装修队做网站费县做网站

装修队做网站,费县做网站,企业管理培训课程免费视频,网站运营效果分析怎么做一、项目概述 这是一个完整的金融数据分析Web应用系统#xff0c;使用Python的Streamlit框架构建#xff0c;实现从数据获取、处理到可视化展示的全流程分析。系统专注于申万家用电器行业和沪深300指数的深度分析#xff0c;共包含10个核心步骤。 二、系统架构设计 2.1 技…一、项目概述这是一个完整的金融数据分析Web应用系统使用Python的Streamlit框架构建实现从数据获取、处理到可视化展示的全流程分析。系统专注于申万家用电器行业和沪深300指数的深度分析共包含10个核心步骤。二、系统架构设计2.1 技术栈前端框架: Streamlit数据处理: pandas可视化: matplotlib matplotlib.dates核心语言: Python2.2 适用领域金融分析、数据可视化、Web应用开发2.3 数据集准备数据来源Tushare数据三、核心功能逻辑3.1 主程序架构Steps是从行业筛选→财务分析→数据处理→主成分分析→交易分析→指数构建→基准对比→技术分析这实际上是一个从宏观到微观、从基本面到技术面的完整分析链。# 1. 导入模块和库 import streamlit as st import step1, step2, step3, step4, step5, step6, step7, step8, step9, step10 import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates # 2. 页面配置 st.set_page_config( page_title多步骤金融分析系统, layoutwide, ) # 3. 步骤定义 STEPS [ 1.申万家用电器行业股票代码获取, 2.申万家用电器行业股票财务指标数据获取, 3.申万家用电器行业股票财务指标数据处理, 4.主成分累计贡献率在95%, 5.家电行业2017年的股票交易数据, 6.家用电器行业交易指数, 7.沪深300指数年度涨跌幅, 8.沪深300指数2016年指数的关键转折点, 9.沪深300指数2016年平均收盘, 10.沪深300指数2016年收盘指数的现价指标 ]3.2 数据预加载机制# 读取.py文件内容 def read_py_file(file_path): with open(file_path, r, encodingutf-8) as f: return f.read() # 预加载所有代码内容 CODE_CONTENTS {} for i in range(1, 11): CODE_CONTENTS[i] read_py_file(fstep{i}.py) # 预加载原始数据文件 ORIGINAL_DATA { 1: pd.read_excel(申万行业分类.xlsx), 2: pd.read_excel(上市公司财务与指标数据2013-2017.xlsx), 5: pd.read_excel(股票交易数据_2017.xlsx), } # 加载沪深300数据多个步骤共用 hs300_data pd.read_excel(沪深300指数交易数据表.xlsx) for i in [7, 8, 9, 10]: ORIGINAL_DATA[i] hs300_data3.3 模块化步骤处理# 获取步骤编号 def get_step_number(step_name): return int(step_name.split(.)[0]) # 显示原始数据 def show_original_data(step_num): st.subheader(原始数据取前100条 ) if step_num in ORIGINAL_DATA: data ORIGINAL_DATA[step_num] if step_num 3: data step2.return_values() elif step_num 4: data pd.DataFrame(step3.return_values()[0]) elif step_num 6: data step5.return_values() st.dataframe(data.head(100), use_container_widthTrue) # 显示代码 def show_code(step_num): st.subheader(代码 ) st.code(CODE_CONTENTS[step_num], languagepython)3.4 各步骤功能模块每个步骤的处理逻辑完全独立不会互相干扰。Step1.py: 申万家用电器行业股票代码获取# -*- 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 def return_values(): import pandas as pd Apd.read_excel(申万行业分类.xlsx) F A[A[行业名称]家用电器] Fs pd.Series(F[股票名称].values,indexF[股票代码]) return FsStep2.py: 申万家用电器行业股票财务指标数据获取# -*- 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 def return_values(): import pandas as pd import step1 rstep1.return_values() stkcdlist(r.index) Apd.read_excel(上市公司财务与指标数据2013-2017.xlsx) AA.iloc[A.iloc[:,1].values2016-12-31,:] data A[A[Stkcd].isin(stkcd)] return dataStep3.py: 申万家用电器行业股票财务指标数据处理# -*- 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) def return_values(): import step2 datastep2.return_values() #上一关的结果家用电器行业股票代码2016年的财务与指标数据 data data.dropna() #删除缺失值 code data[Stkcd].tolist() #转化为列表.tolist() from sklearn.preprocessing import StandardScaler scaler StandardScaler() #创建对象 # 提取所有数值列 num data.select_dtypes(include[number]) x num.values # 直接获取数值数组 scaler.fit(x) #调用fit()拟合方法 x scaler.transform(x) return (x,code)Step4.py: 主成分累计贡献率在95%# -*- coding: utf-8 -*- 在上一关基础上对去掉缺失值和标准化后的x进行主成分分析 并提取主成分要求累计贡献率在95% def return_values(): import step3 from sklearn.decomposition import PCA r step3.return_values() x r[0] #导入主成分分析模块PCA #创建分析对象y y PCA(n_components0.95) #贡献率为0.95 y.fit(x) #对待分析的数据进行拟合训练 Y y.transform(x) #返回提取的主成分 return YStep5.py: 家电行业2017年的股票交易数据# -*- 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 rstep1.return_values() stkcdlist(r.index) Apd.read_excel(股票交易数据_2017.xlsx) data A[A[Stkcd].isin(stkcd)] return dataStep6.py: 家用电器行业交易指数# -*- 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 def return_values(): import step5 datastep5.return_values() data_total data.groupby(Trddt)[Dnvaltrd].sum() # 获取基准日 d data_total.index.min() #交易额 d_amount data_total[d] # 指数当日总交易额/基准日总交易额*100 index_val (data_total / d_amount * 100) return index_valStep7.py: 沪深300指数年度涨跌幅# -*- 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 def rdata(date1,date2,A): #定义一个计算年度涨跌幅的函数 #输入年初日期date1、年末日期date2、交易数据A #返回涨跌幅r #获取年初的收盘指数 start_data A[A[Idxtrd01] date1].iloc[0] start_price start_data[Idxtrd05] #获取年末的收盘指数 end_data A[A[Idxtrd01] date2].iloc[-1] end_price end_data[Idxtrd05] #年度涨跌幅年末收盘指数-年初收盘指数/年初收盘指数 r (end_price - start_price) / start_price return r def return_values(): import pandas as pd Apd.read_excel(沪深300指数交易数据表.xlsx) r1rdata(2014-01-01,2014-12-31,A) r2rdata(2015-01-01,2015-12-31,A) r3rdata(2016-01-01,2016-12-31,A) r4rdata(2017-01-01,2017-12-31,A) return (r1,r2,r3,r4)Step8.py: 沪深300指数2016年指数的关键转折点# -*- coding: utf-8 -*- 序列x1,x2,x3,如果|x2-(x1x2)/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。 并输出结果用一个序列Fs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 def return_values(): import pandas as pd import numpy as np Apd.read_excel(沪深300指数交易数据表.xlsx) I1A.iloc[:,1].values2016-01-01 I2A.iloc[:,1].values2016-12-31 dataA.iloc[I1I2,:].sort_values([Idxtrd01]) turn_points [] p data[Idxtrd05].values #价格 for i in range(1, len(p) - 1): #转折点 |x2-(x1 x3)/2| a abs(p[i] - (p[i-1] p[i1]) / 2) turn_points.append((i,a,p[i])) #转折18个点加上首尾就20个 turn_points.sort(keylambda x: x[1], reverseTrue) sel_points turn_points[:18] # 提取索引 sel_i [] for point in sel_points: sel_i.append(point[0]) #提取价格 sel_p [] for point in sel_points: sel_p.append(point[2]) #添加首尾两个点 sel_i [0] sel_i [len(p)-1] sel_p [p[0]] sel_p [p[-1]] #创建keydata序列 keydata pd.Series(sel_p, indexsel_i) return keydataStep9.py: 沪深300指数2016年平均收盘# -*- 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 def return_values(): import pandas as pd Apd.read_excel(沪深300指数交易数据表.xlsx) I1A.iloc[:,1].values2016-01-01 I2A.iloc[:,1].values2016-12-31 rdataA.iloc[I1I2,:].sort_values([Idxtrd01]) #计算移动平均 x10 rdata[Idxtrd05].rolling(window10).mean() x20 rdata[Idxtrd05].rolling(window20).mean() x30 rdata[Idxtrd05].rolling(window30).mean() x60 rdata[Idxtrd05].rolling(window60).mean() #索引从0开始 x10 x10.reset_index(dropTrue) x20 x20.reset_index(dropTrue) x30 x30.reset_index(dropTrue) x60 x60.reset_index(dropTrue) return (x10,x20,x30,x60)Step10.py: 沪深300指数2016年收盘指数的现价指标# -*- 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 def return_values(): import pandas as pd Apd.read_excel(沪深300指数交易数据表.xlsx) I1A.iloc[:,1].values2016-01-01 I2A.iloc[:,1].values2016-12-31 rdataA.iloc[I1I2,:].sort_values([Idxtrd01]) #10日移动平均收盘指数 ma10 rdata[Idxtrd05].rolling(window10).mean() #现价当日收盘指数 / 过去 10 个交易日的移动平均收盘指数 p10 rdata[Idxtrd05] / ma10 #重置索引dropTrue——去掉原先索引 p10 p10.reset_index(dropTrue) #reset_index()——重置索引 return p103.5 步骤管理系统从步骤名称中提取编号例如1.申万家用电器行业股票代码获取 → 提取数字1。# 获取步骤编号 def get_step_number(step_name): return int(step_name.split(.)[0])3.6 智能数据展示系统根据步骤号动态选择数据源只显示前100条数据避免页面卡顿。def show_original_data(step_num): st.subheader(原始数据取前100条 ) if step_num in ORIGINAL_DATA: data ORIGINAL_DATA[step_num] # 特殊步骤的数据处理 if step_num 3: data step2.return_values() # 使用前一步的结果 elif step_num 4: data pd.DataFrame(step3.return_values()[0]) # 多维数据转换 elif step_num 6: data step5.return_values() # 引用其他模块结果 st.dataframe(data.head(100), use_container_widthTrue) #自适应布局use_container_widthTrue让表格适应容器宽度3.7 代码透明度设计每个step步骤对应的Python代码都显示在网页上支持语法高亮便于阅读和学习。def show_code(step_num): st.subheader(代码 ) st.code(CODE_CONTENTS[step_num], languagepython)3.8 导航与界面布局# 侧边栏 - 导航控制中心 with st.sidebar: st.subheader(请选择实验) selected_step st.selectbox( , STEPS) # selectbox( , STEPS)的空格占位使界面更简洁 # 主内容区域 - 动态显示标题 step_num get_step_number(selected_step) st.subheader(f//{selected_step}//)3.9 模块化步骤执行系统# 步骤1股票代码获取 if step_num 1: r step1.return_values() stock_codes [str(code).zfill(6) for code in r.index] result_df pd.DataFrame({股票代码: stock_codes, 股票简称: r.values}) st.dataframe(result_df) # 步骤2财务数据获取直接展示 elif step_num 2: r step2.return_values() st.dataframe(r) # 步骤3财务数据处理组合展示 elif step_num 3: x, code step3.return_values() df pd.DataFrame(x) df[Stkcd] code # 添加股票代码列 st.dataframe(df) # 步骤4 elif step_num 4: r step4.return_values() df pd.DataFrame(r) st.dataframe(df) # 步骤7 elif step_num 7: r step7.return_values() df pd.DataFrame(r) st.dataframe(df) # 步骤10 elif step_num 10: r step10.return_values() df pd.DataFrame(r) st.dataframe(df)3.10 高级可视化子系统step5股票走势可视化多只股票对比采用多线图每条线代表一只股票数据自动选取前5只股票避免图表过于拥挤使用groupby按股票代码分组绘制。elif step_num 5: # 数据处理 df[Trddt] pd.to_datetime(df[Trddt], format%Y-%m-%d) # 可视化配置 plt.rcParams[font.sans-serif] SimHei st.subheader(可视化走势图 ) top5_stocks df[Stkcd].unique()[:5] # 只显示前5只股票 plot_data df[df[Stkcd].isin(top5_stocks)] # 多线图绘制 plt.figure(figsize(10, 5)) for code, group in plot_data.groupby(Stkcd): plt.plot(group[Trddt], group[Clsprc], markersize3, labelstr(code))step6行业指数可视化单一指数走势采用单线图重点是时间序列模式。# 专业的时间序列处理 df[Trddt] pd.to_datetime(df[Trddt], format%Y-%m-%d) df df.sort_values(Trddt) # 按日期排序 plt.rcParams[font.sans-serif] SimHei # 创建图表对象 fig, ax plt.subplots(figsize(12, 6)) # 绘制指数走势限制前501个数据点 ax.plot(df[Trddt][:501], df[行业指数][:501], linewidth2, colorblue, label指数走势) # 专业的时间轴格式化 ax.xaxis.set_major_locator(mdates.MonthLocator()) # 按月设置刻度 ax.xaxis.set_major_formatter(mdates.DateFormatter(%Y-%m)) # 格式为年月step8转折点分析可视化关键点位识别采用折线散点图突出特殊点位。# 数据准备 rdata[交易天数] range(len(rdata)) # 创建连续的交易天数序列 # 中文显示配置 plt.rcParams[font.sans-serif] SimHei plt.rcParams[axes.unicode_minus] False # 绘制基础折线图 ax.plot(rdata[交易天数], rdata[Idxtrd05], b-, alpha0.9, label指数序列, linewidth1.2) # 高亮转折点 ax.scatter(r.index, r.values, colorred, s25, edgecolorblack, linewidth0.8, zorder5, label转折点) # zorder5确保散点图在折线图上方 # 样式优化 ax.spines[top].set_visible(False) # 隐藏上边框 ax.spines[right].set_visible(False) # 隐藏右边框step9移动平均线可视化多周期分析采用多线叠加图展示不同周期的趋势。# 多线图绘制4条移动平均线 plt.plot(rdata[Idxtrd01], x10, label10日移动平均, linewidth1, colorblue) plt.plot(rdata[Idxtrd01], x20, label20日移动平均, linewidth1, colororange) plt.plot(rdata[Idxtrd01], x30, label30日移动平均, linewidth1, colorgreen) plt.plot(rdata[Idxtrd01], x60, label60日移动平均, linewidth1, colorred) # 图表样式配置 plt.rcParams[font.sans-serif] SimHei plt.title(2016年沪深300指数移动平均线, fontsize14) plt.ylabel(指数点位, fontsize12) plt.legend(fontsize10) plt.grid(True, alpha0.2) # 半透明网格 plt.xticks(rotation45) # x轴标签旋转45度四、技术亮点4.1 模块化与数据智能管理10步模块化设计将复杂的金融分析拆解为独立步骤每个模块功能单一、接口统一智能数据流支持原始数据、中间结果、最终分析的自动流转与共享如沪深300数据一次加载多步骤复用4.2 专业可视化与用户体验金融级可视化内置多种专业图表股票走势、行业指数、技术指标支持时间序列优化显示一体化界面侧边栏导航配合原始数据-代码-结果-可视化四段式布局操作直观、分析透明五、Streamlit页面部分展示六、总结这个项目展示了如何将复杂的金融数据分析任务分解为清晰的步骤并通过现代化的Web界面呈现是一个功能完整的分析工具涵盖数据科学项目从数据处理到结果展示的全过程这个系统可以作为金融数据分析的入门项目也可以作为企业级分析工具的雏形进行进一步开发。