量化交易之股票数据的获取——Pandas API接口

前言

Pandas库提供了专门从财经网站获取金融数据的API接口，可做为量化交易股票数据获取的另外一种途径，该接口在urllib3库基础上实现了以客户端身份访问网站的股票数据。须要注意的是目前模块已经迁徙到pandas-datareader包中，所以导入模块时须要由import pandas.io.data as web更改成import pandas_datareader.data as web。

---

DataReader方法介绍

查看Pandas的手册能够发现，第一个参数为股票代码，苹果公司的代码为"AAPL"，国内股市采用的输入方式“股票代码”+“对应股市”，上证股票在股票代码后面加上“.SS”，深圳股票在股票代码后面加上“.SZ”。DataReader可从多个金融网站获取到股票数据，如“Yahoo! Finance” 、“Google Finance”等，这里以Yahoo为例。第3、四个参数为股票数据的起始时间断。返回的数据格式为DataFrame。

start = datetime.datetime(2017,1,1)#获取数据的时间段-起始时间
end = datetime.date.today()#获取数据的时间段-结束时间
stock = web.DataReader("600797.SS", "yahoo", start, end)#获取浙大网新2017年1月1日至今的股票数据

---

数据分析

一、打印DataFrame数据前5行和尾部倒数5行（浙大网新因重大事件停牌至1月6日开始复牌）

print stock.head(5)
print stock.tail(5)

二、打印DataFrame数据索引和列名，索引为时间序列，列信息为开盘价、最高价、最低价、收盘价、复权收盘价、成交量

print stock.index
print stock.columns

三、打印DataFrame数据形状，index长度为248，columns数为6，即248个交易日，6项股票数据

print stock.shape

四、打印DataFrame数据查看数据是否有缺失，以及每列数据的类型

print stock.info()

五、打印DataFrame数据每组的统计状况，如最小值、最大值、均值、标准差等

print stock.describe()

六、DataFrame数据中增长涨/跌幅列，涨/跌=（当日Close-上一日Close）/上一日Close*100%

（1）添加一列change，存储当日股票价格与前一日收盘价格相比的涨跌数值，即当日Close价格与上一日Close的差值，1月3日这天无上一日数据，所以出现缺失

change = stock.Close.diff()
stock['Change'] = change
print stock.head(5)

（2）对缺失的数据用涨跌值的均值就地替代NaN。

change.fillna(change.mean(),inplace=True)

（3）计算涨跌幅度有两种方法，pct_change()算法的思想便是第二项开始向前作减法后再除以第一项，计算获得涨跌幅序列。

stock['pct_change'] = (stock['Change'] /stock['Close'].shift(1))#
stock['pct_change1'] = stock.Close.pct_change()

七、DataFrame数据中增长跳空缺口数值序列，这里定义的缺口为上涨趋势和下跌趋势中的突破缺口，上涨趋势中今天的最低价高于昨天收盘价为向上跳空，下跌趋势中昨天收盘价高于今天最高价为向下跳空。遍历每一个交易往后将符合跳空缺口条件的交易日增长缺口数值。

jump_pd = pd.DataFrame()
for kl_index in np.arange(1, stock.shape[0]):
today = stock.ix[kl_index]
yesday = stock.ix[kl_index-1]
today['preCloae'] = yesday.Close   
    if today['pct_change'] > 0 and (today.Low-today['preCloae']) > 0:
        today['jump_power'] = (today.Low-today['preCloae'])
    elif  today['pct_change'] < 0 and (today.High-today['preCloae']) < 0:
        today['jump_power'] = (today.High-today['preCloae'])
    jump_pd = jump_pd.append(today)        
    stock['jump_power'] = jump_pd['jump_power']
    print stock.loc["2017-04-26":"2017-06-15"]#默认打印所有列

八、DataFrame数据保留两位小数显示

format = lambda x: '%.2f' % x
stock = stock.applymap(format)
print stock.loc["2017-04-26":"2017-06-15"]#默认打印所有列

更多python量化交易内容互动请加微信公众号：PythonQT-YuanXiao
欢迎订阅量化交易课程： 连接地址