百万级大样本中的countif实现

一、任务描述

对每个减持事件分别统计该股票在减持前30天和减持后30天发布的公告数。由于数据集过于庞大，用stata和excel都不好操作，所以选用轻便灵活的python语言。

二、数据集描述

主要有两个数据集：

1. 公告列表
   爬取的巨潮资讯网所有公告记录，共2787026条。sample 如下：

announcementid	stkcd	stkname	announcementdate	announcementtitle
18427242	1	S 深发展A	2006/10/10	S深发展A自2006年10月10日开市起临时停牌
23152692	1	S 深发展A	2007/4/27	S深发展A 自2007年4月27日开市起临时停牌
23384397	1	S 深发展A	2007/5/11	S深发展A自2007年5月11日下午开市起临时停牌公告
29189716	1	深发展A	2007/6/20	关于“深发展A”交易的风险提示
49443130	1	深发展A	2009/2/23	深发展Ａ自2009年2月23日13：00起临时停牌
57139544	1	深发展A	2009/10/14	深发展Ａ：限售股份解除限售提示性公告
57221662	1	深发展A	2009/10/29	深发展Ａ：独立董事对公司衍生品交易业务及风险控制情况的专项意见
57221661	1	深发展A	2009/10/29	深发展Ａ：2009年第三季度报告
57221659	1	深发展A	2009/10/29	深发展Ａ：董事会决议公告
57435411	1	深发展A	2009/12/25	深发展Ａ：监事会公告
57438019	1	深发展A	2009/12/25	深发展Ａ自2009年12月25日开市起临时停牌

2. 股东减持事件
   来自 CSMAR 的所有股东减持记录，共15287条。sample 如下：

证券代码	股份减持方	变动方式	成功与否	第一次公告日期	过户登记日期	本次变动数量	本次变动数量占总股本的比例(%)
55	深圳市邦林科技发展有限公司	10	1	2007/5/17	2007/5/17	4755800	1.23
55	深圳市时利和投资有限公司	10	1	2007/5/19	2007/5/19	5728800	1.48
55	深圳市邦林科技发展有限公司	10	1	2007/5/26	2007/5/26	5350000	1.38
55	深圳市时利和投资有限公司	10	1	2007/5/29	2007/5/29	5690000	1.47
55	深圳市邦林科技发展有限公司	10	1	2008/5/6	2008/5/6	19360180	5.05
55	深圳市时利和投资有限公司	10	1	2008/5/17	2008/5/17	19308180	5.05
55	深圳市邦林科技发展有限公司	10	1	2008/9/20	2008/9/20	4876180	1.14
55	深圳市时利和投资有限公司	10	1	2008/12/6	2008/12/6	5490000	1.29
56	深圳经济特区发展(集团)公司	6	2	1999/12/2		23834756	10.79
56	泰天实业发展有限公司	10	1	2007/2/28	2007/2/28	1713000	0.78
56	深圳市特发集团有限公司	10	1	2007/4/12	2007/4/12	3923164	1.776

三、核心思路

在python中实现excel的 countif 功能：

clist = data.loc[(data['stkcd'] == 股票代码) & (data['日期序列'] <= 结束日期) & (data['日期序列'] >= 开始日期), '日期序列']

核心代码受Little_Rokie博客的启发。

四、完整代码

import pandas as pd
from datetime import *

data = pd.read_table('公告列表.txt',header=0,encoding='utf-8',delim_whitespace=True)
data.columns=['stkcd','日期序列']


def 区间计数(股票代码,减持日期,前置窗口长度,后置窗口长度):
    减持时间戳 = datetime.strptime(减持日期,"%Y-%m-%d")
    开始日期 = (减持时间戳-timespan*前置窗口长度).strftime("%Y-%m-%d")
    print(开始日期)
    结束日期 = (减持时间戳+timespan*后置窗口长度).strftime("%Y-%m-%d")
    print(结束日期)
    clist = data.loc[(data['stkcd'] == 股票代码) & (data['日期序列'] <= 结束日期) & (data['日期序列'] >= 开始日期), '日期序列']
    区间公告数 = len(clist)
    return(区间公告数)


if __name__ == "__main__":
    timespan = timedelta(days=1)
    f = open("股东减持事件.txt")
    g = open("区间公告统计结果.txt",'a')
    g.write('股票代码,减持日期,事件前30天区间公告数,事件后30天区间公告数\n')
    lines = f.readlines()
    for line in lines:
        stkcd = int(line.split(',')[0].split("\n")[0])
        print(stkcd)
        eventdate = line.split(',')[1].split("\n")[0]
        事件前区间公告数 = 区间计数(stkcd, eventdate, 30, 0)
        事件后区间公告数 = 区间计数(stkcd, eventdate, 0, 30)
        print([stkcd, eventdate, 事件前区间公告数, 事件后区间公告数])
        g.write(','.join([repr(stkcd), eventdate, repr(事件前区间公告数), repr(事件后区间公告数)])+'\n')
    f.close()
    g.close()

主要参考链接

1. https://www.cnblogs.com/nxld/p/6756492.html