了