[Python知识库]Python常用记录

基础

使得可显示出多个结果

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'

常用包

import pandas as pd
import numpy as np

from math import log, sqrt, exp

from datetime import date
import datetime

打开文件

data1 = pd.read_csv()

data1.head(

提取出列名

# 取1，2，3列的列名
name_list = np.array(data.columns)[[1,2,3]]

改列名

#按顺序直接改
df.columns = ['A','B']

#对应改，通过字典方式
#如果需要原地修改需要带上inplace=True的参数
df.rename(columns={'a':'A'})

转DataFrame

pd.DataFrame(list1)

设置种子数

# 设置随机数种子，这里是为了结果可重复
np.random.seed(123)

随机数

#dim是维度
np.random.uniform(0, 1, dim)      #一个均匀分布[low,high)中随机采样

np.random.normal(mu, sigma, dim)    #正态分布，0是均值，1是标准差

列表推导式

[表达式 for 迭代变量 in 可迭代对象 [if 条件表达式] ]

#在提取出来的列名中，新增的相关列
RandomPortfolios.columns = [ticker + "_weight" for ticker in ticker_list] 

定义方法

def Xxx(参数):
    """
    Parameters
    
	各个参数的描述
    """
	表达式
	按需看是否有return
	

创建零矩阵

zeros(shape, dtype=float, order='C')


# 下面是3维，每个维度的大小
np.zeros([simul, dim, N])

数据合并

data11 = pd.merge(data1.iloc[:,0:2],data2.iloc[:,0:2],on="日期",how = "inner")
data11.head(

合并后改名

dict1 = {"日期":"Date","收盘_x":"600276","收盘_y":"600900","收盘":"601318"}

data = data.rename(columns = dict1 )

保存数据

data.to_csv('good_data.csv',index=False,header=True) 

画图

最基本的2个库

import matplotlib.pyplot as plt  # 导入图像库
import matplotlib.ticker as ticker
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
import seaborn as sns

其他库

import scipy.stats
from scipy import stats

热力图

# 计算相关矩阵
correlation_matrix = stock_return.corr()

#热力图
sns.heatmap(correlation_matrix,
            annot=True,
            cmap="YlGnBu", 
            linewidths=0.3,
            annot_kws={"size": 8})

plt.xticks(rotation=90)
plt.yticks(rotation=0) 
plt.savefig("./image/corr.jpg", dpi=300, bbox_inches = 'tight')
plt.show()

# 矩阵都可以做热力图
# 计算协方差矩阵
cov_mat = stock_return.cov()

散点图
RandomPortfolios是DataFrame，‘Volatility’, 'Returns’是其字段，做x，y轴，每组（x，y）做一个点。

# 绘制散点图

RandomPortfolios.plot('Volatility', 'Returns', kind='scatter', alpha=0.3)
plt.show()

多了一个Sharpe字段

# 绘制收益-标准差的散点图，并用颜色描绘夏普比率
plt.scatter(RandomPortfolios.Volatility, RandomPortfolios.Returns, c=RandomPortfolios.Sharpe)
plt.colorbar(label='Sharpe Ratio')
plt.ylabel('Return')
plt.xlabel("Volatility")

突出某个点，比如找某字段中最大的索引值，idxmax()

# 找到夏普比率最大数据对应的索引值
max_index = RandomPortfolios.Sharpe.idxmax()

#突出该点，先找到（x，y），用另一颜色作图
RandomPortfolios.plot('Volatility', 'Returns', kind='scatter', alpha=0.3)
x = RandomPortfolios.loc[max_index,'Volatility']
y = RandomPortfolios.loc[max_index,'Returns']
plt.scatter(x, y, color='red')   
plt.savefig("./image/Markowitz-Sharpe.jpg", dpi=300, bbox_inches = 'tight')
plt.show()

突出某个位置

#设置数值，x=

plt.axvline(x=np.array(q_bs).mean(), linewidth=4, color='r') # 置信区间位置

保存图片，放在show() 前

plt.savefig("./image/corr.jpg", dpi=300, bbox_inches = 'tight')