4、DataFrame基礎(chǔ)操作鞏固-股票分析

需求:股票分析

• 使用tushare包獲取某股票的歷史行情數(shù)據(jù)。
• 輸出該股票所有收盤比開盤上漲3%以上的日期。
• 輸出該股票所有開盤比前日收盤跌幅超過2%的日期。
• 假如我從2010年1月1日開始，每月第一個交易日買入1手股票，每年最后一個交易日賣出所有股票，到今天為止，我的收益如 何?

（1）下載tushare財經(jīng)數(shù)據(jù)接口包

終端命令行執(zhí)行：

pip install tushare

（2）進(jìn)入官網(wǎng)https://tushare.pro/

注冊登錄后，進(jìn)入個人主頁，找到接口TOKEN，進(jìn)行復(fù)制，我們在下面將會用到。

image.png

（2）導(dǎo)入相關(guān)包

import tushare as ts
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
import datetime as dt
import time
token='自己的上面復(fù)制的token'
ts.set_token(token)
pro = ts.pro_api()

（3）調(diào)用接口獲取股票的信息

注：更多接口方法可以在http://tushare.org/ 進(jìn)行查看

獲取茅臺的 每日股價信息

df = pro.daily(ts_code = '600519.SH',start_date='20000101')
df

image.png

（4）對股票信息按照時間進(jìn)行排序

# 排序 
# DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')
# axis:{0 or ‘index’, 1 or ‘columns’}, default 0，默認(rèn)按照索引排序，即縱向排序，如果為1，則是橫向排序    
# by:str or list of str；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"；  
# ascending:布爾型，True則升序，可以是[True,False]，即第一字段升序，第二個降序  
# inplace:布爾型，是否用排序后的數(shù)據(jù)框替換現(xiàn)有的數(shù)據(jù)框  
# kind:排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太關(guān)心  
# na_position : {‘first’, ‘last’}, default ‘last’，默認(rèn)缺失值排在最后面

df.sort_values(axis = 0, by = 'trade_date',inplace=True)
df

image.png

（5） 將獲取的股票信息存儲到本地

# 通過調(diào)用 to_xxx 方法將數(shù)據(jù)存儲到本地
df.to_csv('./motai.csv')

（6）將本地存儲的文件讀入到df

df = pd.read_csv('./motai.csv')
df.head()

image.png

（7）需要得讀取出來的數(shù)據(jù)進(jìn)行處理

# drop 中 axis 為1表示刪除列，為0表示刪除行，inplace 為 True 表示覆蓋原有數(shù)據(jù)
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df.head()

image.png

（8）查看每一列的數(shù)據(jù)類型

df.info()

image.png

（9）將trade_date轉(zhuǎn)為時間類型

#將int類型轉(zhuǎn)為時間類型
df['trade_date'] = pd.to_datetime(df['trade_date'],format='%Y%m%d')
df.info()

image.png

（10）設(shè)置trade_date列為索引

df.set_index('trade_date',inplace=True)
df

image.png

（11）輸出該股票所有收盤比開盤上漲3%以上的日期。

#偽代碼：(收盤 - 開盤) / 開盤 > 0.03
(df['open'] - df['close']) / df['open'] > 0.03

#在分析的過程中，如果產(chǎn)生了boolean值，可以將boolean作為行索引，可以取出值為True的行數(shù)據(jù)
df.loc[(df['open'] - df['close']) / df['open'] > 0.03].index   #獲取到收盤比開盤上漲3%以上的日期

image.png

（12）輸出該股票所有開盤比前日收盤跌幅超過2%的日期。

# 偽代碼：(開盤 - 前日收盤) / 前日開盤 < 0.02
old = df['close'].shift(1)   #將收盤價整體下移一位
old.head()

image.png

（13）找到開盤價低于上一天收盤價2%以上的日期

(df['open'] - old) / old < -0.02

image.png

（14）將布爾值作為行索引

df.loc[(df['open'] - old) / old < -0.02].index  #獲取到符合條件的日期

image.png

（15）剩余需求

• 假如我從2010年1月1日開始，每月第一個交易日買入1手股票，每年最后一個交易日賣出所有股票，到今天為止，我的收益如 何?
• 分析
  • 時間節(jié)點(diǎn):2010-2021年
  • 一手股票：100支
  • 買：
    • 一個完整的年需要買入1200支股票
    • 一個完整的年需要賣出1200支股票
  • 買賣股票的單價：
    • 都使用開盤價

（16）截取df，從日期2010年1月，截取到2021年12月

# 對行索引進(jìn)去切片
new_df = df['2010-01':'2021-12']
new_df

image.png

（17）買股票：找到每個月的第一個交易日（捕獲到開盤價） --> 每個月的第一行數(shù)據(jù)。

# 根據(jù)月份從原始數(shù)據(jù)中提取指定的值
# 每個月的第一個交易日行數(shù)據(jù)
# resample('M') 把數(shù)據(jù)按照月份進(jìn)去切割
df_monthly = new_df.resample('M').first()   #數(shù)據(jù)是沒有錯的，索引有問題，不影響使用
df_monthly

image.png

（18）買入股票花費(fèi)的總金額

cost = df_monthly['open'].sum()*100
cost

image.png

（19）賣出股票掙到的錢

注：特殊情況：2021年買入的股票沒有賣出去

# resample('A')按照年份進(jìn)行切割
new_df.resample('A').last()
# 將2021年最后一行切出去
df_yearly = new_df.resample('A').last()[:-1]
df_yearly

image.png

（20）賣出股票到手的錢

resv = df_yearly['open'].sum()*1200
resv

image.png

（21） 計算出最后一年有幾個月：

len(df.loc['2021-01-01':].resample('M').last())

image.png

（22）最后在手中剩余的股票價值加到總收益中

#使用昨天的收盤價作為剩余股票的單價
last_monry = len(df.loc['2021-01-01':].resample('M').last()) * 100 * new_df['close'][-1]
last_monry

image.png

（23）計算總收益

resv + last_monry - cost

image.png

總結(jié)：假如我從2010年1月1日開始，每月第一個交易日買入1手股票，每年最后一個交易日賣出所有股票，到今天為止，我的收益為846587元，收益還是很不錯的。