Python量化实战（二）：回测-银行低估值选股策略

Step1：写独立模块utils

首先，写一个独立的python文件，汇总一些常用的函数，实现数据分组、仓位/权重计算等功能。
废话不说，上代码。

# 导入必要的模块
import pandas as pd
import numpy as np
from scipy.stats import rankdata

然后，写一个函数，根据某条件（如：市盈率）对传入的数据进行分组。

# 定义一个函数，根据市盈率PE Ratio对原始数据进行分组
def group_1d(arr, nog):
    """
    根据某条件对一维数据进行分组
    :param arr: 分组前的原始数据
    :param nog: 组数，要把原始数据分成几组
    :return: 以Numpy数组形式返回分组的结果
    """
    # 创建一个全零数组，用于存放最终的分组结果
    results = np.zeros_like(arr, dtype=int)
    # 接受一个数组，返回该数组中元素对应的顺序编号，如果元素相同，则返回该元素对应顺序的平均值
    ranks = rankdata(arr)
    
    total_num = len(arr)  # 数据总量
    nan_num = np.isnan(arr).sum()  # nan数据量
    no_nan_num = total_num - nan_num  # 非空数据量
    # 下面计算每个分组中有多少个元素，考虑到实际意义，在此四舍五入
    d = round(no_nan_num / nog)
    
    # 下面开始分组
    # 除了最后一组，其余分组中包含的全部元素个数是相同的
    for i in range(1, nog):
        rank1 = 1 + (i - 1) * d  # 当前分组开始元素对应的顺序编号值
        rank2 = rank1 + d  # 当前分组结束元素对应的顺序编号值
        results[(ranks >= rank1) & (ranks < rank2)] = i  # 写入对应元素的分组结果

    # 最后一组的分组情况
    rank1 = 1 + (nog - 1) * d
    rank2 = no_nan_num
    results[(ranks >= rank1) & (ranks < rank2)] = nog  # 剩下的全部是最后一组

    return results  # 返回分组结果

再写一个函数，对二维数据分组。

def grouping(arr2d, nog):
    """
    对二维数据进行分组
    :arr2d：传入需要分组的二维数据集
    :nog：组数
    :return：返回分组的结果
    """
    results = np.zeros_like(arr2d, dtype=int)  # 创建一个全零数组，用于保存分组的结果
    # 分组
    for i in range(len(results)):  # 对第i行数据进行分组
        results[i] = group_1d(arr2d[i], nog)  # 调用函数，对某一行数据进行分组
    
    return results  # 返回二维数据的分组结果

再写一个函数，根据分组结果计算权重。

def getting_weight(group