numpy库学习实验报告_numpy实验报告总结

一、实验目的

1.理解python语言中numpy库的各函数作用；
2.掌握numpy库中常用函数，能够用其解决实际问题；

二、实验内容

用numpy库中函数完成对股价统计分析的实现，内容包括但不限于：
（1）构造CSV数据
（2）读取数据
（3）计算成交量加权平均价格
（4）计算股票最高价（所有最高价中的最大值）、最低价（所有最高价中的最小值）、极差
（5）计算收盘价中位数、方差
（6）计算股票收益率、年波动率、月波动率
其中，年波动率等于对数收益率的标准差除以其均值，再乘以交易日的平方根，通常交易日取252天。月波动率等于对数收益率的标准差除以其均值，再乘以交易月的平方根，通常交易月取12月。
可能会用到的numpy库中的函数：loadtxt、average、ptp、median、var、max、min、diff、log、std、mean、sqrt
构造数据案例（也可自行设计）：其中，第4-8列，即EXCEL表格中的D-H列，分别为股票的开盘价，最高价，最低价，收盘价，成交量。
with open(“./data/stock_data.csv”, “w”) as fdata:
fdata.write(“”“AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800
AAPL,31-01-2011, ,335.8,340.04,334.3,339.32,13473000
AAPL,01-02-2011, ,341.3,345.65,340.98,345.03,15236800
AAPL,02-02-2011, ,344.45,345.25,343.55,344.32,9242600
AAPL,03-02-2011, ,343.8,344.24,338.55,343.44,14064100
AAPL,04-02-2011, ,343.61,346.7,343.51,346.5,11494200
AAPL,07-02-2011, ,347.89,353.25,347.64,351.88,17322100
AAPL,08-02-2011, ,353.68,355.52,352.15,355.2,13608500
AAPL,09-02-2011, ,355.19,359,354.87,358.16,17240800
AAPL,10-02-2011, ,357.39,360,348,354.54,33162400
AAPL,11-02-2011, ,354.75,357.8,353.54,356.85,13127500
AAPL,14-02-2011, ,356.79,359.48,356.71,359.18,11086200
AAPL,15-02-2011, ,359.19,359.97,357.55,359.9,10149000
AAPL,16-02-2011, ,360.8,364.9,360.5,363.13,17184100
AAPL,17-02-2011, ,357.1,360.27,356.52,358.3,18949000
AAPL,18-02-2011, ,358.21,359.5,349.52,350.56,29144500
AAPL,22-02-2011, ,342.05,345.4,337.72,338.61,31162200
AAPL,23-02-2011, ,338.77,344.64,338.61,342.62,23994700
AAPL,24-02-2011, ,344.02,345.15,338.37,342.88,17853500
AAPL,25-02-2011, ,345.29,348.43,344.8,348.16,13572000
AAPL,28-02-2011, ,351.21,355.05,351.12,353.21,14395400
AAPL,01-03-2011, ,355.47,355.72,347.68,349.31,16290300
AAPL,02-03-2011, ,349.96,354.35,348.4,352.12,21521000
AAPL,03-03-2011, ,357.2,359.79,355.92,359.56,17885200
AAPL,04-03-2011, ,360.07,360.29,357.75,360,16188000
AAPL,07-03-2011, ,361.11,361.67,351.31,355.36,19504300
AAPL,08-03-2011, ,354.91,357.4,352.25,355.76,12718000
AAPL,09-03-2011, ,354.69,354.76,350.6,352.47,16192700
AAPL,10-03-2011, ,349.69,349.77,344.9,346.67,18138800
AAPL,11-03-2011, ,345.4,352.32,345,351.99,16824200
“””)
根据该问题的描述和分析，自行完成程序设计并实现，要求算法描述准确且程序运行正确。

三、设计与实现

第一步，详细阅读实验要求，根据求取问题的不同，明确概念以及所需的函数。
加权平均值即将各数值乘以相应的权数，然后加总求和得到总体值，再除以总的单位数(即权重之和)。
简单收益率：是指相邻两个价格之间的变化率。
对数收益率：是指所有价格取对数后两两之间的差值。
第二步，具体了解所需函数的用法，参数、返回值等。具体如下：
loadtxt：数据的获取。fname：被读取的文件名（文件的相对地址或者绝对地址），delimiter（指定读取文件中数据的分隔符），usecols（指定需要读取的列），unpack（选择是否将数据进行向量输出）。
本实验文件保存路径为"./data/stock_data.csv"，数据集以“，”将数据隔开，需要使用到的数据在数据集的4—7列（以0开始标记列数），将每列数据存储到对应的变量中，以high_price（最高价）, low_price（最低价）,end_price（收盘价）, turnover（成交量）命名。
average：np.average(a,weights)计算平均值。参数a为要平均的数据的数组，为end_price，weights：数组，与a中的值关联的权重数组turnover。
ptp：numpy.ptp(a)或者a.ptp()求极值，最大值-最小值。a为输入值，为high_price。
median：median(a)，a为输入值，为end_price。
var：np.var(a)，a 包含需要方差的数字的数组，求end_price数组的方差。
max：np.max(a)或a.max()，a包含需要求最大值的数组，返回high_price的最大值。
min：np.min(a)或a.min()，a包含需要求最小值的数组，返回high_price的最小值。
diff：函数可以返回一个由相邻数组元素的差值构成的数组。不过需要注意的是，diff返回的数组比收盘价数组少一个元素。
log：计算给定数组中每个元素的自然对数。计算对数收益率时需计算end_price的对数。
std：np.std(a)，a表示要计算标准差的数组。计算年波动率、月波动率的时需用到对数收益率的标准差，所以a为log_returns（求取对数收益率的结果存储在log_returns）。
mean：np.mean(a)，求取数组a的均值。计算年波动率、月波动率的时需除以对数收益率的均值，所以a为log_returns。
sqrt：np.sqrt(a)，求取数组a的平方。计算年波动率、月波动率的时需乘以以交易日（252）、交易月的平方根（12）。
第三步，根据以上函数完成代码，并运行得出结果。

四、测试与分析（附测试用例，运行结果截图等）

构造CSV数据，将数据保存在本地data文件夹中，命名为stock_data.csv，上图可看到数据集的具体内容，其中本文用到的数据为第5-8列，分别对应股票的最高价，最低价，收盘价，成交量。

运行实验代码后，依次得出结果，包括收盘价的平均价格，成交量加权的平均价格，最高价中的最大值，最高价的最小值，最高价的极值，最低价的极值，收盘价的中位数、方差。收盘价的简单收益率，对数收益率（得到是一个数组形式），年波动率、月波动率。

在完成实验的基础上，下载一个731条股票数据的数据集，从左到右所展示列，分别为日期、开盘价、最高价、最低价、收盘价、成交量。



对数据集完成实验中的相关操作，得到的运行结果如上图，由于数据量过大，简单收益率和对数收益率进行部分展示。

五、设计技巧及体会

1．实验过程中遇到的问题及解决办法；
对实验中所使用的部分函数，缺少相关训练，不明白其中的参数意义，返回数据类型，进行相关的查询学习，并进行实践。
读取数据时，需要将一列数据存储到一个变量中。
2．对设计进行评价（优点与不足）；
优点：代码简洁易懂，使用输出语句对输出结果进行说明。
不足：对于某些结果，可以尝试使用多种方式来计算。
3.对设计及调试过程的心得体会；
这段时间通过对numpy库的学习，掌握了基本的函数使用方法，同时我发现通过调用函数可以将复杂的公式简单化，快速完成大量计算。其次我发现学习一门语言时，仅仅通过理论的学习是远远不够的，还必须经过大量的实践，才能更好地掌握。
4.思考对原实验方案的改进，写出改进思路。
本实验利用股票数据集，对numpy库中的一些简单函数进行练习，除此之外，还可以进行更多的函数的练习，比如说求取绝对值、指数值、模运算。

六、附源代码

import numpy as np
# （1）构造CSV数据
with open("./data/stock_data.csv", "w") as fdata:
    fdata.write("""AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800
AAPL,31-01-2011, ,335.8,340.04,334.3,339.32,13473000
AAPL,01-02-2011, ,341.3,345.65,340.98,345.03,15236800
AAPL,02-02-2011, ,344.45,345.25,343.55,344.32,9242600
AAPL,03-02-2011, ,343.8,344.24,338.55,343.44,14064100
AAPL,04-02-2011, ,343.61,346.7,343.51,346.5,11494200
AAPL,07-02-2011, ,347.89,353.25,347.64,351.88,17322100
AAPL,08-02-2011, ,353.68,355.52,352.15,355.2,13608500
AAPL,09-02-2011, ,355.19,359,354.87,358.16,17240800
AAPL,10-02-2011, ,357.39,360,348,354.54,33162400
AAPL,11-02-2011, ,354.75,357.8,353.54,356.85,13127500
AAPL,14-02-2011, ,356.79,359.48,356.71,359.18,11086200
AAPL,15-02-2011, ,359.19,359.97,357.55,359.9,10149000
AAPL,16-02-2011, ,360.8,364.9,360.5,363.13,17184100
AAPL,17-02-2011, ,357.1,360.27,356.52,358.3,18949000
AAPL,18-02-2011, ,358.21,359.5,349.52,350.56,29144500
AAPL,22-02-2011, ,342.05,345.4,337.72,338.61,31162200
AAPL,23-02-2011, ,338.77,344.64,338.61,342.62,23994700
AAPL,24-02-2011, ,344.02,345.15,338.37,342.88,17853500
AAPL,25-02-2011, ,345.29,348.43,344.8,348.16,13572000
AAPL,28-02-2011, ,351.21,355.05,351.12,353.21,14395400
AAPL,01-03-2011, ,355.47,355.72,347.68,349.31,16290300
AAPL,02-03-2011, ,349.96,354.35,348.4,352.12,21521000
AAPL,03-03-2011, ,357.2,359.79,355.92,359.56,17885200
AAPL,04-03-2011, ,360.07,360.29,357.75,360,16188000
AAPL,07-03-2011, ,361.11,361.67,351.31,355.36,19504300
AAPL,08-03-2011, ,354.91,357.4,352.25,355.76,12718000
AAPL,09-03-2011, ,354.69,354.76,350.6,352.47,16192700
AAPL,10-03-2011, ,349.69,349.77,344.9,346.67,18138800
AAPL,11-03-2011, ,345.4,352.32,345,351.99,16824200
""")
# （2）读取数据
#  读取数据集中的最高价、最低价、收盘价、成交量
high_price, low_price,end_price, turnover = np.loadtxt(
    fname="./data/stock_data.csv",    #文件名
    delimiter=',',                      #分隔符
    usecols=(4,5,6,7),                  #读取的列数，数据类型为元组tuple,其中元素个数有多少个，则选出多少列
    unpack=True                         #是否解包，类型为布尔型
)
# （3）计算成交量加权平均价格
print("平均价格 =",np.average(end_price))                     #输出收盘价的平均价格
print("成交量加权平均价格 =",np.average(end_price, weights=turnover))   #输出成交量加权平均价格，权重为成交量
# （4）计算股票最高价（所有最高价中的最大值）、最低价（所有最高价中的最小值）、极差
print("最高价 =", high_price.max())                #max函数 求最大值
print("最低价 =", low_price.min())                 #min函数 求最小值
print("最高价极差 =", high_price.ptp())         #ptp函数 求极差
print("最低价极差 =", low_price.ptp())
# （5）计算收盘价中位数、方差
print("中位数 =", np.median(end_price))       #median 求中位数
print("方差 =", np.var(end_price))        #var 求方差
#print("variance =", end_price.var())
# （6）计算股票收益率、年波动率、月波动率
returns = np.diff(end_price)                   #计算简单收益率
log_returns = np.diff(np.log(end_price))       #计算对数收益率
# 年波动率等于对数收益率的标准差除以其均值，再乘以交易日的平方根，通常交易日取252天。
annual_volatility = log_returns.std() / log_returns.mean() * np.sqrt(252)
# 月波动率等于对数收益率的标准差除以其均值，再乘以交易月的平方根，通常交易月取12月。
monthly_volatility = log_returns.std() / log_returns.mean() * np.sqrt(12)
print("简单收益率", returns)
print("对数收益率", log_returns)
print("年波动率", annual_volatility)
print("月波动率", monthly_volatility)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65