Python的金融领域入门教程

1.python在金融领域的应用

作者 | Behic Guven 编译 | VK 来源 | Towards Data Science欢迎阅读Python的金融领域入门教程在这篇文章中，我将带你通过一些很好的实践练习，这些练习将帮助你了解如何将Python用于金融。

2.python金融入门书籍

首先，我将向你介绍我们的朋友Python，然后我们将进入编程我们将使用亚马逊的股票数据如果你想知道这些数据是否免费，答案是肯定的股票数据可以在纳斯达克官方网站上找到纳斯达克（全国证券交易商自动报价协会）是一个电子证券交易所，有3300多家公司上市。

3.python在金融领域的应用案例

亚马逊股票数据可以从这里下载在这个网站上，你可以找到不同公司的股票数据，并利用这些数据集练习你的技能我等不及了，我们开始吧！链接：https://www.nasdaq.com/market-activity/stocks/amzn/historical。

4.python在金融行业的应用

目录：Python了解亚马逊股票数据数据清理数据可视化PythonPython是一种通用编程语言，在分析数据方面正变得越来越流行Python还允许你快速工作并更有效地集成系统世界各地的公司都在利用Python从他们的数据中收集一些知识。

5.python在金融专业的应用

如果你想了解更多信息，请访问Python官方页面了解亚马逊股票数据当你第一次将数据加载到数据帧中时，最好在开始操作之前先查看一下这有助于理解你拥有正确的数据和对它的一些理解我们将在前面提到的纳斯达克历史数据中，我觉得亚马逊公司会是个不错的选择。

6.python金融工具

在与我一起完成这个练习后，你将学到一些技能，这些技能将使你能够使用不同的数据集进行练习我们将使用的数据框将包含亚马逊过去一个月（2020年6月24日至7月23日）的收盘价读取数据import pandas 。

7.金融python能做什么

as pd  amzn = pd.read_csv(amzn_data.csv) head方法我们首先要做的是使用head方法来理解数据在dataframe上调用head方法时，它显示dataframe的前五行。

8.python对金融有用吗

运行此方法后，我们还可以看到我们的数据是按日期索引排序的amzn.head()

9.python对金融

tail方法我们将调用的另一个有用的方法是tail方法。它显示数据帧的最后五行。假设你想查看最后三行，可以在括号之间输入值3作为整数。amzn.tail()

10.python用于金融

describe方法在深入讨论之前，我们将调用的最后一个方法是describe方法它返回数据的统计摘要默认情况下，describe方法将返回所有数值列的摘要统计信息，例如在我们的示例中，所有列都是数值列。

摘要将包括以下项目：行数、平均值、标准差、最小值和最大值，最后是百分位。amzn.describe()

接下来的步骤我们称之为数据准备。清理数据并为分析做好准备是一个重要步骤。数据清理我们在前面看到，Volume列是数据帧的数值列。让我们检查一下列的数据类型。amzn.dtypes

正如你在上面看到的，Volume 列是唯一的数值类型，其余的是对象类型所以我们必须考虑数据类型但是在转换它们之前，我们必须清除美元符号，否则，当我们试图将美元符号转换为数值时，我们的程序将变得混乱amzn

= amzn.replace({\$:}, regex = True) amzn.head()

很好，现在我们可以转换数据类型了我们不需要更改Date和Volume的任何内容我们将把剩余列转换成一个数值，对于这个练习，我们可以使用float数值类型# 重命名列名和转换数据类型 df = amzn  df.columns = [。

Date, Close, Volume, Open, High, Low]  # 转换数据类型 df = df.astype({“Close”: float, “Volume”: int, “Open”

: float, “High”: float, “Low”: float})  df.dtypes

很好，我们解决了数据类型问题。现在，让我们尝试运行describe方法，看看它是如何工作的。df.describe()

做得好！现在正如你在上面看到的，describe方法可以完美地处理我们所有的数值列我们也可以使用不同的参数来定制describe方法的结果有三个我们将在本例中使用的参数：include、percentiles和exclude。

df.describe(include = “float”)

df.describe(include = “object”)

df.describe(exclude = “int”)

df.describe(percentiles=[0.1,0.5,0.9])

过滤数据比较运算符<>===!=我们将使用这些运算符将特定值与列中的值进行比较结果将是一系列的布尔值：真值和假值如果比较正确，则为True；如果比较不正确，则为False按Closing Price进行掩码。

当我们使用loc[]运算符将布尔序列传递给dataframe时，将返回一个只包含真值的新dataframe#超过3000元的收盘价 mask_closeprice = df.Close > 3000  high_price = df.loc[mask_closeprice]  high_price.head() 。

Pandas提供运算符来组合布尔比较的不同结果这些运算符是：And，Or，Not我们可以使用这些运算符来创建更复杂的条件例如，我们想看看AMZN的股票数据，收盘价超过3000，成交量超过500万以下是我们的做法：。

# 收盘价超过3000，成交量超过5 mask_closeprice = df.Close > 3000  mask_volume = df.Volume > 5000000 millionhigh_price_volume = df.loc[mask_closeprice & mask_volume]   high_price_volume.head()

数据可视化可视化数据是理解数据的重要步骤它帮助我们看到的不仅仅是一行行的值，它让我们更好地了解数据当我们想比较不同的数据值时，它也很有用可视化数据也是理解和查看不同列之间关系的一个很好的方法「Matplotib」。

最常用的称为Matplotlib这个库非常强大让我们画出过去一个月的股票价格我们的x轴是日期，y轴是每天的收盘价这将向我们展示股票价格在一个月内是如何变化的从商业角度讲，这条线图被称为价格波动图，它有助于发现股票价格的季节性模式。

df.plot(x=Date, y=Close)

旋转plot方法提供了许多有趣的参数，你可以尝试一下其中一个是旋转rotation参数，使用这个参数我们可以旋转绘图的标签下面是一个将日期标签旋转90度以便于阅读的示例df.plot(x=Date, y=

Close, rot=90)

标题如果你想给你的图表起一个标题，我们将向title参数传递一个字符串。df.plot(x=Date, y=Close, rot=90, title=”AMZN Stock Price”)

更多图表类型plot方法的默认类型是line plot，但是根据我们的用例，还有许多其他的绘图类型可以使用其他一些打印类型可以列为：LineBarPieScatterHistogram让我们来做一个散点图的例子。

我们将在方法中添加一个名为kind的新参数是的，就那么简单df.plot(x=Date, y=Close, kind=scatter, rot=90, title=”AMZN Stock Price”)

现在让我们来做一个直方图的例子直方图是一个很好的方式来查看值的分布df.plot(x=Date, y=Volume, kind=hist, rot=90, title=”AMZN Stock Price”。

)

结尾谢谢你阅读这篇文章，我希望你今天喜欢这篇文章并学到一些新的东西原文链接：https://towardsdatascience.com/python-for-finance-the-complete-beginners-guide-764276d74cef。