python 获取交易日数据（一）

   

目录

1. 源代码

2. 案例演示

2.1 获取日度数据

2.2 获取月度数据

2.3 获取季度数据

2.4 获取半年度数据

2.5 获取年度数据

2.6 添加开始和结束日期

---

    交易日数据在一些金融数据的统计中比较常见。本文主要介绍一下，数据的获取以及一些频率的转换。由于周度的相对会复杂一点，后续专门用一篇文章来介绍。

1. 源代码

  先直接看一下整体的代码。

import pandas as pd
import akshare as ak


class TRADE_DAY(object):
    '''
    获取不同频率下(除周度)，对应区间的交易日,不含开始和终止日期,
    除非二者刚好符合相应的频率
    '''

    def __init__(self, data, st, et):
        '''
        st: str,开始日期,格式如'2023-03-01'
        et: str,终止日期,格式如'2023-03-01'
        data:转换后的交易日数据源
        '''
        self.st = st
        self.et = et
        self.data = data

    @classmethod
    def data_change(cls, trade_day):
        # 对初始的数据进行清洗转换,此处可依据获取的数据源进行自主转换
        # 转换后的数据格式为DataFrame,只有一列,列名为date,值的格式为str,例如'2023-03-03'
        new_df = pd.DataFrame({'date': trade_day['trade_date']})
        new_df['date'] = new_df['date'].apply(lambda x:
             pd.to_datetime(str(x)).strftime("%Y-%m-%d"))
        return new_df

    def get_trading_day(self):
        # 获取起始日对应的交易日日度数据
        data = self.data
        Trading_day = data.loc[(data['date'] >= self.st) & (data['date'] <= self.et)]
        return Trading_day

    def get_frequency_date(self, frequency_list):
        # 获取起始日对应的各频率的日期
        df = TRADE_DAY.get_trading_day(self)
        df['year'] = df['date'].apply(lambda x: pd.to_datetime(x).year)
        df['month'] = df['date'].apply(lambda x: pd.to_datetime(x).month)
        st_year = pd.to_datetime(self.st).year
        et_year = pd.to_datetime(self.et).year + 1

        year_list = [x for x in range(st_year, et_year)]
        all_day = []
        for year in year_list:
            one_df = df.loc[df['year'] == year]
            for month in frequency_list:
                one_data = one_df.loc[one_df['month'] == month]
                if one_data.empty:
                    pass
                else:
                    res_day = one_data['date'].max()
                    all_day.append(res_day)
        new_df = pd.DataFrame({'date': all_day})
        return new_df

    def get_month_date(self):
        # 获取区间对应的月度交易日日期
        frequency_list = [x for x in range(1, 13)]
        new_df = TRADE_DAY.get_frequency_date(self, frequency_list)
        return new_df

    def get_quarter_date(self):
        # 获取区间对应的季度交易日日期
        frequency_list = [3, 6, 9, 12]
        new_df = TRADE_DAY.get_frequency_date(self, frequency_list)
        return new_df

    def get_half_year_date(self):
        # 获取区间对应的半年度交易日日期
        frequency_list = [6, 12]
        new_df = TRADE_DAY.get_frequency_date(self, frequency_list)
        return new_df

    def get_year_date(self):
        # 获取区间对应的年度交易日日期
        frequency_list = [12]
        new_df = TRADE_DAY.get_frequency_date(self, frequency_list)
        return new_df


def add_date(date, st, et):
    # date:TRADE_DAY对应获取的交易日数据
    # 对所获频率的日期加上开始和结束日
    new_date = pd.DataFrame({'date': [st, et]})
    new_date = new_date.append(date)
    new_date = new_date.drop_duplicates()
    add_date = new_date.sort_values(by=['date'], ascending=True)
    return add_date

2. 案例演示

    先进行前期的数据转换以及传参。需要注意的是，获取的数据一般不包含开始和结束日期，除非刚好二者属于对应频率的数据。因此，增加一个add_date函数来完善此需求。另外，akshare交易日数据仅更新到2023年底，如截止日超过此区间，需要更换相应的数据源。

if __name__ == '__main__':
    # 输入参数
    trade_date = ak.tool_trade_date_hist_sina()
    st, et = '2020-02-01', '2023-07-01'
    # 对原始数据进行转换
    data = TRADE_DAY.data_change(trade_date)
    # 传入参数
    Trade = TRADE_DAY(data, st, et)

2.1 获取日度数据

    day_df = Trade.get_trading_day()

   对应结果为：

2.2 获取月度数据

    month_df = Trade.get_month_date()

   对应结果为：

2.3 获取季度数据

    quarter_df = Trade.get_quarter_date()

  对应结果为：

2.4 获取半年度数据

    half_year_df = Trade.get_half_year_date()

  对应结果为：

2.5 获取年度数据

    year_df = Trade.get_year_date()

  对应结果为：

2.6 添加开始和结束日期

    quarter_df = Trade.get_quarter_date()
    new_quarter_df = add_date(quarter_df, st, et)

  对应结果为：

   此处需要注意的是，开始和结束日期可能不是交易日，对应加入序列可能会造成影响。在后续的文章中 会对此进行优化。

本期分享到此结束，有和问题欢迎讨论。