标普100案例分析 —— 带着Python玩金融（5）

Posted 2023-03-17

参考技术A 本文将带着你使用Python对标普100数据进行简单的分析，你会学到：

标准普尔100指数 用来衡量大公司的股票表现，它由多个行业的100家主要公司构成。2017年标普100在各行业的比例如下图所示。

本文将要分析的数据如下表所示，它由四列数据构成，分别是公司名（Name），行业（Sector），股价（Price）和每股盈余（EPS）。

我们将这四列数据分别存储在四个Python列表中。

先来用切片的方法观察下数据。比如查看前四家公司的名称。

或者输出最后一家公司的所有信息。

市盈率 （Price to Earnings ratio），也称股价收益比率，由股价除以每年度每股盈余（EPS）得到，它是用来衡量股价水平是否合理的指标之一。

为了方便计算市盈率，我们首先将数据从Python列表类型转换为NumPy数组。

NumPy数组的优势是它可以直接对数组进行运算，而这一点Python列表是做不到的。比如计算市盈率 pe ，我们可以直接将数组 prices 除以数组 earnings 。

接下来我们就具体行业来进行分析，比如对于IT行业，我们首先需要筛选出哪些公司属于这一行业。

用同样的方法，筛选出必需消费品行业的公司和市盈率。

筛选出IT和必需消费品行业的数据后，我们来计算这两个行业市盈率的均值和标准差。

首先用散点图来观察这两个行业中每一家公司的市盈率。这里使用Python中常用的绘图工具包 matplotlib 。

我们注意到，上图的右上角有一IT公司的市盈率特别高。若某股票的市盈率高于同类股票，往往意味着该股有较高的增长预期。所以让我们进一步来观察IT行业的市盈率分布，在这里直方图可以用来查看数据的分布情况。

现在可以更直观的看到在直方图的右侧有一离群值，它具有很高的市盈率。我们可以使用布尔索引找到这家市盈率很高的公司。

注：本文是 DataCamp 课程 Intro to Python for Finance 的学习笔记。

python金融大数据分析简单吗

参考技术A 近来，Python无疑是金融业的重要策略性技术平台之一。到2018年底，这已经不再是个问题：全世界的金融机构现在都尽最大努力利用Python及其强大的数据分析、可视化和机器学习程序库生态系统。在金融领域之外，Python还常常成为编程入门课程选择的语言，例如计算机科学课程项目。
除了容易理解的语法和多重范型方法之外，形成这一局面的主要原因之一是，Python已经成为人工智能（AI）、机器学习（ML）和深度学习（DL）领域的“头等公民”。这些领域的许多流行的软件包和程序库都直接用Python（如ML所用的scikit-learn）编写，或者用Python包装器（例如DL所用的TensorFlow）。
要学会数据分析 还是需要先学会python基础。
希望可以帮到你