在 SegmentFault，学习技能、解决问题
每个月，我们帮助 1000 万的开发者解决各种各样的技术问题。并助力他们在技术能力、职业生涯、影响力上获得提升。
标签：至少1个，最多5个
Pandas库提供了专门从财经网站获取金融数据的API接口，可作为量化交易股票数据获取的另一种途径，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。需要注意的是目前模块已经迁徙到pandas-datareader包中，因此导入模块时需要由import pandas.io.data as web更改为import pandas_datareader.data as web。
DataReader方法介绍
查看Pandas的手册可以发现，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。第三、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()#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)#获取浙大网新日至今的股票数据
1、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)
2、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
3、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
4、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()
5、打印DataFrame数据每组的统计情况，如最小值、最大值、均值、标准差等
print stock.describe()
6、DataFrame数据中增加涨/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，因此出现缺失
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()算法的思想即是第二项开始向前做减法后再除以第一项，计算得到涨跌幅序列。
stock['pct_change'] = (stock['Change'] /stock['Close'].shift(1))#
stock['pct_change1'] = stock.Close.pct_change()
7、DataFrame数据中增加跳空缺口数值序列，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。遍历每个交易日后将符合跳空缺口条件的交易日增加缺口数值。
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'])
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["":""]#默认打印全部列
8、DataFrame数据保留两位小数显示
format = lambda x: '%.2f' % x
stock = stock.applymap(format)
print stock.loc["":""]#默认打印全部列
更多python量化交易内容互动请加微信公众号：PythonQT-YuanXiao
0 收藏&&|&&1
你可能感兴趣的文章
3 收藏，88
2 收藏，538
1 收藏，482
分享到微博？
我要该，理由是：
在 SegmentFault，学习技能、解决问题
每个月，我们帮助 1000 万的开发者解决各种各样的技术问题。并助力他们在技术能力、职业生涯、影响力上获得提升。我的网站服务器在国内 在国外访问不了 服务器放在国外的话， 国外就可以访问 国内就不能访问了 什么原因_百度知道
我的网站服务器在国内 在国外访问不了 服务器放在国外的话， 国外就可以访问 国内就不能访问了 什么原因
我有更好的答案
内和国外存在互联互通的问题，访问不稳定或者速度慢是正常现象，这种情况会避免或最大程序的减少。但是也可以找较有名的空间提供商合作
我的是万网服务器
万网与国外空间互联互通差，我也用过，如果你的目标客户是国外的话，建议使用美国空间。这个就是万网空间
采纳率：77%
中国是局域网，不跟国外的一样是互联网！
为您推荐：
其他类似问题
网站服务器的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。为什么国内不能浏览彭博和纽约时报的网址？其他国外网站却可以浏览呢？_百度知道
为什么国内不能浏览彭博和纽约时报的网址？其他国外网站却可以浏览呢？
RT还有国内除了纽约时报，彭博，脸谱，推特还有什么网站不能浏览呢？
我有更好的答案
因为北邮校长发明的长城防火墙。这些都被和（泄）了。还有很多，比如日本的朝日新闻等，还有偶尔新加坡的联合早报。几乎只要你打开网页出现404的就是。
为什么要和谐这些网站呢？比如为什么不和谐cnn而却要纽约时报？
为什么要和谐这些网站呢？比如为什么不和谐cnn而却要纽约时报？
因为上面的领导不希望下面的老百姓太聪明了。因为纽约时报经常批评和讽刺中国的政治。
这个发过几次，显示不出来，我的答案被“谐”了。你现在懂了吗？
这个发过几次，显示不出来，我的答案被“谐”了。你现在懂了吗？
用图片发吧，谢谢喽！
采纳率：39%
jpg" target="_blank" title="点击查看大图" class="ikqb_img_alink">百度有点和谐.com/zhidao/wh%3D600%2C800/sign=fbccedd76c224f4a57cc7ba/024f78f0f736afc9ebc4b745123c.jpg" esrc="http://b.hiphotos.baidu.baidu.hiphotos.baidu.com/zhidao/pic/item/024f78f0f736afc9ebc4b745123c<a href="http
　　答非所问，我问的是个例：为什么彭博和纽约时报等少数网址登不了！！！
是你看懂没有办法
长城防火墙
为您推荐：
其他类似问题
您可能关注的内容
纽约时报的相关知识
&#xe675;换一换
回答问题，赢新手礼包&#xe6b9;
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。拒绝访问 | bbs.yingjiesheng.com | 百度云加速
请打开cookies.
此网站 (bbs.yingjiesheng.com) 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(3efdaa-ua98).
重新安装浏览器，或使用别的浏览器Pandas 使用指南(上)
Pandas 使用指南(上)
Pandas 使用指南(上) 基本数据结构
一、Pandas介绍
终于写到了作者最想介绍，同时也是Python在数据处理方面功能最为强大的扩展模块了。在处理实际的金融数据时，一个条数据通常包含了多种类型的数据，例如，股票的代码是字符串，收盘价是浮点型，而成交量是整型等。在C++中可以实现为一个给定结构体作为单元的容器，如向量（vector，C++中的特定数据结构）。在Python中，pandas包含了高级的数据结构Series和DataFrame，使得在Python中处理数据变得非常方便、快速和简单。
pandas不同的版本之间存在一些不兼容性，为此，我们需要清楚使用的是哪一个版本的pandas。现在我们就查看一下量化实验室的pandas版本：
import pandas as pd
pd.__version__
pandas主要的两个数据结构是Series和DataFrame，随后两节将介绍如何由其他类型的数据结构得到这两种数据结构，或者自行创建这两种数据结构，我们先导入它们以及相关模块：
import numpy as np
import numpy as np
import pandas as pd
二、Pandas数据结构：Series
从一般意义上来讲，Series可以简单地被认为是** 带索引的一维数组(或一维表) **。Series和一维数组最主要的区别在于Series类型具有索引（index），可以和另一个编程中常见的数据结构哈希（Hash）联系起来。
2.1 创建Series
创建一个Series的基本格式是s = Series(data, index=index, name=name)，以下给出几个创建Series的例子。首先我们从数组创建Series：
a = np.random.randn(5)
print "a is an array:"
s = Series(a)
print "s is a Series:"
可以在创建Series时添加index，并可使用Series.index查看具体的index。需要注意的一点是，当从数组创建Series时，若指定index，那么index长度要和data的长度一致：
s = Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
print ss.index
创建Series的另一个可选项是name，可指定Series的名称，可用Series.name访问。在随后的DataFrame中，每一列的列名在该列被单独取出来时就成了Series的名称：
s = Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'], name='my_series')
print s.name
Series还可以从字典（dict）创建：
d = {'a': 0., 'b': 1, 'c': 2}
print "d is a dict:"
s = Series(d)
print "s is a Series:"
让我们来看看使用字典创建Series时指定index的情形（index长度不必和字典相同）：
Series(d, index=['b', 'c', 'd', 'a'])
我们可以观察到两点：一是字典创建的Series，数据将按index的顺序重新排列；二是index长度可以和字典长度不一致，如果多了的话，pandas将自动为多余的index分配NaN（not a number，pandas中数据缺失的标准记号)，当然index少的话就截取部分的字典内容。
如果数据就是一个单一的变量，如数字4，那么Series将重复这个变量：
Series(4., index=['a', 'b', 'c', 'd', 'e'])
2.2 Series数据的访问
访问Series数据可以和数组一样使用下标，也可以像字典一样使用索引，还可以使用一些条件过滤：
s = Series(np.random.randn(10),index=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'])
使用切片技巧
s[[2,0,4]]
s[['e', 'i']]
s[s & 0.5]
'e' in s =& True
三、Pandas数据结构：DataFrame
在使用DataFrame之前，我们说明一下DataFrame的特性。DataFrame是将数个Series按列合并而成的二维数据结构，每一列单独取出来是一个Series，这和SQL数据库中取出的数据是很类似的。所以，按列对一个DataFrame进行处理更为方便，用户在编程时注意培养按列构建数据的思维。DataFrame的优势在于可以方便地处理不同类型的列，因此，就不要考虑如何对一个全是浮点数的DataFrame求逆之类的问题了，处理这种问题还是把数据存成NumPy的matrix类型比较便利一些。
3.1 创建DataFrame
首先来看如何从字典创建DataFrame。DataFrame是一个二维的数据结构，是多个Series的集合体。我们先创建一个值是Series的字典，并转换为DataFrame：
d = {'one': Series([1., 2., 3.], index=['a', 'b', 'c']), 'two': Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
df = DataFrame(d)
可以指定所需的行和列，若字典中不含有对应的元素，则置为NaN：
df = DataFrame(d, index=['r', 'd', 'a'], columns=['two', 'three'])
可以使用dataframe.index和dataframe.columns来查看DataFrame的行和列，dataframe.values则以数组的形式返回DataFrame的元素：
print "DataFrame index:"
print df.index
print "DataFrame columns:"
print df.columns
print "DataFrame values:"
print df.values
DataFrame也可以从值是数组的字典创建，但是各个数组的长度需要相同：
d = {'one': [1., 2., 3., 4.], 'two': [4., 3., 2., 1.]}
df = DataFrame(d, index=['a', 'b', 'c', 'd'])print df
值非数组时，没有这一限制，并且缺失值补成NaN：
d= [{'a': 1.6, 'b': 2}, {'a': 3, 'b': 6, 'c': 9}]
df = DataFrame(d)
在实际处理数据时，有时需要创建一个空的DataFrame，可以这么做：
df = DataFrame()
另一种创建DataFrame的方法十分有用，那就是使用concat函数基于Serie或者DataFrame创建一个DataFrame
a = Series(range(5))b = Series(np.linspace(4, 20, 5))df = pd.concat([a, b], axis=1)
其中的axis=1表示按列进行合并，axis=0表示按行合并，并且，Series都处理成一列，所以这里如果选axis=0的话，将得到一个10×1的DataFrame。下面这个例子展示了如何按行合并DataFrame成一个大的DataFrame：
df = DataFrame()
index = ['alpha', 'beta', 'gamma', 'delta', 'eta']
for i in range(5):
a = DataFrame([np.linspace(i, 5*i, 5)], index=[index[i]])
print a df = pd.concat([df, a], axis=0)
3.2 DataFrame数据的访问
首先，再次强调一下DataFrame是以列作为操作的基础的，全部操作都想象成先从DataFrame里取一列，再从这个Series取元素即可。可以用datafrae.column_name选取列，也可以使用dataframe[]操作选取列，我们可以马上发现前一种方法只能选取一列，而后一种方法可以选择多列。若DataFrame没有列名，[]可以使用非负整数，也就是“下标”选取列；若有列名，则必须使用列名选取，另外datafrae.column_name在没有列名的时候是无效的：
print df[1]
print type(df[1])
df.columns = ['a', 'b', 'c', 'd', 'e']
print df['b']
print type(df['b'])
print df.b
print type(df.b)
print df[['a', 'd']]
print type(df[['a', 'd']])
以上代码使用了dataframe.columns为DataFrame赋列名，并且我们看到单独取一列出来，其数据结构显示的是Series，取两列及两列以上的结果仍然是DataFrame。访问特定的元素可以如Series一样使用下标或者是索引:
print df['b'][2]
print df['b']['gamma']
若需要选取行，可以使用dataframe.iloc按下标选取，或者使用dataframe.loc按索引选取：
print df.iloc[1]
print df.loc['beta']
选取行还可以使用切片的方式或者是布尔类型的向量：
print "Selecting by slices:"
print df[1:3]
bool_vec = [True, False, True, True, False]
print "Selecting by boolean vector:"
print df[bool_vec]
行列组合起来选取数据：
print df[['b', 'd']].iloc[[1, 3]]
print df.iloc[[1, 3]][['b', 'd']]
print df[['b', 'd']].loc[['beta', 'delta']]
print df.loc[['beta', 'delta']][['b', 'd']]
如果不是需要访问特定行列，而只是某个特殊位置的元素的话，dataframe.at和dataframe.iat是最快的方式，它们分别用于使用索引和下标进行访问：
print df.iat[2, 3]
print df.at['gamma', 'd']
dataframe.ix可以混合使用索引和下标进行访问，唯一需要注意的地方是行列内部需要一致，不可以同时使用索引和标签访问行或者列，不然的话，将会得到意外的结果：
print df.ix['gamma', 4]
print df.ix[['delta', 'gamma'], [1, 4]]
print df.ix[[1, 2], ['b', 'e']]
print "Unwanted result:"
print df.ix[['beta', 2], ['b', 'e']]
print df.ix[[1, 2], ['b', 4]]
最近在写个性化推荐的论文，经常用到Python来处理数据，被pandas和numpy中的数据选取和索引问题绕的比较迷糊，索性把这篇官方文档翻译出来，方便自查和学习，翻译过程中难免很多不到位的地方，但大致能看懂，错误之处欢迎指正~ ?官方文档链接
http://pandas...
第1章 准备工作第2章 Python语法基础，IPython和Jupyter第3章 Python的数据结构、函数和文件第4章 NumPy基础：数组和矢量计算第5章 pandas入门第6章 数据加载、存储与文件格式第7章 数据清洗和准备第8章 数据规整：聚合、合并和重塑第9章...
目录： 5.1 pandas 的数据结构介绍 5.1.1 Series 5.1.2 DataFrame 5.1.3索引对象 5.2基本功能 5.2.1重新索引 5.2.2丢弃指定轴上的项 5.2.3索引、选取和过滤 5.2.4算术运算和数据对齐 5.2.4.1在算术方法中填...
数据结构简介 原文：Intro to Data Structures 译者：usyiyi.cn 协议：CC BY-NC-SA 4.0 我们将首先快速，非全面地概述pandas中的基本数据结构，来让你起步。数据类型，索引和轴标记/对齐的基本行为适用于所有对象。为了起步，请导入...
pandas 入门 pandas 的数据结构介绍 pandas 有两个重要的数据结构：Series和DataFrame。 Series Series是一个一维的类似的数组对象，包含一个数组的数据（任何NumPy的数据类型）和一个与数组关联的数据标签，被叫做 索引 。 Ser...
wdfsdfdsfsdfsdfsfsddd alert(&#39;s&#39;);
1. 友盟社会化分享的流程 注册友盟账号创建应用 申请第三方账号并创建应用微信开放平台腾讯开放平台新浪开放平台 2.
准备资料 2.1 账号资料（客户提供） 友盟账号 第三方账号新浪-开放平台账号微信-开放平台账号腾讯QQ-开放平台账号 2.2 创建应用所需资料 移动应用...
这是一篇发现自己不能去旅行后的情绪发泄和试图冷静思考的文章。 发现事与愿违前后心情变化： 本来，我以为可以在－期间，发一条如下的朋友圈：也是可以一个人吃饭旅行四处走走停停的姑娘，然后配一张蓝天白云碧海的风景照，并定位日本冲绳石垣岛。本来，...
Cell的动态高度有很多种方法。在这里我主要记录一下自适应自iOS7开始支持的estimatedRowHeight自适应方法。 这里我以一个简陋的“朋友圈”为例子。会有一个动态高度的文本，和一个动态数量的九宫格图片。用到的第三方框架是Masonry。 1、初始化tableV...
每天早上大家蹲马桶的时间长吗？上周我跟我的医生闺蜜在讨论便秘会影响脸部皮色的问题，经常便秘的女生脸色特别容易暗黄、发黑等。 有位朋友跟我说她居然可以一个星期都不上厕所，因为真的拉不出，难怪常常看到她印堂发黑，神色靡靡不振，犹见可怜。 我赶紧分享了几个秘方给她，如果你也有这种...