原标题：Pandas 入门小案例

课程简介

本课程主要通过数据分析高手Pandas，辅助以Numpy、Matplotlib模块，对中国股市股票之王“贵州茅台”一年的数据进行了下载、分析，并以这些数据为基础，做了几个经典指标的代码实现，以图像的形式直观展示。

案例分析

课程导学

Hi~ 同学，你好啊~ ，很高兴和你一起通关学习，我是本门课程的老师，加法老师。
ch1-老师头像.png

你即将要学习的课程——《股票数据分析的好搭档——Pandas》是一门实战课程！课程中主要是用Pandas这门技术对股票数据进行了分析，学过之后呢，你会对Pandas的使用有一个非常直观的了解，同时也会对股票数据有一个更深入的认识。ch1-pandas.png

不知道你有没有接触过股票或者未来是否计划接触股票，如果想在股市上淘金，分析股票是必不可少的，但是A股股票多达三千多只，时间跨度长达十年，股票数据量之大可想而知，想要人工去分析数据，嗯，还是放弃幻想吧。
这时，万能的Python上场了（厉害表情）!!!不错，Python可以分析数据，战斗力强悍，而Python专业的数据分析模块就是Pandas。Pandas，为数据分析而生的战士，正式亮相啦~~

有没有很想学？那加法老师将在接下来的关卡中给你详细介绍一下如何用Pandas来分析股票数据！

前置知识

本课程主要通过数据分析高手Pandas，对中国股市股票之王“贵州茅台”的数据进行了分析，在分析的过程中需要借助Numpy、Matplotlib模块的知识，因此需要你对”Numpy模块”与”Matplotlib模块”有一定的了解。

最终效果展示

对于股票爱好者来说，要想分析一只股票是否值得投资，必须要关注数据就是收盘价和交易量。
以”贵州茅台”股票为例，从相关网站下载后的数据可以多种形式存储，本文是以Excel表格的形式呈现，比如下面这张图，是close（收盘价）和volume（交易量）两列值的部分数据截图。
ch1-close_volume.png
经过Pandas处理后，收盘价和交易量的关系就很直观的展现在我们面前：
close_volumn.png
是不是一下子就一目了然，清晰的很呢。通过Pandas对数据处理后，再通过图片展示出来，股票的相关信息就很直观的呈现在我们面前，从而为我们分析这只股票的量价关系提供了很好的方法。

核心思路拆解

要想实现从0数据到清晰明朗的数据图片展示，我们需要完成以下的三个步骤，这也是你以后完成任何数据分析工作所要遵守的步骤。

ch1-核心思路拆解.png

学习目标

要想实现上图的呈现效果，需要用到以下的几个知识点，这也是老师希望你能够在学习完这门课程之后获得的技能点：

  1. Python的Pandas模块
  2. 股票数据下载的baostock模块
  3. 股票分析的talib模块

以上几个模块就构成了我们发财方阵啦，想要发财的同学们，跟上节奏，开始我们的第一关吧。

第一步 不打无准备之战——数据分析准备工作

正式闯关之前，再跟着老师回忆一下，我们的目标是~~~没有蛀牙（什么什么呀）！
我们本门课程的核心目标是用数据分析工具Pandas分析股票数据，帮助你走上人生巅峰。那要想实现这一目标，我们得先做一些准备工作，了解什么是数据分析，什么是Pandas，掌握安装所需要的工具。
加法老师从不打无准备之战，你也是，让我们马上开始吧！

1、数据分析的概念

想要用Pandas来分析股票数据，数据分析这个概念是必须要搞清楚的。
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

股票数据当然也是数据的一种。股票市场中起起落落的股价，吸引着大量的人们投身其中，他们都报有一个目的——发财。但现实是，他们也有一个共同的名字——韭菜。
如何在股市中找到发财真经就成了诸多股民的终极梦想。股票数据的分析就成为其中一条可以探索的道路，而Pandas的出现，犹如股票数据分析道路上出现的一辆跑车，极大的提高了股票数据分析的效率和速度，利用它，可以快速准确的从海量股票数据中找出价值、规律。。。。

“呯。。。”，一块砖头飞过。
长草 (37).gif
小白同学：“老师，别说概念了，快讲Pandas，我要发财，不，，我要学习进步”
加法老师：“哦，哦，好的，先把砖头放下，别砸坏花花草草”

2、Pandas模块的用途

说起Pandas，它的功能可不简单。Pandas承担Python的强大功能之一——数据处理分析功能，可以解决数据的预处理工作，如数据类型的转换、缺失值的处理、描述性统计分析和数据的汇总等，正因为它的功能多，所以有着瑞士军刀的称号。

Pandas是基于Numpy的一种工具，或者说他们俩是铁哥们，俩个在一起可是1+1>2的效果。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。同时，Pandas也提供了大量能使我们快速便捷地处理数据的函数和方法。
Pandas的存在，使Python成为了强大而高效的数据分析环境，可以说，Pandas为Python的编程地位的提高贡献颇多。

你可能不知道，Pandas最初是被作为金融数据分析工具而开发出来，因此，Pandas为时间序列分析提供了很好的支持。所以，今天我们讲的股票数据分析，用Pandas作为工具是没错啦。

3、Pandas的安装

了解了Pandas的强大功能，接下来就需要安装Pandas。
Pandas的安装和Python惯有的安装方式一样，简单容易操作，通过pip命令就欧克了。

安装命令：pip install Pandas【备注：标红框】
ch2-pip_pandas.png

如果要验证安装是否成功，可以引入Pandas库，如果没有报错就是安装成功啦。
ch2-import_pandas.png

当你输入后结果和上图一样时候，就是安装成功，可以使用这个模块了。

小白同学：“。。。。。。”
加法老师：“哈哈，小白同学，我可没有骗学费啊，真的就这么简单啊”

4、通关练习

这一关的知识非常简单，主要就是概念的介绍，还有一个简单的操作，安装Pandas，所以说，作业也很简单，就是大家在自己的机器上把Pandas安装好，并检查安装成功否，因为我们后面几关要用，加油哦。

5、本关总结

  1. 简单给大家总结一下本关所学内容，如图所示：

股票数据分析的好搭档——Pandas - 图9学习完有些枯燥的概念，做完了准备工作，让我们来开始真正实战吧，万里长征第一步——数据的下载。

第二步 巧妇难为无米之炊——数据的下载与处理

要想分析数据，首先得有数据，老人常说，巧妇难为无米之炊，那我们这一关的目标就是获取“米”——数据，顺便“洗一洗米”——简单处理数据。

先看一下加法老师下载下来的数据，成果丰硕啊，这也是在这一关我们要完成的目标——实现数据下载并做简单处理。 gzmt_recod.mp4 (12.41MB)

1、数据下载方式

股票数据的下载方式还是多种多样的，可以用我们以前学过的爬虫技术，从各大金融网站上扒取股票数据，很多网站也有提供比较友好的下载方式。
有一些收费的平台可以提供股票历史数据，比如tushare（原先不收费，我经常用，现在学坏了）。也有一些免费提供股票数据的平台，比如证券宝www.baostock.com。

鉴于我们的现实情况（没钱），当然要选择免费的平台——证券宝了，加法老师给你简单介绍下它。
证券宝是一个免费、开源的证券数据平台：**

  • 提供大量准确、完整的证券历史行情数据、上市公司财务数据等。
  • 通过Python API获取证券数据信息，满足量化交易投资者、数量金融爱好者、计量经济从业者数据需求。
  • 返回的数据格式：
    • Pandas DataFrame类型，以便于用Pandas/NumPy/Matplotlib进行数据分析和可视化。
    • 同时支持通过BaoStock的数据存储功能，将数据全部保存到本地后进行分析。
  • 支持语言：目前版本BaoStock.com目前只支持Python3.5及以上(暂不支持Python 2.x)

最最重要的，它将一如既往的以免费、开源的形式分享出来，大家的最爱啊。

2、数据的下载

要想顺利下载数据，首先要做的是安装证券宝。
我们还是用Python那简单的不要不要的方式来安装它，走起。
安装命令：pip install baostock
ch3-数据的下载.png
安装好之后就可以下载股票数据了（有点小激动呢，感觉离爆发户不远了），那么多支股票，真是挑花眼了啊，到底下载哪支股票的数据来分析呢？还是下载大A股最贵的股票—“贵州茅台”吧（名字里就带个‘贵’，怪不得贵），A股之王，市值、股价均第一啊！当前价格一千四百多了一股，一手（100股）要14万元！
惊讶（8）.gif
我们要获取的数据为历史A股K线数据，这里老师要隆重介绍一个获取数据的关键函数，没有之一（是考点哦）。
获取历史A股K线数据：query_history_k_data_plus()

  • 方法说明：通过这个API接口获取A股历史交易数据，可以通过参数设置获取日k线、周k线、月k线，以及5分钟、15分钟、30分钟和60分钟k线数据，适合搭配均线数据进行选股和分析。
  • 返回类型：Pandas的DataFrame类型。
  • 数据范围：能获取2006-01-01至当前时间的数据。

下面这段代码下载了贵州茅台2019年6月-2020年5月一年的数据，并把结果命名为“600519_stock_k_data.csv”，然后保存在D盘。

  1. import baostock as bs
  2. import pandas as pd
  4. #### 登陆系统 ####
  5. lg = bs.login()
  6. #### 获取上证指数19-20 K线数据 ####
  7. rs = bs.query_history_k_data_plus("sh.600519",
  8.     "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",#adjustflag：复权类型，默认不复权：3；1：后复权；2：前复权。
  9.     start_date='2019-06-01', end_date='2020-05-31',#start：开始日期（包含），格式“YYYY-MM-DD”，
  10.     frequency="d", adjustflag="3")#frequency：数据类型，默认为d，日k线；d=日k线
  11. #### 打印结果集 ####
  12. data_list = []
  13. while (rs.error_code == '0') & rs.next():
  14.     # 获取一条记录，将记录合并在一起
  15.     data_list.append(rs.get_row_data())
  16. result = pd.DataFrame(data_list, columns=rs.fields)
  17. #### 结果集输出到csv文件 ####   
  18. result.to_csv("D:\\600519_stock_k_data.csv", index=False)
  19. print(result)
  20. #### 登出系统 ####
  21. bs.logout()

关于其中的关键函数query_history_k_data_plus()，加法老师做一下重点讲解：下图“返回类型”不太准确，最好改为“返回数据的列名 ”
ch3-query_history_k_data_plus()函数.png
参数说明：

  • 股票代码：sh或sz.+6位数字代码，代表要下载的股票数据，”sh.600519”表示我们要下载的贵州茅台；
  • 返回类型：填写的参数表示我们想要哪些数据，那加法老师想要的数据是这些：

返回数据说明.png

  • start：开始日期（包含），格式“YYYY-MM-DD”；
  • end：结束日期（不包含），格式“YYYY-MM-DD”；
  • frequency：数据类型，默认为d，日k线；d=日k线、w=周、m=月、5=5分钟、15=15分钟、30=30分钟、60=60分钟；
  • adjustflag：复权类型，默认不复权，1：后复权，2：前复权，3：不复权。

运行代码，获得股票交易数据，老师用下图展示出来了部分数据：
ch3-下载的数据.png

3、数据的处理

观察上面的数据我们发现，2019-06-07、2019-06-08和2019-06-09这三天是没有数据的，原因是端午节、周末两天不进行股票交易， 所以是没有数据的，但是在我们分析数据时需要连续的数据，所以我们对缺失的数据进行填充。
填充的原则是将周末的交易量和金额填充0，价格使用前一天的数据进行填充。
对缺失的数据进行填充，要用到一个函数：reindex(）

ch3-reindex()函数.png
以下是代码：

  1. CSV_GM_PATH="D:\\600519_stock_k_data.csv" #我们前面的代码已经把数据下载到了这个文件里，这里直接读取
  2. df1=pd.read_csv(CSV_GM_PATH) #读取数据
  3. # 填充数据：生成日期索引
  4. idx = pd.date_range(start="2019-06-03", end="2020-05-29")  #根据起始日期生成新的日期索引，包含了周末两天，日期连续
  6. df_date=df1.set_index("date") #把“date”这一列设置为索引
  7. df_date = df_date.set_index(pd.to_datetime(df_date.index)) #设置索引类型为日期型
  8. df_date_new=df_date.reindex(idx,method="ffill")           #把生成的连续日期的索引引入进来，
  9. #保证日期连续，空值用前一天的填充

下图是没处理前的，缺少周末的日期和数据，是不连续的：
ch3-缺数据.png
下图是处理后的数据，日期连续了，数值也用前一天的填充了：
ch3-补数据.png

小白同学：“这么几步就处理完数据了，这也太简单了，毛毛雨嘛！”
加法老师：“既然简单，老师就给你出道题目做做。”
小白同学：“当我没说”

4、通关练习

  1. 既然是实战课，老师就出道实战题，上面是处理的贵州茅台的股票数据，请同学们自己找到一只股票，把它的股票数据下载下来，并把间断日期的数据填充起来。<br />参考答案：【给学生一个参考答案，也就是代码文件，最后我们以资料包形式把代码上传到平台上，给到学生做参考】<br />参考程序：<br />见资源库 答案

5、本关总结

数据处理是数据分析很重要的一步，有一个流行的说法是“错误的数据产生错误的结果，垃圾的数据产生垃圾的结果”，如果数据是没经过处理的，那用这种数据来做分析，结果也可能会产生不理想的结果。所以一般数据在被用来分析前，一般都要经过处理。 股票数据分析的好搭档——Pandas - 图19这一关学习了数据分析前的两大步骤，数据下载和数据处理，Pandas都提供了相应的接口来实现相应的功能。数据准备好了，开始分析数据吧。

第三步 股神修炼第一步——-股票波动率

1、波动率的概念与含义

股票每天的价格都是起起伏伏，每天都会有一个最高价和最低价。

bodong.png
为了通过数据来记录股票每天的波动情况，我们引入了一个概念——股票波动率。股票波动率就是在一定时间周期内，以最高价/最低价来作为股票波动的指标。

其实当股票出现了波动时，并不一定就是坏事。若是一只股票经常都很活跃，却突然变得波动比较小，那么它就有可能会跌。若是一只股票长期都很平稳，却突然有了波动，那么这只股票倒是有涨的可能。所以股票的波动其实是非常正常的现象，是股票的一种特点，利用好了，可以打价格差来赚钱哦。

2、通过程序计算一只股票的波动率

了解了波动率的概念，我们开始着手来编程实现它，以我们上一关的数据为基础，实现代码如下，是不是看着有点多啊！

  1. def get_grouping(total,group_len):  #按30天分组
  2.     group_count=total//group_len 
  3.     group_index=np.arange(total)
  4.     for i in range(group_count):
  5.         group_index[i * group_len:(i+1)*group_len]=i
  6.     group_index[(i+1) * group_len:]=i+1
  7.     return group_index.tolist() #返回结果转为列表
  8. #根据索引分组计算成交额、最低价和最高价
  9. #为负表示先出现最高价再出现最低价，即下跌波动
  10. def get_ceiling_price(price):
  11.     return price.idxmax() > price.idxmin() and np.max(price) or (-np.max(price)) #idxmax计算能够获取到最大值的索引位置（整数）,如果是上升的取正值，如果是下降的取负值
  12. #根据索引分组计算，取出最低价和最高价，符号仅仅表示上升还是下降。
  14. period=30 #选择计算波动率的周期
  15. group_index=get_grouping(len(df_date_new),period)
  16. df_date_new['group_index']=group_index           # 将分组的结果作为“group_index”一列加入到数据集里去
  17. group=df_date_new.groupby('group_index').agg({
  18.     'volume':'sum',
  19.     'low':'min',
  20.     'high':get_ceiling_price
  21. })
  22. data_col=pd.DataFrame({'group_index':group_index,'date':idx})  #创建一数据集，有两列 group_index date
  23. group['date']=data_col.groupby('group_index').agg('first')   #取出data_col 每一个数据集的第一个日期给group 作为新一列
  24. group['ripples_ratio']=group.high/group.low   #计算波动率 赋值给新的一列 ripples_ratio
  25. ripples=group.sort_values('ripples_ratio',ascending=False)  #对波动率这一列排序，降序

小白同学：“老师，你不是说Python很简单吗，用起来节约生命吗，怎么这么长的代码，我不干了，退学费！”
加法老师：“Python当然简单了，但是股票赚钱可不简单哦，要不然股市里怎么出那么多百万富翁啊”
小白同学（精神一震）：“老师，别说了，为了钱，，不不，为了进步，这点代码难不到我，快讲”

为了更好的理解，下面老师将对代码进行分解，分段介绍。

1.波动率要选择一个周期，我们选择30天为一单位

  1. period=30

2.设计一个函数 get_grouping（），用来以30为单位把数据分组

  1. group_index=get_grouping(len(df_date_new),period) #调用这个函数，参数为数据的行数和周期数30
  2. def get_grouping(total,group_len):  #按30天分组
  3.     group_count=total//group_len    #数据总行数除以周期数30，得到分组数group_count
  4.     group_index=np.arange(total)   # 用numpy 生成一组索引 group_index,长度为数据的长度
  5.     for i in range(group_count):     #进行一个for循环，对group_index进行修改，每30个元素改成相同的一个值，这个值就是组号。
  6.         group_index[i * group_len:(i+1)*group_len]=i
  7.     group_index[(i+1) * group_len:]=i+1
  8.     return group_index.tolist() #返回结果转为列表

3.将函数的结果作为数据的一列加入到数据，这样每一行数据都有了自己的组号。

  1. df_date_new['group_index']=group_index

4.以刚加的组号作为分组已经，对数据进行处理

  1. group=df_date_new.groupby('group_index').agg({  #以group_index 来分组
  2.     'volume':'sum',                               #‘volumn’ 分组内求和
  3.     'low':'min',                                  #‘low’是当天最低价，这是找出组内最低的low值
  4.     'high':get_ceiling_price                     #high是每天最高值，这里调用了 get_ceiling_price 函数
  5. })

5.使用get_ceiling_price 函数，作用是找出分组内的最高值，并且对价格上升还是下降判断并返回结果

  1. def get_ceiling_price(price):
  2.     return price.idxmax() > price.idxmin() and np.max(price) or (-np.max(price)) 
  3. #idxmax计算能够获取到最大值的索引位置（整数）,如果是上升的取正值，如果是下降的取负值

6.有了前面的数据处理，就可以计算波动率了

  1. data_col=pd.DataFrame({'group_index':group_index,'date':idx})  
  2. #创建一数据集，有两列 group_index、 date
  3. group['date']=data_col.groupby('group_index').agg('first')   
  4. #取出data_col 每一个数据集的第一个日期给group 作为新一列
  5. group['ripples_ratio']=group.high/group.low   
  6. #计算波动率 赋值给新的一列 ripples_ratio
  7. ripples=group.sort_values('ripples_ratio',ascending=False)  #对波动率这一列排序，降序

程序运行后的部分结果如下图：
ch4-结果.png
最右边一列就是我们算出来的波动率。

3、通关练习

到了练习时间了，上一关老师让你们下载了一只股票的数据并处理了，这一关老师让你们继续处理你们的数据，以20天为周期，计算出你手里股票的波动率。
参考答案 见资源库答案

4、本关总结

总体来讲，波动率的计算稍微有些费力，但这个指标可以很好的帮助股民来掌握一支股票的特征，在学习编程的过程中，也可以掌握一些Python有用的函数，比如tolist 把一维numpy数组转为列表，sort_values对元素进行排序，groupby对数据进行分组，idxmax、idxmin是分别找出最大值和最小值的id位置，在数据分析中，这些都是很有用的函数。 股票数据分析的好搭档——Pandas - 图22经过这一大波程序的洗礼，我们来点小清新的程序，下一关走起。

第四步 集各派秘籍于一身——股票数据的花式玩法

要真正得出股票的走势，要多方面去了解股票的特性，仅仅知道股票的波动率是远远不够的，还要根据实际情况来分析股票的多个特征，本关就介绍几个提取股票特征的方法，多多学习这些方法，会让你分析股票的时候有更完整视野。
股票数据的花式玩法.png

1、计算股票涨跌幅的方式

涨跌幅定义为今日收盘价减去昨日收盘价，该怎么写这个程序呢？好像有点复杂，其实对于Pandas来说，早就把这个常用指标定义好了，就是diff()函数。
自动计算出今天和前一天的数据差值：diff()。
ch5-diff()函数.png
采用diff()函数，对close这一列的值进行了差值计算，就是每一个元素减去前一个元素所得到的值，把得到的值作为一列元素加入到现数据中：

  1. rise=df_date_new.close.diff() #diff函数，对close这一列的值进行了差值计算，就是每一个元素减去前一个元素所得到的值
  2. df_date_new['rise']=rise      #把得到的值作为一列元素加入到现数据中
  3. df_date_new['rise_rate']=df_date_new['rise']/(df_date_new['close']-df_date_new['rise'])  #计算涨跌幅的百分比
  4. df_date_new['rise_rate']=round(df_date_new['rise_rate']*100,2)       #改成百分之几的格式

采用diff()这个既有的函数，可以省去了很多功夫，结果如下，最右边两列分别是差值和差值的百分比：
ch5-涨跌幅.png
从上图中的rise_rate这一列数据可以简单得出一个结论，它的涨跌幅都在2%以下波动，振幅并不大，不适合做波段。

2、编写股票指标MACD

MACD可是一个大名鼎鼎的指标，没有哪个股票软件不把它放在第一个指标位置，它又被称为异同移动平均线，是从双指数移动平均线发展而来的，计算两条不同速度（长期与中期）的异同移动平均线（EMA）的差离状况来作为研判行情的基础。依据MACD指标衍生出很多买卖股票的技术，比如经典的“金叉买，死叉卖”等等。具体计算方法有些复杂，我们也不去管它的具体计算方法，因为第三方库talib已经写好了这个函数，拿来直接用就可以了。
1、首先要引入这个talib包，如果没有，要先安装，还是老方法。
安装代码：pip install talib

  1. import talib  as ta

2、通过ta.MACD()这个函数，就可以得出macd的几项指标：

ch5-ta.MACD()函数.png
通过MACD函数对close值进行计算，得出几项结果放入到df_date_new数据里：

  1. close = [float(x) for x in df_date_new['close']]  #把“close”的值变为浮点型
  2. df_date_new['macd'],df_date_new['macdsignal'],df_date_new['macdhist']=ta.MACD(np.array(close),fastperiod=12,slowperiod=26,signalperiod=9)
  3. #通过MACD函数对close值进行计算，得出几项结果放入到df_date_new数据里

下面是程序运行后df_date_new的显示结果，因为是取了12 天和26天的平均值，所以前12行和前26行是部分没有结果的：
ch5-macd.png
下图将MACD结果数据绘制成图，更加直观。
mac.png
通过图片展示的形式就可以用指标来理解股票了，比如“金叉买，死叉卖”来解释这个图的话，可以找到金叉点（红圈）买、死叉点（黄圈）卖，本图只是抛砖引玉，更多的 内容需要你来解密。

3、绘制成交量和收盘价的关系时间序列图

加法老师：“股票里有一个非常可值得挖掘信息就是交易量和股价的关系。。。”
小白同学：“量增价涨，短期买入信号、量增价平，持股待涨信号、量增价跌，弃卖观望信号。。。。”
加法老师：“小白同学表现不错嘛，量价关系口诀背的这么好，今天我们就来把他们的关系画出来，分析起来就更方便了”

以下程序用了Matplotlib模块的知识，以收市价close 和交易量volume两个元素为内容进行了绘图，时间跨度为2019.6-2020.5。

  1. df_date_new[['close','volume']].plot(secondary_y='volume',grid=True,label="maotai")
  2. plt.title('2019-2020 close and volume',fontsize='9')
  3. plt.legend(loc='best',fontsize='small')
  4. plt.show()

图片显示的结果如下图所示，是不是一眼看去看不出来什么逻辑啊，如果要分析出量价关系，还需要有学习一定的股票知识才可以，这里展现出了图片的显示方式，个股的分析技术还需要自己多学习啊，像小白同学那样，至少量价关系的口诀要背会看懂哦。
volumn_close.png

4、通关练习

本关讲了几个Pandas里的股票函数，diff函数、 MACD函数，本节的作业就是利用这两个函数，根据你前面下载的股票数据，算出它 的涨跌幅和MACD 数据，并利用matplotlib模块把它画出来。
参考答案：见资源库答案
除了本章讲的股票函数，还有很多股票函数需要大家自己去探索，本关只是给大家起个引子，让大家了解Python在股票数据分析上的强大，很多复杂的指标都已经给封装好了。 股票数据分析的好搭档——Pandas - 图30要分析好股票数据，Python还有其他模块可以辅助Pandas做好数据分析，如Numpy 、talib、Matplotlib等等。

总结与拓展

课程总结

好了，这门课程到这里就结束了，鉴于股票数据和指标的复杂和繁多，Python上支持股票数据分析的函数也是相当的多，要全部掌握还是不小的工作量呢，对股票数据分析有兴趣的同学课后要努力学习啊，本门课学习的知识点也不少，加法老师帮大家总结了重点知识树，往下看：

股票数据分析的好搭档——Pandas - 图31结合这张重点知识树，老师带领大家，按照数据分析的流程，回忆一下我们所学的知识。

  • 数据下载：数据分析首先要有数据，我们用了免费下载股票数据的平台——证券宝，它的网址是www.baostock.com。安装baostock模块的方式也很简单，pip install baostaock 这个命令就可以了。
  • 数据处理：下载好的数据一般要经过数据处理（也叫数据清洗）这道程序，通常是对残缺的和不连续的数据进行处理，处理的方式有很多种，本文用的是前值填充法，经过处理的数据，就是健康的可以用的数据了。
  • 股票数据分析：股票分析的方法有很多很多，前人已经总结了很多公式和例子，本文讲解了几个经典指标，MACD、涨跌幅、波动率，这些指标Python也有相应的函数来计算它，比如talib.MACD() ,diff(), 还有Pandas的分组函数groupby,排序函数 sort_values(),定位函数idxmax()等等。
  • ps：Python还有numpy模块 matplotlib模块，都是对数据分析很好的助手，因为是其他课程的知识点，本文没有过多介绍。

知识拓展

本文只是对“贵州茅台”这么一只股票做了分析，如果同学掌握好了本文所有内容，也可以下载“上证指数”的股票信息，这个指数的样本股是在上海证券交易所全部上市股票，是整体股票市场情况的体现，通过把它和个股进行对比，可以得出个股是否强于大盘，从而为你买股票得出一个依据。如果你有兴趣的话，可以通过本节的知识点去分析分析。

小白同学：“老师，学了这么多，我都感觉自己是股神了，我要去驰骋股场了，还有什么话叮嘱我吗?”
加法老师：“为师唯一的希望，就是，发财了别忘记老师啊。。”