第1关:申万家用电器行业股票代码获取
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
#1.读取"申万行业分类.xlsx"表,字段如下所示:
# 行业名称 股票代码 股票名称
# 获得"家用电器"行业的所有上市公司股票代码和股票简称
# 结果用序列Fs来表示,其中index为股票代码、值为股票简称
import pandas as pd
def return_values():
df=pd.read_excel("申万行业分类.xlsx")
Fs=df[df["行业名称"]=="家用电器"][["股票代码","股票名称"]]
Fs=Fs.set_index("股票代码")["股票名称"]
return Fs
第2关:申万家用电器行业股票财务指标数据获取
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
'''
基于上一关的结果,读取"上市公司财务与指标数据2013-2017.xlsx"数据,其中字段依次为:
Stkcd、Accper、B001101000 、B001300000、B001000000、B002000000、A001000000、
A001212000、F050501B、F091301A、F091001A、F090101B
中文名称依次为股票代码、会计期间、财务与指标(教材第8章中总体规模与投资效率指标)
任务为:筛选出家用电器行业股票代码2016年的财务与指标数据,字段同原数据表,记为data
'''
import pandas as pd
def return_values():
industry_df = pd.read_excel('申万行业分类.xlsx')
Fs = industry_df[industry_df['行业名称'] == '家用电器'].set_index('股票代码')['股票名称'].to_dict()
financial_df = pd.read_excel('上市公司财务与指标数据2013-2017.xlsx')
data = financial_df[(financial_df['Stkcd'].isin(Fs.keys())) & (financial_df['Accper'].str.startswith('2016'))]
return data
第3关:申万家用电器行业股票财务指标数据处理
任务描述
本关任务:根据右边测试平台的提示,补充代码
python
# -*- coding: utf-8 -*-
'''
在上一关基础上,对筛选出的家用电器行业股票代码2016年的财务与指标数据,
去掉空缺值、作均值-方差标准化处理,返回结果x(数组)和股票代码code(列表)
'''
import pandas as pd
from sklearn.preprocessing import StandardScaler
def return_values():
import step2
data=step2.return_values()
data = data.dropna()
code = data['Stkcd'].tolist()
financial_metrics = data.drop(['Stkcd', 'Accper'], axis=1)
scaler = StandardScaler()
x = scaler.fit_transform(financial_metrics)
#x=pd.DataFrame(x)
return (x,code)
第4关:申万家用电器行业股票财务指标数据主成分分析
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
'''
在上一关基础上,对去掉缺失值和标准化后的指标数据,进行主成分分析,
并提取主成分Y,要求累计贡献率在95%
'''
import numpy as np
from sklearn.decomposition import PCA
def return_values():
import step3
r=step3.return_values()
x, code = r # 解包返回的结果
####begin####
# 初始化PCA对象,并设置目标累计贡献率为0.95
pca = PCA(n_components=0.95)
# 对数据进行PCA降维
Y = pca.fit_transform(x)
return Y
第5关:申万家用电器行业股票日交易数据获取
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
"""
在第一关的基础上,读取"股票交易数据_2017.xlsx"表,字段如下:
Stkcd、Trddt、Clsprc、Dnshrtrd、Dnvaltrd、Opnprc、Hiprc、Loprc,
中文名称依次为:股票代码、交易日期、收盘价、成交量、成交额、开盘价、最高价、最低价。
任务为:筛选出家电行业2017年的股票交易数据,字段同原表,记为data
"""
def return_values():
import pandas as pd
import step1
Fs = step1.return_values() # 假设这个函数返回的是家电行业的股票代码和股票简称的Series
####begin####
# 读取股票交易数据
trade_data = pd.read_excel("股票交易数据_2017.xlsx")
# 提取家电行业的股票代码列表
home_appliance_codes = Fs.index.tolist()
# 筛选家电行业的股票交易数据
data = trade_data[trade_data['Stkcd'].isin(home_appliance_codes)]
# 筛选2017年的交易数据(假设Trddt字段是日期格式)
data = data[pd.to_datetime(data['Trddt']).dt.year == 2017]
####end####
return data
第6关:申万家用电器行业股票交易指数的构造
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
'''
在上一关基础上,构造家用电器行业交易指数,其中指数计算公式为:
当日指数=当日总交易额/基准日总交易额*100
其中当日总交易额=当日所有股票交易额之和,基准日为2017年首个交易日,
返回index_val
'''
import pandas as pd
import numpy as np
def return_values():
import step5
data=step5.return_values()
# 将交易日期(Trddt)转换为datetime类型
data['Trddt'] = pd.to_datetime(data['Trddt'])
# 排序数据,确保日期顺序正确
data.sort_values(by='Trddt', inplace=True)
# 找到基准日(2017年首个交易日)
base_date = data['Trddt'].min().date()
# 计算基准日的总交易额
base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()
# 初始化交易指数Series
index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)
# 计算每一天的交易指数
for date in index_val.index:
# 选择当天的交易数据
daily_data = data[data['Trddt'].dt.date == date]
# 计算当天总交易额
daily_total_trade_value = daily_data['Dnvaltrd'].sum()
# 计算交易指数
index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100
# 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)
index_val.sort_index(inplace=True)
return index_val
第7关:计算沪深300指数2014-2017年的年涨跌幅指标
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
分别计算2014-2017年的年度涨跌幅,
其中年度涨跌幅=(年末收盘指数-年初收盘指数)/年初收盘指数
依次返回年度涨跌幅(r1,r2,r3,r4)
'''
import pandas as pd
def return_values():
# 读取Excel文件
df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])
# 将交易日期转换为pandas的datetime类型
df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])
# 提取年份
df['year'] = df['Idxtrd01'].dt.year
# 分组并计算每年第一个和最后一个交易日的收盘指数
first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})
first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]
# 计算年度涨跌幅
annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first']
# 提取2014-2017年的涨跌幅,并赋值给r1, r2, r3, r4
r1 = annual_returns.loc[2014]
r2 = annual_returns.loc[2015]
r3 = annual_returns.loc[2016]
r4 = annual_returns.loc[2017]
return (r1,r2,r3,r4)
第8关:计算获得沪深300指数2016年收盘指数的关键转折点
任务描述
本关任务:根据右边测试平台的提示,补充代码.
python
# -*- coding: utf-8 -*-
'''
序列x1,x2,x3,如果|x2-(x1+x2)/2|越大,x2成为关键转折点的可能性就越大。
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年指数的关键转折点20个,包括年初和年末的两个点。
并返回结果,用一个序列keydata来表示,其中index为序号,值为收盘指数。
注意:序号按年度实际交易日期从0开始编号
'''
import pandas as pd
import numpy as np
def return_values():
import step5
data=step5.return_values()
data['Trddt'] = pd.to_datetime(data['Trddt'])
data.sort_values(by='Trddt', inplace=True)
base_date = data['Trddt'].min().date()
base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()
index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)
for date in index_val.index:
daily_data = data[data['Trddt'].dt.date == date]
daily_total_trade_value = daily_data['Dnvaltrd'].sum()
index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100
index_val.sort_index(inplace=True)
print(1)
exit(0)
第9关:计算沪深300指数2016年10、20、30、60日收盘指数移动平均值
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的10、20、30、60日移动平均收盘指数,
返回结果为(x10,x20,x30,x60),其中xi为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd
def return_values():
df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05'])
# 将交易日期转换为pandas的datetime类型
df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01'])
# 提取年份
df['year'] = df['Idxtrd01'].dt.year
# 分组并计算每年第一个和最后一个交易日的收盘指数
first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']})
first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values]
# 计算年度涨跌幅
annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first']
print(1)
exit(0)
第10关:计算沪深300指数2016年现价指标
任务描述
本关任务:根据右边测试平台的提示,补充代码。
python
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为:
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为:指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的现价指标,其公式为:
现价=当日收盘指数 / 过去 10 个交易日的移动平均收盘指数
返回结果为p10,为序列,index按年度实际交易天数从0开始编号
'''
import pandas as pd
import numpy as np
def return_values():
import step5
data=step5.return_values()
# 将交易日期(Trddt)转换为datetime类型
data['Trddt'] = pd.to_datetime(data['Trddt'])
# 排序数据,确保日期顺序正确
data.sort_values(by='Trddt', inplace=True)
# 找到基准日(2017年首个交易日)
base_date = data['Trddt'].min().date()
# 计算基准日的总交易额
base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum()
# 初始化交易指数Series
index_val = pd.Series(index=data['Trddt'].unique(), dtype=float)
# 计算每一天的交易指数
for date in index_val.index:
# 选择当天的交易数据
daily_data = data[data['Trddt'].dt.date == date]
# 计算当天总交易额
daily_total_trade_value = daily_data['Dnvaltrd'].sum()
# 计算交易指数
index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100
# 将index_val按日期排序(尽管之前已经排过序,但这里是为了确保)
index_val.sort_index(inplace=True)
print(1)
exit(0)