保存tushare所有股票数据，并对涨停进行分析

最新推荐文章于 2024-07-26 15:46:43 发布

神出鬼没，指的就是我!

最新推荐文章于 2024-07-26 15:46:43 发布

阅读量1k

点赞数

分类专栏： tushare python 量化文章标签： python 数据挖掘 tushare

本文链接：https://blog.csdn.net/qq_26742269/article/details/122954881

版权

量化同时被 3 个专栏收录

119 篇文章

订阅专栏

python

69 篇文章

订阅专栏

tushare

11 篇文章

订阅专栏

该代码实现从tushare获取并分析当天股市数据，包括股票涨跌情况、涨停跌停股票特征，如上市日期、市盈率、流通市值等，并对行业、交易所和地区的统计数据进行展示。程序首先获取所有股票的收盘数据和基本信息，然后筛选出上涨、下跌、涨停和跌停的股票，最后对不同类别股票进行统计分析，输出关键指标的平均值和中位数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >


import tushare as ts
import pandas as pd
import time
import os
import datetime
# 指定自己要存放文件的绝对路径
os.chdir('E:/')
pd.set_option('expand_frame_repr', False)
now_time = datetime.date.today()
# 从tushare获取指定日期
def get_today_all_ts(date):

    date_now = date

# 先获得所有股票的收盘数据
    df_close = ts.get_today_all()

   # 获得所有股票的基本信息
    df_basics = ts.get_stock_basics()
    df_all = pd.merge(left=df_close, right=df_basics, on='name', how='outer')

    df_all['code'] = df_all['code'].astype(str) + ' '

# 保存数据
    df_all.to_csv(str(date_now) + '_ts.csv', index=False, encoding='gbk')
    print('%s is downloaded.' % (str(date_now)))
    print(df_all)
    return df_all

if __name__ == '__main__':
    get_today_all_ts(date=now_time)


import pandas as pd
import requests
import tushare as ts
import os
import time
import warnings
warnings.filterwarnings('ignore')
pd.set_option('expand_frame_repr', False)
os.chdir('E:/')
date_now = datetime.date.today()
print(str(date_now))
# ====龙虎榜数据


# 读取TDX的每日股票数据
df = pd.read_csv('{}_ts.csv'.format(str(date_now)), encoding='gbk')
df.fillna(0, inplace=True)
df.replace('nan ', 0, inplace=True)
df['timeToMarket'] = pd.to_datetime(df['timeToMarket'])

df[['changepercent', 'pe', 'mktcap', 'nmc']] = df[['changepercent', 'pe', 'mktcap', 'nmc']].astype(float)
df['timeToMarket'] = pd.to_datetime(df['timeToMarket'])

df['code'] = df['code'].astype(str)  # 转化成str后，NAN也变成nan str格式
# 添加 交易所 列
df.loc[df['code'].str.startswith('3'), 'exchange'] = 'CY'
df.loc[df['code'].str.startswith('6'), 'exchange'] = 'SH'
df.loc[df['code'].str.startswith('0'), 'exchange'] = 'SZ'

# 找出上涨的股票
df_up = df[df['changepercent'] > 0.00]
# 走平股数
df_even = df[df['changepercent'] == 0.00]
# 找出下跌的股票
df_down = df[df['changepercent'] < 0.00]

# 找出涨停的股票
limit_up = df[df['changepercent'] >= 9.70]
limit_down = df[df['changepercent'] <= -9.70]

# 涨停股数中的未封板股，上市日期小于15天
limit_up_new = limit_up[pd.to_datetime(date_now) - limit_up['timeToMarket'] <= pd.Timedelta(15)]
# 涨停股数中次新股，上市日期小于1年
limit_up_fresh = limit_up[pd.to_datetime(date_now) - limit_up['timeToMarket'] <= pd.Timedelta(365)]

# 涨停股数中的未封板股，上市日期小于15天
limit_down_new = limit_down[pd.to_datetime(date_now) - limit_down['timeToMarket'] <= pd.Timedelta(15)]
# 涨停股数中次新股，上市日期小于1年
limit_down_fresh = limit_down[pd.to_datetime(date_now) - limit_down['timeToMarket'] <= pd.Timedelta(365)]

print('A股上涨个数： %d, A股下跌个数： %d, A股走平个数: %d。' % (df_up.shape[0], df_down.shape[0], df_even.shape[0]))
print('A股总成交额：%d, 总成交量：%d' % (df['amount'].sum(), df['volume'].sum()))
print('A股平均市盈率：%.2f， 平均流通市值 %.2f 亿, 平均总市值 %.2f 亿' % (df['pe'].mean(), df['nmc'].mean(), df['mktcap'].mean()))
print('涨停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d' % (limit_up.shape[0], limit_up_new.shape[0], limit_up_fresh.shape[0]))
print('跌停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d' % (limit_down.shape[0], limit_down_new.shape[0], limit_down_fresh.shape[0]))

# 获取指定列的分析统计结果
def get_output(df, columns='industry', name='_limit_up'):
    df = df.copy()
    output = pd.DataFrame()
    output = pd.DataFrame(df.groupby(columns)['code'].count())

    output['pe_mean'] = df.groupby(columns)['pe'].mean()
    output['pe_median'] = df.groupby(columns)['pe'].median()

    output['nmc_mean'] = df.groupby(columns)['nmc'].mean()
    output['nmc_median'] = df.groupby(columns)['nmc'].median()

    output['mktcap_mean'] = df.groupby(columns)['mktcap'].mean()
    output['mktcap_median'] = df.groupby(columns)['mktcap'].median()

    output['volume_mean'] = df.groupby(columns)['volume'].mean()
    output['volume_median'] = df.groupby(columns)['volume'].median()

    output['amount_mean'] = df.groupby(columns)['amount'].mean()
    output['amount_median'] = df.groupby(columns)['amount'].median()

    output.sort_values('code', ascending=False, inplace=True)
    output.rename(columns={'code': name + '_count'}, inplace=True)
    return output


for i in ['industry', 'exchange', 'area']:
# 对涨停的股票分析
    output_limit_up = get_output(limit_up, columns=i, name='limit_up')
    print(output_limit_up)
# 对跌停的股票分析
    output_limit_down = get_output(limit_down, columns=i, name='limit_down')
    print(output_limit_down)
# 对全量的股票分析
    output_total = get_output(df, columns=i, name='total')
    print(output_total)