用Python做股市数据分析（一）

import pandas as pd 
 
import pandas.io.data as web   # Package and modules for importing data; this code may change depending on pandas version 
 
import datetime 
 
  
 
# We will look at stock prices over the past year, starting at January 1, 2016 
 
start = datetime.datetime(2016,1,1) 
 
end = datetime.date.today() 
 
  
 
# Let's get Apple stock data; Apple's ticker symbol is AAPL 
 
# First argument is the series we want, second is the source ("yahoo" for Yahoo! Finance), third is the start date, fourth is the end date 
 
apple = web.DataReader("AAPL", "yahoo", start, end) 
 
  
 
type(apple)  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.

C:\Anaconda3\lib\site-packages\pandas\io\data.py:35: FutureWarning: 
 
The pandas.io.data module is moved to a separate package (pandas-datareader) and will be removed from pandas in a future version. 
 
After installing the pandas-datareader package (https://github.com/pydata/pandas-datareader), you can change the import ``from pandas.io import data, wb`` to ``from pandas_datareader import data, wb``. 
 
  FutureWarning) 
 
  
 
  
 
  
 
  
 
  
 
pandas.core.frame.DataFrame  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.

apple.head() 
1.

import matplotlib.pyplot as plt   # Import matplotlib 
 
# This line is necessary for the plot to appear in a Jupyter notebook 
 
%matplotlib inline 
 
  
 
# Control the default size of figures in this Jupyter notebook 
 
%pylab inline 
 
  
 
pylab.rcParams['figure.figsize'] = (15, 9)   # Change the size of plots 
 
apple["Adj Close"].plot(grid = True) # Plot the adjusted closing price of AAPL  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.

Populating the interactive namespace from numpy and matplotlib 
1.

from matplotlib.dates import DateFormatter, WeekdayLocator,\ 
 
    DayLocator, MONDAY 
 
from matplotlib.finance import candlestick_ohlc 
 
def pandas_candlestick_ohlc(dat, stick = "day", otherseries = None): 
 
    """ 
 
    :param dat: pandas DataFrame object with datetime64 index, and float columns "Open", "High", "Low", and "Close", likely created via DataReader from "yahoo" 
 
    :param stick: A string or number indicating the period of time covered by a single candlestick. Valid string inputs include "day", "week", "month", and "year", ("day" default), and any numeric input indicates the number of trading days included in a period 
 
    :param otherseries: An iterable that will be coerced into a list, containing the columns of dat that hold other series to be plotted as lines 
 
    This will show a Japanese candlestick plot for stock data stored in dat, also plotting other series if passed. 
 
    """ 
 
    mondays = WeekdayLocator(MONDAY)        # major ticks on the mondays 
 
    alldays = DayLocator()              # minor ticks on the days 
 
    dayFormatter = DateFormatter('%d')      # e.g., 12 
 
    # Create a new DataFrame which includes OHLC data for each period specified by stick input 
 
    transdat = dat.loc[:,["Open", "High", "Low", "Close"]] 
 
    if (type(stick) == str): 
 
        if stick == "day": 
 
            plotdat = transdat 
 
            stick = 1 # Used for plotting 
 
        elif stick in ["week", "month", "year"]: 
 
            if stick == "week": 
 
                transdat["week"] = pd.to_datetime(transdat.index).map(lambda x: x.isocalendar()[1]) # Identify weeks 
 
            elif stick == "month": 
 
                transdat["month"] = pd.to_datetime(transdat.index).map(lambda x: x.month) # Identify months 
 
            transdat["year"] = pd.to_datetime(transdat.index).map(lambda x: x.isocalendar()[0]) # Identify years 
 
            grouped = transdat.groupby(list(set(["year",stick]))) # Group by year and other appropriate variable 
 
            plotdat = pd.DataFrame({"Open": [], "High": [], "Low": [], "Close": []}) # Create empty data frame containing what will be plotted 
 
            for name, group in grouped: 
 
                plotdat = plotdat.append(pd.DataFrame({"Open": group.iloc[0,0], 
 
                                            "High": max(group.High), 
 
                                            "Low": min(group.Low), 
 
                                            "Close": group.iloc[-1,3]}, 
 
                                           index = [group.index[0]])) 
 
            if stick == "week": stick = 5 
 
            elif stick == "month": stick = 30 
 
            elif stick == "year": stick = 365 
 
    elif (type(stick) == int and stick >= 1): 
 
        transdat["stick"] = [np.floor(i / stick) for i in range(len(transdat.index))] 
 
        grouped = transdat.groupby("stick") 
 
        plotdat = pd.DataFrame({"Open": [], "High": [], "Low": [], "Close": []}) # Create empty data frame containing what will be plotted 
 
        for name, group in grouped: 
 
            plotdat = plotdat.append(pd.DataFrame({"Open": group.iloc[0,0], 
 
                                        "High": max(group.High), 
 
                                        "Low": min(group.Low), 
 
                                        "Close": group.iloc[-1,3]}, 
 
                                       index = [group.index[0]])) 
 
    else: 
 
        raise ValueError('Valid inputs to argument "stick" include the strings "day", "week", "month", "year", or a positive integer') 
 
    # Set plot parameters, including the axis object ax used for plotting 
 
    fig, ax = plt.subplots() 
 
    fig.subplots_adjust(bottom=0.2) 
 
    if plotdat.index[-1] - plotdat.index[0] < pd.Timedelta('730 days'): 
 
        weekFormatter = DateFormatter('%b %d')  # e.g., Jan 12 
 
        ax.xaxis.set_major_locator(mondays) 
 
        ax.xaxis.set_minor_locator(alldays) 
 
    else: 
 
        weekFormatter = DateFormatter('%b %d, %Y') 
 
    ax.xaxis.set_major_formatter(weekFormatter) 
 
    ax.grid(True) 
 
    # Create the candelstick chart 
 
    candlestick_ohlc(ax, list(zip(list(date2num(plotdat.index.tolist())), plotdat["Open"].tolist(), plotdat["High"].tolist(), 
 
                      plotdat["Low"].tolist(), plotdat["Close"].tolist())), 
 
                      colorup = "black", colordown = "red", width = stick * .4) 
 
    # Plot other series (such as moving averages) as lines 
 
    if otherseries != None: 
 
        if type(otherseries) != list: 
 
            otherseries = [otherseries] 
 
        dat.loc[:,otherseries].plot(ax = ax, lw = 1.3, grid = True) 
 
    ax.xaxis_date() 
 
    ax.autoscale_view() 
 
    plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right') 
 
    plt.show() 
 
pandas_candlestick_ohlc(apple)   
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
85.
86.
87.
88.
89.
90.
91.
92.
93.
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
104.
105.
106.
107.
108.
109.
110.
111.
112.
113.
114.
115.
116.
117.
118.
119.
120.
121.
122.
123.
124.
125.
126.
127.
128.
129.
130.
131.
132.
133.
134.
135.
136.
137.
138.
139.
140.
141.
142.
143.
144.
145.

microsoft = web.DataReader("MSFT", "yahoo", start, end) 
 
google = web.DataReader("GOOG", "yahoo", start, end) 
 
# Below I create a DataFrame consisting of the adjusted closing price of these stocks, first by making a list of these objects and using the join method 
 
stocks = pd.DataFrame({"AAPL": apple["Adj Close"], 
 
                      "MSFT": microsoft["Adj Close"], 
 
                      "GOOG": google["Adj Close"]}) 
 
stocks.head() 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

stocks.plot(grid = True) 
1.

stocks.plot(secondary_y = ["AAPL", "MSFT"], grid = True) 
1.

# df.apply(arg) will apply the function arg to each column in df, and return a DataFrame with the result 
 
# Recall that lambda x is an anonymous function accepting parameter x; in this case, x will be a pandas Series object 
 
stock_return = stocks.apply(lambda x: x / x[0]) 
 
stock_return.head()  
1.
2.
3.
4.
5.
6.
7.

stock_return.plot(grid = True).axhline(y = 1, color = "black", lw = 2)  
1.

# Let's use NumPy's log function, though math's log function would work just as well 
 
import numpy as np 
 
stock_change = stocks.apply(lambda x: np.log(x) - np.log(x.shift(1))) # shift moves dates back by 1. 
 
stock_change.head() 
1.
2.
3.
4.
5.
6.
7.

stock_change.plot(grid = True).axhline(y = 0, color = "black", lw = 2)  
1.

apple["20d"] = np.round(apple["Close"].rolling(window = 20, center = False).mean(), 2) 
 
pandas_candlestick_ohlc(apple.loc['2016-01-04':'2016-08-07',:], otherseries = "20d") 
1.
2.
3.

start = datetime.datetime(2010,1,1) 
 
apple = web.DataReader("AAPL", "yahoo", start, end) 
 
apple["20d"] = np.round(apple["Close"].rolling(window = 20, center = False).mean(), 2) 
 
pandas_candlestick_ohlc(apple.loc['2016-01-04':'2016-08-07',:], otherseries = "20d") 
1.
2.
3.
4.
5.
6.
7.

apple["50d"] = np.round(apple["Close"].rolling(window = 50, center = False).mean(), 2) 
 
apple["200d"] = np.round(apple["Close"].rolling(window = 200, center = False).mean(), 2) 
 
pandas_candlestick_ohlc(apple.loc['2016-01-04':'2016-08-07',:], otherseries = ["20d", "50d", "200d"]) 
1.
2.
3.
4.
5.