量化投资与Python——项目案例

需求一：使用tushare包获取某股票的历史行情数据。

# 获取行情
df = ts.get_k_data(code="600519",start='2000-01-01')
# 保存到本地
df.to_csv('./maotai.csv')
# 读取本地csv文件数据
df = pd.read_csv('./maotai.csv')
# 删除 Unnamed: 0 这一列，将 date 列转为时间类型，并设置为 index 列
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df['date'] = pd.to_datetime(df['date'])
df.set_index('date',inplace=True)
print(df.info())    # 查看整个数据集合中各个数据类型
print(df)

需求二：输出该股票所有收盘比开盘上涨3%以上的日期。

# (收盘-开盘)/开盘 > 0.03  返回值为 boolean 值，将 boolean 作为行索引来使用

# 在分析的过程中如果产生了boolean值则下一步马上将布尔值作为源数据的行索引
# 如果布尔值作为df的行索引，则可以取出true对应的行数据，忽略false对应的行数据
# print((df['close'] - df['open'])/df['open'] > 0.03)   # 获取了True对应的行数据（满足需求的行数据）
print(df.loc[(df['close'] - df['open']) / df['open'] > 0.03].index)

需求三：输出该股票所有开盘比前日收盘跌幅超过2%的日期。

# (今日开盘价-昨日收盘价)/昨日收盘价 < -0.02
# print(df['close'].shift(1))    # 使 df['close'] 列整体下移一位
print(df.loc[(df['open'] - df['close'].shift(1)) / df['close'].shift(1) < -0.02].index)

# 需求四：假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？

- 分析：
　　- 时间节点：2010-2020
　　- 一手股票：100支股票
　　- 买：
　　　　- 一个完整的年需要买入1200支股票
　　- 卖：
　　　　- 一个完整的年需要卖出1200支股票
　　-买卖股票的单价：
　　　　- 开盘价

# 买股票：找每个月的第一个交易日对应的行数据（捕获到开盘价）==》每月的第一行数据
# 根据月份从原始数据中提取指定的数据
# 每月第一个交易日对应的行数据
new_df = df['2010-01-01':]
mairu = new_df.resample('M').first()['open'].sum() * 100  # 数据的重新取样，取出每月的第一支股票
maichu = new_df.resample('A').last()['open'][:-1].sum() * 1200  # 取出每年最后一个交易日的收盘价
yu = new_df['close'][-1] * 600  # 剩余股票价值

# print(new_df.resample('M').first()['open']*100)
# print(new_df.resample('A').last()['close'][:-1] * 100)

print(maichu - mairu + yu)

双均线策略

需求一：计算该股票历史数据的5日均线和60日均线
　　- 什么是均线？
　　　　- 对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5天、10天、30天、60天、120天和240天的指标。
　　　　- 5天和10天的是短线操作的参照指标，称做日均线指标；
　　　　- 30天和60天的是中期均线指标，称做季均线指标；
　　　　- 120天和240天的是长期均线指标，称做年均线指标。
　　- 均线计算方法：MA=（C1+C2+C3+...+Cn)/N C:某日收盘价 N:移动平均周期（天数）

df = ts.get_k_data(code="600519", start='2000-01-01')
df.to_csv('./maotai.csv')
df = pd.read_csv('./maotai.csv')
df.drop(labels='Unnamed: 0',axis=1,inplace=True)
df['date'] = pd.to_datetime(df['date'])
df.set_index('date',inplace=True)

ma5 = df['close'].rolling(5).mean()     # 5日均线
ma30 = df['close'].rolling(30).mean()     # 30日均线

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
plt.plot(ma5[20:80],'h-r', label='ma5')
plt.plot(ma30[20:80],'h-b', label='ma30')
plt.legend()
plt.show()

需求二：

- 分析输出所有金叉日期和死叉日期
　　- 股票分析技术中的金叉和死叉，可以简单解释为：
　　　　- 分析指标中的两根线，一根为短时间内的指标线，另一根为较长时间的指标线。
　　　　- 如果短时间的指标线方向拐头向上，并且穿过了较长时间的指标线，这种状态叫“金叉”
　　　　- 如果短时间的指标线方向拐头向下，并且穿过了较长时间的指标线，这种状态叫“死叉”
　　- 一般情况下，出现金叉后，操作趋向买入；死叉则趋向卖出。当然，金叉和死叉只是分析指标之一，要和其他很多指标配合使用，才能增加操作的准确性。

# 分析输出所有金叉日期和死叉日期                                                     
df = pd.read_csv('./maotai.csv')                                      
df.drop(labels='Unnamed: 0', axis=1, inplace=True)                    
df['date'] = pd.to_datetime(df['date'])                               
df.set_index('date', inplace=True)                                    
                                                                      
ma5 = df['close'].rolling(5).mean()                                   
ma30 = df['close'].rolling(30).mean()                                 
s5 = ma5[30:] < ma30[30:]                                             
s30 = ma5[30:] > ma30[30:]                                            
df = df[30:]                                                          
                                                                      
down = s5 & s30.shift(1)                                                
print(df.loc[down].index)       # 死叉                                     
                                                                      
up = ~(s5 | s30.shift(1))                                           
print(df.loc[up].index)    # 金叉  

需求三：如果我从假如我从2010年1月1日开始，初始资金为100000元，金叉尽量买入，死叉全部卖出，则到今天为止，我的炒股收益率如何？

df = pd.read_csv('./maotai.csv')
df.drop(labels='Unnamed: 0', axis=1, inplace=True)
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

ma5 = df['close'].rolling(5).mean()
ma30 = df['close'].rolling(30).mean()
s5 = ma5[30:] < ma30[30:]
s30 = ma5[30:] > ma30[30:]
df = df[30:]

up = ~(s5 | s30.shift(1))  # 金叉
down = s5 & s30.shift(1)  # 死叉

up_code = Series(data=1, index=(df.loc[up].index))
down_code = Series(data=0, index=(df.loc[down].index))
s = up_code.append(down_code)
s = s.sort_index()['2010-01-01']

first_monry = 100000  # 本金，不变
money = first_monry  # 可变的，买股票话的钱和卖股票收入的钱都从该变量中进行操作
hold = 0  # 持有股票的数量（股数：100股=1手）

for i in range(0, len(s)):  # i表示的s这个Series中的隐式索引
    # i = 0(死叉：卖) = 1（金叉：买）
    if s[i] == 1:  # 金叉的时间
        # 基于100000的本金尽可能多的去买入股票
        # 获取股票的单价（金叉时间对应的行数据中的开盘价）
        time = s.index[i]  # 金叉的时间
        p = df.loc[time]['open']  # 股票的单价
        hand_count = money // (p * 100)  # 使用100000最多买入多少手股票
        hold = hand_count * 100

        money -= (hold * p)  # 将买股票话的钱从money中减去
    else:
        # 将买入的股票卖出去

        # 找出卖出股票的单价
        death_time = s.index[i]
        p_death = df.loc[death_time]['open']  # 卖股票的单价
        money += (p_death * hold)  # 卖出的股票收入加入到money
        hold = 0

# 如何判定最后一天为金叉还是死叉
last_monry = hold * df['close'][-1]  # 剩余股票的价值

# 总收益
money + last_monry - first_monry
print(money)

人口分析项目

- 需求：
    - 导入文件，查看原始数据
    - 将人口数据和各州简称数据进行合并
    - 将合并的数据中重复的abbreviation列进行删除
    - 查看存在缺失数据的列
    - 找到有哪些state/region使得state的值为NaN，进行去重操作
    - 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
    - 合并各州面积数据areas
    - 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
    - 去除含有缺失数据的行
    - 找出2010年的全民人口数据
    - 计算各州的人口密度
    - 排序，并找出人口密度最高的州

# 导入文件，查看原始数据
abb = pd.read_csv(r'H:py课件2-课件2_数据分析课件datastate-abbrevs.csv') #state(州的全称)abbreviation（州的简称）
area = pd.read_csv(r'H:py课件2-课件2_数据分析课件datastate-areas.csv') #state州的全称，area (sq. mi)州的面积
pop = pd.read_csv(r'H:py课件2-课件2_数据分析课件datastate-population.csv')#state/region简称，ages年龄，year时间，population人口数量

# 将人口数据和各州简称数据进行合并
abb_pop = pd.merge(abb,pop,left_on='abbreviation',right_on='state/region')
abb_pop

# 将合并的数据中重复的abbreviation列进行删除
abb_pop2.drop(labels='abbreviation',axis=1,inplace=True)
abb_pop2

# 查看存在缺失数据的列
abb_pop2.isnull().any(axis=0)

# 找到有哪些state/region使得state的值为NaN，进行去重操作
abb_pop.loc[abb_pop['state'].isnull()]['state/region'].unique()

# 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN
# 合并各州面积数据areas
# 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行
# 去除含有缺失数据的行
# 找出2010年的全民人口数据
# 计算各州的人口密度
# 排序，并找出人口密度最高的州

消费记录分析

数据文件：消费记录数据

第一部分

第一部分：数据类型处理
    - 数据加载
        - 字段含义：
            - user_id:用户ID
            - order_dt:购买日期
            - order_product:购买产品的数量
            - order_amount:购买金额
    - 观察数据
        - 查看数据的数据类型
        - 数据中是否存储在缺失值
        - 将order_dt转换成时间类型
        - 查看数据的统计描述
            - 计算所有用户购买商品的平均数量
            - 计算所有用户购买商品的平均花费
        - 在源数据中添加一列表示月份:astype('datetime64[M]')

import pandas as pd
from pandas import DataFrame
# 数据加载
df = pd.read_csv(r'H:py高级数据分析科学计算基础包-numpyCDNOW_master.txt',header=None,sep='s+',names=['user_id','order_dt','order_product','order_amount'])
df

# 查看数据的数据类型
df.info()

# 数据中是否存储在缺失值
# df.isnull().any()
df.notnull().all()

# 将 order_amount 转换成时间类型
df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
df

# 查看数据的统计描述
df.describe()

# 在源数据中添加一列表示月份:astype('datetime64[M]')
df['month'] = df['order_dt'].astype('datetime64[M]')
df

　

第二部分

第二部分：按月数据分析
    - 用户每月花费的总金额
        - 绘制曲线图展示
    - 所有用户每月的产品购买量
    - 所有用户每月的消费总次数
    - 统计每月的消费人数

代码实现

# 用户每月花费的总金额
df.groupby(by='month')['order_amount'].sum()

# 绘制曲线图展示
import matplotlib.pyplot as plt
plt.plot(df.groupby(by='month')['order_amount'].sum())
df.groupby(by='month')['order_amount'].sum().plot()

# 所有用户每月的产品购买量
df.groupby(by='month')['order_product'].sum()

# 所有用户每月的消费总次数
df.groupby(by='month')['user_id'].count()

# 统计每月的消费人数
df.groupby(by='month')['user_id'].nunique()

第三部分

第三部分：用户个体消费数据分析
    - 用户消费总金额和消费总次数的统计描述
    - 用户消费金额和消费产品数量的散点图
    - 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
    - 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

代码实现

# 用户消费总金额和消费总次数的统计描述
df.groupby('user_id')['order_amount'].sum()
df.groupby('user_id')['order_product'].count()

# 用户消费金额和消费产品数量的散点图
order_amount = df.groupby('user_id')['order_amount'].sum()
order_product = df.groupby('user_id')['order_product'].sum()
plt.scatter(order_amount,order_product)

# 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount'].hist()

# 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)
df.groupby(by='user_id').sum().query('order_product <= 100')['order_product'].hist()

第四部分

第四部分：用户消费行为分析
    - 用户第一次消费的月份分布，和人数统计
        - 绘制线形图
    - 用户最后一次消费的时间分布，和人数统计
        - 绘制线形图
    - 新老客户的占比
        - 消费一次为新用户
        - 消费多次为老用户
            - 分析出每一个用户的第一个消费和最后一次消费的时间
                - agg(['func1','func2']):对分组后的结果进行指定聚合
            - 分析出新老客户的消费比例
    - 用户分层
        - 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
        - RFM模型设计
            - R表示客户最近一次交易时间的间隔。
                - /np.timedelta64(1,'D')：去除days
            - F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
            - M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
            - 将R，F，M作用到rfm表中
        - 根据价值分层，将用户分为：
            - 重要价值客户
            - 重要保持客户
            - 重要挽留客户
            - 重要发展客户
            - 一般价值客户
            - 一般保持客户
            - 一般挽留客户
            - 一般发展客户
                - 使用已有的分层模型即可rfm_func

代码实现

import pandas as pd
from pandas import DataFrame

# 读取数据
df = pd.read_csv(r'H:py高级数据分析科学计算基础包-numpyCDNOW_master.txt',sep='s+',header=None,names=['user_id','order_dt','order_product','order_amount'])

# 转为时间格式
df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')

# 增加月份一列
df['month'] = df['order_dt'].astype('datetime64[M]')

# 用户第一次消费的月份分布，和人数统计,绘制线形图
df.groupby(by='user_id')['month'].min().value_counts().plot()

# 用户最后一次消费的时间分布，和人数统计,绘制线形图
df.groupby(by='user_id')['month'].max().value_counts().plot()

# 新老客户的占比
new_old_user = df.groupby(by='user_id')['order_dt'].agg(['min','max'])
val = (new_old_user['min'] == new_old_user['max']).value_counts()
# 新用户占比
val[True]/(val[True] + val[False])
# 老用户占比
val[False]/(val[True] + val[False])

　　构建 RFM 数据表

# 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
rfm = df.pivot_table(index='user_id',aggfunc={'order_product':'sum','order_amount':'sum','order_dt':'max'})
rfm

# R表示客户最近一次交易时间的间隔
import numpy as np
new_date = df['order_dt'].max() # 数据中最大时间，假设为当前时间
rfm['R'] = -(rfm.groupby(by='user_id')['order_dt'].max()-new_date)/np.timedelta64(1,'D')
rfm

# F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃
# M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低
# 将R，F，M作用到rfm表中

# 删除 order_dt 列
rfm.drop(labels='order_dt',axis=1,inplace=True)

# 对列进行重命名
rfm.columns = ['M','F','R']
rfm

用户分层

def rfm_func(x):
    level = x.map(lambda x:'1' if x>=0 else '0')
    val = level.R + level.F + level.M
    dit = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要挽留客户',
        '001':'重要发展客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般挽留客户',
        '000':'一般发展客户',
    }
    respons = dit[val]
    return respons
rfm['level'] = rfm.apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm

 第五部分：用户生命周期

第五部分：用户的生命周期
    - 将用户划分为活跃用户和其他用户
        - 统计每个用户每个月的消费次数
        - 统计每个用户每个月是否消费，消费为 1 否则为 0
            - 知识点：DataFrame的apply和applymap的区别
                - applymap:返回df
                - 将函数做用于DataFrame中的所有元素(elements)
                - apply:返回Series
                - apply()将一个函数作用于DataFrame中的每个行或者列
        - 将用户按照每一个月份分成：
            - unreg:观望用户（前两月没买，第三个月才第一次买,则用户前两个月为观望用户）
            - unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活跃用户
            - new:当前月就进行首次购买的用户在当前月为新用户
            - active:连续月份购买的用户在这些月中为活跃用户
            - return:购买之后间隔n月再次购买的第一个月份为该月份的回头客

代码实现

import pandas as pd
from pandas import DataFrame
df = pd.read_csv(r'H:py高级数据分析科学计算基础包-numpyCDNOW_master.txt',sep='s+',header=None,names=['user_id','order_dt','order_product','order_amount'])
df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
df['month'] = df['order_dt'].astype('datetime64[M]')
df

# 统计每个用户每个月的消费次数
month_sum = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0)

# 统计每个用户每个月是否消费，消费为 1 否则为 0
month_sum = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0)
df_purchase = month_sum.applymap(lambda x:1 if x>0 else 0 )
df_purchase

区分用户类别

#将df_purchase中的原始数据0和1修改为new，unactive......,返回新的df叫做df_purchase_new
#固定算法
month_sum = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0)
one_zero = month_sum.applymap(lambda x:'1' if x>0 else '0' )

def active_status(data):
    status = []#某个用户每一个月的活跃度
    for i in range(18):
        
        #若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')
                    
        #若本月消费
        else:
            if len(status) == 0:
                status.append('new')
            else:
                if status[i-1] == 'unactive':
                    status.append('return')
                elif status[i-1] == 'unreg':
                    status.append('new')
                else:
                    status.append('active')
    return status

pivoted_status = df_purchase.apply(active_status,axis=1)


# 转为 list 格式
pivoted_status_list = pivoted_status.values.tolist()

# 生成新的数据表
# new_start_info = DataFrame(data=start_list)
# 生成新的数据表并更换回原 index
new_start_info = DataFrame(data=pivoted_status_list,index=month_sum.index,columns=month_sum.columns)
new_start_info

每月【不同活跃】用户的计数
　　- purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
　　- 转置进行最终结果的查看

new_start_info_ct = new_start_info.apply(lambda x : pd.value_counts(x)).fillna(0)
new_start_info_ct

new_start_info_ct.T