【Python numpy模块】结合金融场景演示numpy模块的操作

##基本操作输入数组，对数组进行切片和索引

##本篇文章所有操作展示均在spyder命令行窗口

股票简称	2018年9月3日	2018年9月4日	2018年9月5日	2018年9月6日	2018年9月7日
中国石油	0.3731%	2.1066%	-0.4854%	0.6089%	-0.6060%
工商银行	-0.1838%	0.1842%	-1.6544%	-0.3738%	0.3752%
上汽集团	-0.3087%	-0.0344%	-3.3391%	0.7123%	0.4597%
宝钢股份	-2.4112%	1.1704%	2.9563%	1.4570%	1.6129%

##首先导入numpy模块并查看numpy的版本号（在命令型窗口）

##用np命名模块numpy

In [1]: import numpy as npIn [2]: np.__version__         ##这里__是两个下划线
Out[2]: '1.15.4'

##表中的数据为多维数据，使用列表来进行计算的话过于繁琐，用数组进行向量和矩阵计算就显得格外简洁明了

##下面用数组的方式在Python中输入开头四只股票的涨跌幅情况


In [3]: stock_return=np.array([[0.003731,0.021066,-0.004854,0.006098,-0.00606],[-0.001838,0.001842,-0.016544,-0.003738,0.003752],[-0.003087,-0.000344,-0.033391,0.007123,0.004597],[-0.024112,0.011704,-0.029563,-0.01457,0.016129]])In [4]: stock_return             ##输出数组
Out[4]:
array([[ 0.003731,  0.021066, -0.004854,  0.006098, -0.00606 ],[-0.001838,  0.001842, -0.016544, -0.003738,  0.003752],[-0.003087, -0.000344, -0.033391,  0.007123,  0.004597],[-0.024112,  0.011704, -0.029563, -0.01457 ,  0.016129]])In [5]: stock_return.shape       ##用shape判断得到这是一个（4,5）的二维数组
Out[5]: (4, 5)

##接下来需要将这四只股票的配置比例输入

##以列表的方式输入

##再将列表转换为数组

In [6]: weight_list=[0.15,0.2,0.25,0.4]In [7]: weight_array=np.array(weight_list)In [8]: weight_array               ##输出配置比例数组
Out[8]: array([0.15, 0.2 , 0.25, 0.4 ])

##这里输入股票涨跌幅的方法是直接输入，输入配置比例的方法是先输入列表，再将列表转化为数组，现实运用中两种方法都可以。

##查看数组的一些相关属性


In [9]: weight_array.ndim          ##查看数组维度
Out[9]: 1In [10]: stock_return.ndim
Out[10]: 2In [11]: weight_array.size        ##查看数组的元素数量
Out[11]: 4In [12]: stock_return.size
Out[12]: 20In [13]: weight_array.dtype        ##查看数组元素类型
Out[13]: dtype('float64')In [14]: stock_return.dtype
Out[14]: dtype('float64')

##数组的索引与切片

## 得到上汽集团在2018年9月6日的股票涨跌幅


In [15]: stock_return[2,3]        ##原数据在第三行第四列，python中从0开始计数
Out[15]: 0.007123

##得到工商银行和上汽集团在2018年9月5日到2018年9月7日的涨跌幅数据


In [16]: stock_return[1:3,3:5]        ##python中从0开始计数,遵循前闭后开
Out[16]:
array([[-0.003738,  0.003752],[ 0.007123,  0.004597]])

##计算投资组合（按照不同股票的权重）中每个交易日（9.3-9.7）的平均收益率。

上传代码截图以及运行结果。

In [17]: average_return= np.dot (weight_array,stock_return)  ##用dot函数计算矩阵之间的内积In [18]: average_return
Out[18]: array([-0.0102245 ,  0.0081239 , -0.02420985, -0.00388015,  0.00744225])

【Python numpy模块】结合金融场景演示numpy模块的操作相关推荐

android 串口 wifi模块,一文深度了解串口WiFi模块的应用场景
原标题:一文深度了解串口WiFi模块的应用场景串口WiFi模块是应用极广泛的一种无线通信模块,其广泛应用于智能家居设备中,主要应用包括:无线家电.仪表.智能插座.智能开关.智能网关和智能灯泡等,下面 ...
100G CFP光模块类型应用场景详解
目前,全球电信行业平稳发展,宽带用户稳定增长,随着大数据市场的迅猛发展,骨干网.接入网和数据中心建设均需采购大量的光通信产品,从而给光模块行业带来了全新的市场机遇.如今,100G光模块已成为市场发展的 ...
python时间处理模块datetime+dateutil、numpy时间处理模块datetime64以及pandas时间处理模块Timestamp的演化路径及常用处理接口
python时间处理模块datetime+dateutil.numpy时间处理模块datetime64以及pandas时间处理模块Timestamp及常用处理接口 python时间处理模块dateti ...
python np fft_Python的武器库05：numpy模块(下)
说到编程语言python,有一个著名的格言"余生太短,只用python".如果要分析为什么会存在这么一句格言?python的语法并不简单,有复杂难懂的部分,之所以又这样一句格言,是 ...
python画函数图像要用到的模块_教你如何绘制数学函数图像——numpy和matplotlib的简单应用...
numpy和matplotlib的简单应用一.numpy库 1.什么是numpy NumPy系统是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表 ...
python numpy和pandas库的区别_Python模块 - Numpy与Pandas
Numpy简介 Numpy是高性能科学计算和数据分析的基础包.它是pandas等其他各种工具的基础. Numpy的主要功能: ndarray,一个多维数组结构,高效且节省空间无需循环对数组数据进行快 ...
python搭建numpy_python开发环境搭建及numpy基本属性-【老鱼学numpy】
目的本节我们将介绍如何搭建python的开发环境以及numpy的基本属性,这样可以检验我们的numpy是否安装正确了. python开发环境的搭建工欲善其事必先利其器,我用得比较顺手的是Intel ...
python科学计算笔记（一）NumPy中ndarray对象、ufunc运算、矩阵运算
标准安装的Python中用列表(list)保存一组值,可以用来当作数组使用,不过由于列表的元素可以是任何对象,因此列表中所保存的是对象的指针.这样为了保存一个简单的[1,2,3],需要有3个指针和三个 ...
超级攻略！Pandas\NumPy\Matrix用于金融数据准备
来源:数据STUDIO 数据准备是一项必须具备的技术,是一个迭代且灵活的过程,可以用于查找.组合.清理.转换和共享数据集,包括用于分析/商业智能(BI).数据科学/机器学习(ML)和自主数据集成中.具 ...

【Python numpy模块】结合金融场景演示numpy模块的操作

【Python numpy模块】结合金融场景演示numpy模块的操作相关推荐

最新文章

热门文章