开始免费使用
当前位置：首页 > Python > Python数据分析之NumPy常用函数使用详解

Python数据分析之NumPy常用函数使用详解

Ruby
Ruby
发布时间：2026-10-16| 6人浏览过
原创

本文以历史股价分析为例，详细讲解NumPy核心函数。涵盖loadtxt与savetxt的文件读写、usecols参数筛选、average加权与算术平均、diff计算收益率、log对数收益及波动率公式。通过实战代码演示日期处理、where筛选、std标准差及极值统计，帮助掌握NumPy在金融数据分析中的关键应用。

本文将通过历史股价分析案例，演示如何从文件加载数据，并深入讲解NumPy的基础数学与统计分析函数。内容涵盖文件读写技巧、函数式编程应用以及线性代数运算，旨在全面介绍NumPy的常用功能。

文件读入

文件读写是数据分析领域的一项基础且关键的技能。

CSV（Comma-Separated Value，逗号分隔值）是一种广泛使用的文件格式。通常，数据库的转存文件采用CSV格式，其中的各个字段直接对应数据库表中的列。

NumPy提供的loadtxt函数能够便捷地读取CSV文件，它会自动分割字段并将数据加载到NumPy数组中。

1、保存或创建新文件

import numpy as np

i = np.eye(3) #eye(n)函数创建n维单位矩阵
print(i)
np.savetxt('test.txt', i) #savetxt()创建并保存test.txt文件

使用savetxt()函数，若目标文件已存在则进行更新；若目录中不存在该文件，则创建并保存为test.txt。

运行结果如下：

[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]

2、读取csv文件的函数loadtxt

1）首先，在保存程序的目录下创建一个名为data.csv的文件，并设置数据如下图所示：

2）读取文件，代码如下：

c,v=np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)

usecols参数接收一个元组，用于指定获取第7至第8字段的数据，即上述文件中的股票收盘价和成交量。将unpack参数设置为True，可实现分拆存储不同列的数据，即将收盘价和成交量的数组分别赋值给变量c和v。

3、常见的函数

包括成交量加权平均、时间加权、算术平均值、中位数、方差等统计量。

import numpy as np

i = np.eye(3) #eye(n)函数创建n维单位矩阵
print(i)
np.savetxt('test.txt', i) #savetxt创建并保存test.txt文件

#读取csv文件
c,v=np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)
"""usecols 的参数为一个元组，以获取第7字段至第8字段的数据，也就是股票的收盘价和成交量数据。 unpack 参数设置为 True ，是分拆存储不同列的数据，即分别将收
盘价和成交量的数组赋值给变量c和v"""
vwap = np.average(c, weights=v)  #调用了average函数,将v作为权重参数使用，
print(vwap)
print('\n')
print( np.mean(c)) #算术平均值
print('\n')
t = np.arange(len(c))
print( t )
print('\n')
twap =np.average(c, weights=t) #按时间权重
print( twap )
print('\n')
h,l=np.loadtxt('data.csv',delimiter=',', usecols=(4,5), unpack=True)
# 获取第4字段至第5字段的数据，即股票的最高价和最低价

print ( np.max(h)) #获取最大值max()
print ( np.min(l)) #获取最小值min()
print('\n')
print( np.ptp(h) ) # 用ptp()函数计算了极差，即最大值和最小值之间的差值
print( np.ptp(l) )
print('\n')
print( np.median(c)) # 中位数median()函数，即多个数据中，处于中间的数
print( np.msort(c))#msort(( ))函数对价格数组进行排序,可以验证上述中位数
#方差的计算
variance = np.var(c) #方差函数var()
print(variance)

通过代码与Excel进行相关计算，运行结果如下：

为了后续计算，在data.csv中增加几行数据，修改并保存（为后续日期读写与修改，日期格式修改如下）：

603112,2022-4-1,,13.56,13.97,13.55,13.87,3750000603112,2022-4-2,,13.75,14.25,13.69,14.03,4003500603112,2022-4-3,,13.69,14.11,13.61,13.95,3956500603112,2022-4-4,,14.3,14.3,13.73,13.89,4250000603112,2022-4-5,,14.1,14.5,13.93,14,4013500603112,2022-4-6,,14.5,15.4,14.35,15.4,9056500603112,2022-4-7,,16,16.94,15.85,16.94,3750000

4、股票的收益率等

股市中最常见的指标是涨幅，即今日收盘价相对昨日的涨跌比例，计算公式为（今日收盘价-昨天收盘价）/昨日收盘价*100。NumPy中的diff()函数可返回由相邻数组元素差值构成的数组。由于相邻数据相减，diff()生成的数组比原数组少一个元素。

如上述修改后，若有7天的收盘价，diff()计算出的结果将只有6个数值。

import numpy as np

#读取csv文件
c,v=np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)

#股票的简单收益率
# diff 函数可以返回一个由相邻数组元素的差值构成的数组
results = np.diff(c)
print(results)
print('\n')
results1 = np.diff(c)/c[:-1]*100  #相对前一天的涨幅
print(results1)
print('\n')
Standard_deviation =np.std(results) # 计算出标准差
print(Standard_deviation)

运行结果，代码与Excel进行相比较：

5、对数收益与波动率

1）对数收益：利用log函数获取每个收盘价的对数值，再对结果使用diff函数即可。

logreturns = np.diff( np.log(c) )
print(logreturns)

运行结果：

[ 0.01146966 -0.00571839 -0.00431035 0.00788817 0.09531018 0.09531018]

2) where的作用

where函数可根据指定条件返回所有满足条件的序列索引值。例如，上述logreturns中有两个小于0的数据。

posretindices = np.where(results1 > 0) 
print('Indices with positive returns1',posretindices)

运行结果：

Indices with positive returns1 (array([0, 3, 4, 5], dtype=int64),)

3）波动率：波动率等于对数收益率的标准差除以其均值，再除以交易周期倒数的平方根。以下代码分别展示以年和月为统计周期的波动率计算。

annual_volatility =(np.std(logreturns)/np.mean(logreturns))/np.sqrt(1./252.)#使用浮点数才能得到正确的结果
print ( annual_volatility )
#月波动率
month_volatility =(np.std(logreturns)/np.mean(logreturns))/np.sqrt(1./12.)
print ( month_volatility )

6、日期分析

处理日期通常较为繁琐。由于NumPy主要针对浮点数运算，因此需要对日期进行专门处理。

通过上述代码可知，修改np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)中的usecols参数即可读取不同列。日期位于第2列，即下标应为1（数列下标从0开始），可重新定义新日期数列并获取后存入。

代码如下：

dates, c=np.loadtxt('data.csv', delimiter=',', usecols=(1,6), unpack=True) #读取下标为1、6的数据，分别存入到dates和c数列中。

但实际运行过程中会报错。

代码需要作如下修改：

import numpy as np
from datetime import datetime

def datestr2num(s): #定义一个函数
    return datetime.strptime(s.decode('ascii'),"%Y-%m-%d").date().weekday()  
#decode('ascii') 将字符串s转化为ascii码

#读取csv文件
dates,close=np.loadtxt('data.csv',delimiter=',', usecols=(1,6),converters={1:datestr2num},unpack=True)
print(dates)

运行结果：[4. 5. 6. 0. 1. 2. 3.]，也是从0开始，到6结束。为了更好地说明数据，可采用真实数据，即从通信达软件直接下载真实的交易数据，如下图所示：

（注意：较原来少了一列空格列）

修改代码如下：

import numpy as np
from datetime import datetime

def datestr2num(s): #定义一个函数
    return datetime.strptime(s.decode('ascii'),"%Y-%m-%d").date().weekday()  
#decode('ascii') 将字符串s转化为ascii码

#读取csv文件
dates,c=np.loadtxt('data.csv',delimiter=',', usecols=(1,5),
                       converters={1:datestr2num},unpack=True)
print(dates)

print(len(dates)) #统计导出的天数

运行结果：

如上图，导出有420天数据。

按周一到周五，统计相关数据：

averages = np.zeros(5) #创建包含5个元素的数组,保存交易日收盘价，0-4分别代表周一到周五五个交易日
for i in range(5):  #遍历0到4的日期标识
    indices =np.where(dates==i)   #where函数得到各工作日的索引值并存储在 indices 数组
    prices=np.take(c,indices)   #take函数获取各个工作日的收盘价。
    avg= np.mean(prices) #每个工作日计算出平均值存放在 averages 数组
    averages[i] = avg  #每个工作日计算出平均值存放在 averages 数组
    print('day', i)
    #print('prices', prices)
    print("Average", avg)

print(averages)

当然除了上述外，还可以求得420天里的最大值、最小值以及交易日平均值中最大值、最小值等，对代码进行如下修改：

import numpy as np
from datetime import datetime

def datestr2num(s): #定义一个函数
    return datetime.strptime(s.decode('ascii'),"%Y-%m-%d").date().weekday()  
#decode('ascii') 将字符串s转化为ascii码

#读取csv文件
dates,c=np.loadtxt('data.csv',delimiter=',', usecols=(1,5),
                       converters={1:datestr2num},unpack=True)

averages = np.zeros(5) #创建包含5个元素的数组,保存交易日收盘价，0-4分别代表周一到周五五个交易日
for i in range(5):  #遍历0到4的日期标识
    indices =np.where(dates==i)   #where函数得到各工作日的索引值并存储在 indices 数组
    prices=np.take(c,indices)   #take函数获取各个工作日的收盘价。
    avg= np.mean(prices) 
    averages[i] = avg  #每个工作日计算出平均值存放在 averages 数组,共有5个数值
    print('day', i)
    #print('prices', prices)
    print("Average", avg)

print(averages)
print('\n')

print('the top close price:',np.max(c)) #最高收盘价
print('the low close price:',np.min(c)) #最低收盘价
print('\n')

top = np.max(averages)  #找出averages数列中的最大值
print ("Highest average", top)
print ("Top day of the week", np.argmax(averages)) #argmax函数返回的是averages数组中最大元素的索引值
print('\n')

bottom = np.min(averages) #找出averages数列中的最小值
print ("Lowest average", bottom)
print ( "Bottom day of the week", np.argmin(averages))#argmin函数返回的是averages数组中最小元素的索引值

运行结果如下：

总结

本文初步导入了真实的股票交易信息，并利用NumPy常见函数进行了初步计算，列举了下列常用函数：

loadtxt()函数可以方便地读取CSV文件，自动切分字段，并将数据载入NumPy数组。

savetxt()创建并保存test.txt文件

np.loadtxt('data.csv', delimiter=',', usecols=(6,7),)usecols参数用来选择读取的数列

np.average(c, weights=v)加权平均,将v作为权重参数使用。

np.mean(c)) #算术平均值

np.max(h)) #获取最大值max()

np.min(l)) #获取最小值min()

np.ptp(h) )用ptp()函数计算了极值差。

np.median(c))中位数median()函数，即多个数据中，处于中间的数

np.msort(c))函数对价格数组进行排序。

np.var(c)方差函数var()

np.diff(c)函数可以返回一个由相邻数组元素的差值构成的数组

np.std(results) #标准差

np.diff( np.log(c) )

np.where(results1 > 0)选择

np.sqrt()#平方根sqrt(),浮点数

s.decode('ascii')将字符串s转化为ascii码

np.take(c,indices) #take函数获取各个工作日的收盘价。

np.argmax(averages)) #argmax函数返回数组中最大元素的索引值

np.argmin(averages))#argmin函数返回数组中最小元素的索引值

以上就是Python数据分析之NumPy常用函数使用详解的详细内容，更多关于Python NumPy常用函数的资料请关注本站其它相关文章！

相关文章

相关标签: Python NumPy 数据分析

免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。

作者最新文章

全部文章

Python 相关产品和应用

全部下载
PythonSelenium
Selenium

Selenium

4.51.0 · Windows

用于浏览器自动化和 Web 测试的 Python 工具。

Python机器学习
scikit-learn

scikit-learn

1.9.1 · Windows

常用 Python 机器学习算法与模型评估工具库。

Python代码质量
Black

Black

26.10.1 · Windows

强调一致性的 Python 自动代码格式化工具。

Python代码质量
Ruff

Ruff

0.17.1 · macOS

由 Rust 编写的高速 Python 代码检查和格式化工具。

Pythonpytest
pytest

pytest

9.1.1 · Windows

简洁而强大的 Python 自动化测试框架。

PythonFastAPI
FastAPI

FastAPI

0.146.0 · Windows

高性能 Python API 框架，支持类型提示和自动接口文档。

PythonFlask
Flask

Flask

3.1.3 · Windows

轻量灵活的 Python Web 应用框架。

PythonDjango
Django

Django

6.1.2 · Windows

成熟的 Python Web 框架，适合构建内容站点和业务系统。

PythonSpyder
Spyder

Spyder

6.1.7 · Windows

面向科学计算与数据分析的 Python 集成开发环境。

PythonSciPy
SciPy

SciPy

1.18.1 · Windows

面向科学、工程和技术计算的 Python 算法库。