常聽人說五窮六絕七翻身，然而實踐是檢驗真理的唯一標準姊扔，順便熟悉一下pandas對于時間序列的處理
選用上證指數近十年數據 所需lib tushare

import pandas as pd
import tushare as ts 

上證指數十年觀之月份漲跌

sh = ts.get_k_data(code='sh', start='2007-01-01', ktype='M')
sh.head()

image.png

ktype='M',直接選取月份的數據惠奸。

sh.dtypes

date       object
open      float64
close     float64
high      float64
low       float64
volume    float64
code       object
dtype: object

date 現在是objec類型（可以簡單的理解為字符串）,我們需要先將其轉換成pandas時間相關的類型

sh.date = pd.to_datetime(sh.date)
sh.dtypes

date      datetime64[ns]
open             float64
close            float64
high             float64
low              float64
volume           float64
code              object
dtype: object

當date是datetime類型之后，我們便可以使用.dt 方法來自由轉化時間顯示的方式了恰梢。為了更加直觀佛南，我們將date轉化為月份。

sh.date = sh.date.dt.month
sh.head()

image.png

接下來統計大盤月線收陽（close > open）的情況

up = sh[sh.close > sh.open].date.value_counts()
print up

7     8
2     8
10    7
9     7
11    6
8     6
3     6
12    5
6     5
5     5
4     5
1     5
Name: date, dtype: int64

sh[sh.close > sh.open] - 刪選出所有符合條件的列
.date - 取出符合條件的列的月份
.value_counts - 計算各個月份出現的次數

從結果上嵌言，似乎真的有點五窮六絕七翻身...接下來轉化成概率并且排序一下

per = up/sh.date.value_counts()
per.sort_values()

1     0.454545
4     0.454545
5     0.454545
6     0.454545
12    0.500000
3     0.545455
8     0.545455
11    0.600000
9     0.636364
10    0.700000
2     0.727273
7     0.727273
Name: date, dtype: float64

% matplotlib inline

per.plot(kind='bar')

image.png

不多說了嗅回。十一月開始減倉，來年一月份再加倉呀页，繼續(xù)看好九月妈拌、十月這收獲的季節(jié)拥坛。

上證指數十年觀之周幾買入

weekday = ts.get_k_data(code='sh', start='2007-01-01', ktype='D')
weekday.head()

image.png

weekday.date = pd.to_datetime(weekday.date).dt.weekday_name
weekday.head()

image.png

per = weekday[weekday.close > weekday.open].date.value_counts()/weekday.date.value_counts()
per.plot(kind='bar')

image.png

周一最佳蓬蝶，周四最慘尘分，當然，差別沒月份那么明顯丸氛，而且這是日內漲跌培愁，漲了也有可能是假陽線。

放張pandas文檔截圖吧

image.png