基于Python的实时汇率接口调用代码实例
基于Python的实时汇率接口调用代码实例代码描述：基于Python的实时汇率接口调用代码实例代码平台：聚合数据#!usinpython#-*-coding:utf-8-*-impotjson,ullifomulliimpotulencode#----------------------------------#汇率调用示例代码－聚合数据#在线接口文档：http:docs80#----------------------------------defmain():#配置您申请的APPKeyappkey="*********************"#1.常用汇率查询equest1(appkey,"GET")#2.货币列表equest2(appkey,"GET")#3.实时汇率查询换算equest3(appkey,"GET")#常用汇率查询defequest1(appkey,m="GET"):ul="http:oneoxexchangequey"paams={"key":appkey,#应用APPKEY(应用详细页查询)}paams=ulencode(paams)ifm=="GET":f=ulli.ulopen("%s?%s"%(ul,paams))
& 果果文库所有资源均来源于互联网，仅供网友学习交流，若侵犯了您的权益，请联系我们予以删除。
299&&人浏览
16972&&人浏览
18264&&人浏览
15626&&人浏览
9181&&人浏览
9773&&人浏览
8133&&人浏览
3796&&人浏览
4397&&人浏览
18951&&人浏览
14008&&人浏览
16478&&人浏览
19239&&人浏览
9276&&人浏览
18647&&人浏览
本文标题：基于Python的实时汇率接口调用代码实例 链接地址：
copyright@ 2013- Inc. All Rights Reserved 果果文库 版权所有 联系站长: ; 经营许可证编号:浙ICP备号给出部分元数据数据样式：
TERMS AND CONDITIONS
http://www.bankofcanada.ca/terms/
&Daily exchange rates&
DESCRIPTION
&Daily average exchange rates - published once each business day by 16:30 ET. All Bank of Canada exchange rates are indicative rates only.&
id,label,description
FXAUDCAD,&AUD/CAD&,&Australian dollar to Canadian dollar daily exchange rate&
FXBRLCAD,&BRL/CAD&,&Brazilian real to Canadian dollar daily exchange rate&
FXCNYCAD,&CNY/CAD&,&Chinese renminbi to Canadian dollar daily exchange rate&
FXEURCAD,&EUR/CAD&,&European euro to Canadian dollar daily exchange rate&
FXHKDCAD,&HKD/CAD&,&Hong Kong dollar to Canadian dollar daily exchange rate&
FXINRCAD,&INR/CAD&,&Indian rupee to Canadian dollar daily exchange rate&
FXIDRCAD,&IDR/CAD&,&Indonesian rupiah to Canadian dollar daily exchange rate&
FXJPYCAD,&JPY/CAD&,&Japanese yen to Canadian dollar daily exchange rate&
FXMYRCAD,&MYR/CAD&,&Malaysian ringgit to Canadian dollar daily exchange rate&
FXMXNCAD,&MXN/CAD&,&Mexican peso to Canadian dollar daily exchange rate&
FXNZDCAD,&NZD/CAD&,&New Zealand dollar to Canadian dollar daily exchange rate&
FXNOKCAD,&NOK/CAD&,&Norwegian krone to Canadian dollar daily exchange rate&
FXPENCAD,&PEN/CAD&,&Peruvian new sol to Canadian dollar daily exchange rate&
FXRUBCAD,&RUB/CAD&,&Russian ruble to Canadian dollar daily exchange rate&
FXSARCAD,&SAR/CAD&,&Saudi riyal to Canadian dollar daily exchange rate&
FXSGDCAD,&SGD/CAD&,&Singapore dollar to Canadian dollar daily exchange rate&
FXZARCAD,&ZAR/CAD&,&South African rand to Canadian dollar daily exchange rate&
FXKRWCAD,&KRW/CAD&,&South Korean won to Canadian dollar daily exchange rate&
FXSEKCAD,&SEK/CAD&,&Swedish krona to Canadian dollar daily exchange rate&
FXCHFCAD,&CHF/CAD&,&Swiss franc to Canadian dollar daily exchange rate&
FXTWDCAD,&TWD/CAD&,&Taiwanese dollar to Canadian dollar daily exchange rate&
FXTHBCAD,&THB/CAD&,&Thai baht to Canadian dollar daily exchange rate&
FXTRYCAD,&TRY/CAD&,&Turkish lira to Canadian dollar daily exchange rate&
FXGBPCAD,&GBP/CAD&,&UK pound sterling to Canadian dollar daily exchange rate&
FXUSDCAD,&USD/CAD&,&US dollar to Canadian dollar daily exchange rate&
FXVNDCAD,&VND/CAD&,&Vietnamese dong to Canadian dollar daily exchange rate&
OBSERVATIONS
date,FXAUDCAD,FXBRLCAD,FXCNYCAD,FXEURCAD,FXHKDCAD,FXINRCAD,FXIDRCAD,FXJPYCAD,FXMYRCAD,FXMXNCAD,FXNZDCAD,FXNOKCAD,FXPENCAD,FXRUBCAD,FXSARCAD,FXSGDCAD,FXZARCAD,FXKRWCAD,FXSEKCAD,FXCHFCAD,FXTWDCAD,FXTHBCAD,FXTRYCAD,FXGBPCAD,FXUSDCAD,FXVNDCAD
,,,,,,,,,,,,,,,,,,,,,,,,,,
,0.1,0.3,0..100,0.1,0.5,0.6,0.2,0.40,0..4,0.39,0.9,1.059
,0.9,0.0,0..099,0.1,0.1,0.0,0.0,0.67,0..5,0.17,0.7,1.059
,0.3,0.8,0..099,0.3,0.5,0.0,0.1,0.43,0..3,0.09,0.0,1.058
,0.6,0.3,0..099,0.7,0.0,0.1,0.6,0.47,0..0,0.04,0.5,1.059
,0.5,0.7,0..099,0.5,0.6,0.7,0.7,0.81,0..0,0.09,0.4,1.059
,0.0,0.0,0..099,0.4,0.6,0.1,0.4,0.51,0..2,0.16,0.5,1.059
,0.1,0.6,0..099,0.5,0.4,0.7,0.3,0.68,0..6,0.19,0.6,1.059
,0.7,0.6,0..099,0.3,0.8,0.3,0.8,0.38,0..8,0.13,0.4,1.058
,0.9,0.7,0..099,0.4,0.9,0.6,0.2,0.22,0..6,0.08,0.6,1.058
,0.3,0.0,0..098,0.7,0.5,0.6,0.9,0.31,0..3,0.15,0.5,1.058
,0.5,0.0,0..098,0.6,0.4,0.0,0.1,0.81,0..0,0.99,0.0,1.058
,0.6,0.2,0..099,0.2,0.0,0.1,0.0,0.29,0..9,0.27,0.2,1.058
,1.8,0.9,0..100,0.4,0.1,0.3,0.1,0.86,0..7,0.60,0.9,1.059
,1.1,0.2,0..099,0.1,0.6,0.9,0.8,0.16,0..5,0.66,0.3,1.059
,1.8,0.6,0..099,0.5,0.6,0.1,0.4,0.28,0..7,0.67,0.4,1.059
脚本源码：DataMake.py
#coding=utf8
import urllib2
delData(content,startcon,endcon,starcon)：
content-----变量表示文本信息，字符串类型
startcon-----文本以什么内容开始，例如&OBSERVATIONS&
endcon------文本以什么内容结束,例如&SERIES&
starcon-------每行信息开始的内容，例如&2017&
该函数的功能，是获取一个信息列表
getdata()这个函数获取时间，以及汇率的字典样式列表
class DateMake():
def __init__(self):
#数据处理函数，返回一个信息列表
def delData(self,content,startcon,endcon,starcon):
#创建内容保存列表，用来保存列表信息
conlist=[]
#获取第一次出现内容的索引位置
startindex=content.find(startcon)
#获取第一次出现内容的索引位置
stopIndex=content.find(endcon)
#针对内容中特定的一部分进行相应操作
#获得相应的内容列表
for line in content[startindex:stopIndex].split(&\n&):
#如果内容片段的每行以特定字段开头
if line.startswith(starcon):
#内容以分号分隔，把分隔的信息放入表中
linelist=line.split(&,&)
#把内容加入到conlist 中
conlist.append(linelist)
return conlist
#处理操作的数据
def getdata(self):
#创建一个汇率字典用来保存数据文件
rates = {}
#保存日期信息，初始化为Unknown
date = &Unknown&
#获取连接页面内容
fh = urllib2.urlopen(&http://www.bankofcanada.ca/valet/observations/group/FX_RATES_DAILY/csv&)
#创建一个列表，用来保存需要的信息，包括国家、汇率等
currency=[]
#获取文件中信息并保存在content中
content=fh.read()
#调用delData()方法，获取一个包含国家名的列表
contList=self.delData(content,&SERIES&,&OBSERVATIONS&,&FX&)
#创建一个列表用来保存国家名
countryList=[]
#从列表中提取国家名
#把国家名放入国家列表中
for con in contList:
#获取带有国家名的字段放在相应变量中
country=con[-1].split()
#去掉国家名称前面的&
country=country[0].lstrip('&')
#把国家名放入国家列表中
countryList.append(country)
#把保存国家名的列表添加到currency列表中
currency.append(countryList)
#调用delData()方法创建一个汇率信息列表
convertList=self.delData(content,&OBSERVATIONS&,&ERRORS&,&2017&)
#获取数据最新的日期
date= convertList[-1][0]
#对汇率列表进行处理，把去掉日期部分
#把不为空的汇率数据放currency中
for con in convertList:
if not con[2]==&&:
currency.append(con[1:])
#调用map、zip、list函数，把currency转换成样式为
#[国家名，汇率信息]的样式的列表
ratelist=map(list,zip(*currency))
for rate in ratelist:
#获取最新的汇率值
value = float(rate[-1])
#指定国家的汇率值
#给rates赋值
rates[unicode(rate[0])] = value
#返回汇率日期与汇率表
return &Exchange Rates Date: & + date,rates
except Exception, e:
#出现异常返回错误值
return &Failed to download:\n%s& % e
mk=DateMake()
print mk.getdata()
运行结果图：
本文已收录于以下专栏：
相关文章推荐
之前学习swing时写个一个简单的汇率转换器，之前又学习了python，于是想用python写个爬虫，把数据给java展示出来，媒介采用jython,将python解析的结果保存到txt文档中，jav...
需求：在进行hadoop测试时，需要造大量数据，例如某个表存在56列，但实际程序逻辑只适用到某几列，我们造的数据 也只需要某几列
           构造几列数据，转化为对应数据表格式
涉及模块：o...
#coding=utf8
'''
货币转换实例讲解：
这个应用必须第一下载和参数这交换汇率。
那么它必须创建用户接口来指定用户货币和感兴趣的金额。
这个应用需要导入包：sys、urllib2、PyQ...
python 环境 2.7.4
最终效果如下
使用 了 pyinstaller 
这里打包一个exe只需两步
python 环境下 命令行直接 pip install pyinstalle...
TensorFlow官方文档里面，MNIST数据集下载脚本。 网页原始url打不开，这里给出github地址。下面也贴出源码。
他的最新文章
讲师：王哲涵
讲师：韦玮
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)基于Python的实时汇率接口调用代码实例
基于Python的实时汇率接口调用代码实例代码描述：基于Python的实时汇率接口调用代码实例代码平台：聚合数据#!usinpython#-*-coding:utf-8-*-impotjson,ullifomulliimpotulencode#----------------------------------#汇率调用示例代码－聚合数据#在线接口文档：http:docs80#----------------------------------defmain():#配置您申请的APPKeyappkey="*********************"#1.常用汇率查询equest1(appkey,"GET")#2.货币列表equest2(appkey,"GET")#3.实时汇率查询换算equest3(appkey,"GET")#常用汇率查询defequest1(appkey,m="GET"):ul="http:oneoxexchangequey"paams={"key":appkey,#应用APPKEY(应用详细页查询)}paams=ulencode(paams)ifm=="GET":f=ulli.ulopen("%s?%s"%(ul,paams))
& 果果文库所有资源均来源于互联网，仅供网友学习交流，若侵犯了您的权益，请联系我们予以删除。
145&&人浏览
15018&&人浏览
14274&&人浏览
3670&&人浏览
2680&&人浏览
10511&&人浏览
10322&&人浏览
6219&&人浏览
10680&&人浏览
13994&&人浏览
17663&&人浏览
10721&&人浏览
7701&&人浏览
371&&人浏览
7615&&人浏览
本文标题：基于Python的实时汇率接口调用代码实例 链接地址：
copyright@ 2013- Inc. All Rights Reserved 果果文库 版权所有 联系站长: ; 经营许可证编号:浙ICP备号登录以解锁更多InfoQ新功能
获取更新并接收通知
给您喜爱的内容点赞
关注您喜爱的编辑与同行
966,690 九月 独立访问用户
语言 & 开发
架构 & 设计
文化 & 方法
您目前处于：
如何使用Python对Instagram进行数据分析？
如何使用Python对Instagram进行数据分析？
Nour Galaby
0&他的粉丝
1&他的粉丝
日. 估计阅读时间:
硅谷人工智能、机器学习、互联网金融、未来移动技术架构 ，
相关厂商内容
相关赞助商
Instagram提供了官方API，但是这些API有些过时，并且当前所提供的功能也非常有限。因此在本文中，我使用了。该API支持所有关键特性，例如点赞、加粉、上传图片和视频等。它使用Python编写，本文中我只关注数据端的操作。
我推荐使用Jupyter Notebook和IPython。使用官方Python虽然没有问题，但是它不提供图片显示等特性。
你可以使用pip安装该软件库，命令如下：
python -m pip install -e git+/LevPasha/Instagram-API-python.git#egg=InstagramAPI
如果系统中尚未安装ffmpeg，那么在Linux上，可以使用如下命令安装：
sudo apt-get install ffmpeg
对于Windows系统，需在Python解释器中运行如下命令：
import imageio
imageio.plugins.ffmpeg.download()
下面使用API，实现登入Instragram：
from InstagramAPI import InstagramAPI
username=&YOURUSERNAME&
InstagramAPI = InstagramAPI(username, &YOURPASSWORD&)
InstagramAPI.login()
如果登录成功，那么你会收到&登陆成功&的消息。
做好上面的准备工作后，我们可以着手实现首次请求：
InstagramAPI.getProfileData()
result = InstagramAPI.LastJson
{u'status': u'ok',
u'user': {u'biography': u'',
u'birthday': None,
u'country_code': 20,
u'email': ',
u'external_url': u'',
u'full_name': u'Nour Galaby',
u'gender': 1,
u'has_anonymous_profile_picture': False,
u'hd_profile_pic_url_info': {u'height': 1080,
u'url': u'https://instagram.fcai2-1.fna.fbcdn.net/t51.2885-1aaa_1aa.jpg',
u'width': 1080},
u'hd_profile_pic_versions': [{u'height': 320,
u'url': u'https://instagram.fcai2-1.fna.fbcdn.net/t51.0x320/19aa310aaa32_a.jpg',
u'width': 320},
{u'height': 640,
u'url': u'https://instagram.fcai2-1.fna.fbcdn.net/t51.0x640/_44_a.jpg',
u'width': 640}],
u'is_private': True,
u'is_verified': False,
u'national_number': 122,
u'phone_number': u'+;,
u'pk': ,
u'profile_pic_id': u'',
u'profile_pic_url': u'https://instagram.fcai2-1.fna.fbcdn.net/t51.0x150/__a.jpg',
u'show_conversion_edit_entry': False,
u'username': u'nourgalaby'}}
如上所示，结果是以JSON格式给出的，其中包括了所有请求的数据。
你可以使用正常的键值方式访问结果数据。例如：
(点击放大图像)
你也可以使用工具（例如Notepad++）查看JSON数据，并一探究竟。
获取并查看Instagram时间线
下面让我们实现一些更有用的功能。我们将请求排在时间线最后的帖子，并在Jupyter Notebook中查看。
下面代码实现获取时间线：
InstagramAPI.timelineFeed()
类似于前面的请求实现，我们同样使用LastJson()查看结果。查看结果JSON数据，我们可以看到其中包括一系列称为&条目&的键值。列表中的每个元素保存了时间线上特定帖子的信息，其中包括如下元素：
[text]：保存了标题下的帖子文本内容，包括hashtag。
[likes]：帖子中的点赞数。
[created_at]：帖子创建时间。
[comments]：帖子的评论。
[image_versions]：保存有指向实际JPG文件的链接，可使用该链接在Jupyter Notebook中显示图片。
函数Get_posts_from_list()和Get_url()在帖子列表上循环，查找每个帖子中的URL，并附加到我们的空列表中。
上述函数完成后，我们将得到一个URL列表，如下所示：
(点击放大图像)
我们可以使用IPython.display模块查看图片，代码如下：
(点击放大图像)
(点击放大图像)
在IPython Notebook中查看图片是十分有用的功能，我们之后还会使用这些函数去查看结果，敬请继续。
获取最受欢迎的帖子
现在我们已经知道了如何发出基本请求，但是如何实现更复杂的请求呢？下面我们要做一些类似的事情，即如何获取我们的帖子中最受欢迎的。要实现这个目的，首先需要获取当前登录用户的所有帖子，然后将帖子按点赞数排序。
获取用户的所有帖子
要获取所有帖子，我们将使用next_max_id和more_avialable值在结果列表上执行循环。
import time
myposts=[]
has_more_posts = True
while has_more_posts:
InstagramAPI.getSelfUserFeed(maxid=max_id)
if InstagramAPI.LastJson['more_available'] is not True:
has_more_posts = False #stop condition
print &stopped&
max_id = InstagramAPI.LastJson.get('next_max_id','')
myposts.extend(InstagramAPI.LastJson['items']) #merge lists
time.sleep(2) # Slows the script down to avoid flooding the servers
print len(myposts)
保存和加载数据到磁盘
因为上面的请求可能需要很长的时间才能完成，我们并不想在没有必要时运行它，因此好的做法是将结果保存起来，并在继续工作时再次加载。为此，我们将使用Pickle。Pickle可以将任何变量序列化并保存到文件中，进而加载它们。下面给出一个工作例子：
import pickle
filename=username+&_posts&
pickle.dump(myposts,open(filename,&wb&))
import pickle
filename=&nourgalaby_posts&
myposts=pickle.load(file=open(filename))
按点赞数排序
现在我们得到了一个名称为&myposts&的有序字典。要实现根据字典中的某个键值排序，我们可以使用Lambda表达式，代码如下：
myposts_sorted = sorted(myposts, key=lambda k:
k['like_count'],reverse=True)
top_posts=myposts_sorted[:10]
bottom_posts=myposts_sorted[-10:]
如下代码可以实现和上面一样的显示：
image_urls=get_images_from_list(top_posts)
display_images_from_url(image_urls)
我们可能想要对我们的帖子做一些过滤。例如，可能有的帖子中是视频，但是我们只想要图片帖子。我们可以这样做过滤：
myposts_photos= filter(lambda k: k['media_type']==1, myposts)
myposts_vids= filter(lambda k: k['media_type']==2, myposts)
print len(myposts)
print len(myposts_photos)
print len(myposts_vids)
当然，你可以对结果中的任何变量做过滤，发挥你的创造力吧！
InstagramAPI.getRecentActivity()
get_recent_activity_response= InstagramAPI.LastJson
for notifcation in get_recent_activity_response['old_stories']:
print notifcation['args']['text']
结果可能是：
userohamed3 liked your post.
userhacker32 liked your post.
user22 liked your post.
userz77 liked your post.
userwww77 started following you.
user2222 liked your post.
user23553 liked your post.
仅来自特定用户的通知
现在，我们可以按我们的要求操作并玩转通知。例如，我可以获得来自于特定用户的通知列表：
username=&diana&
for notifcation in get_recent_activity_response['old_stories']:
text = notifcation['args']['text']
if username
print text
让我们尝试一些更有意思的操作，例如：得到你被点赞最多的时刻，一天中何时人们点赞最多。要实现这些操作，我们将绘制一个关系图，显示一天中的时刻和你所收到点赞数的关系。
下面的代码绘制了通知的时间日期：
import pandas as pd
df = pd.DataFrame({&date&:dates})
df.groupby(df[&date&].dt.hour).count().plot(kind=&bar&,title=&Hour& )
(点击放大图像)
正如在此例中所看到的，我在下午六点到十点间得到的点赞最多。如果你了解社交媒体，你就会知道这是高峰使用时间，大多数企业选取此时间段发帖以获得最大的认可度。
获取粉丝和被粉列表
下面我将获取粉丝和跟帖列表，并在列表上执行一些操作。
要使用getUserFollowings和getUserFollowers这两个函数，你首先需要取得user_id。下面给出了一种获取user_id的方式：
(点击放大图像)
现在你可以如下调用函数。注意，如果粉丝数量非常大，你需要做多次请求（下文将详细介绍）。现在我们做了一次请求去获取粉丝和被粉列表。JSON结果中给出了用户列表，其中包含每个粉丝和被粉者的信息。
InstagramAPI.getUserFollowings(user_id)
print len(InstagramAPI.LastJson['users'])
following_list=InstagramAPI.LastJson['users']
InstagramAPI.getUserFollowers(user_id)
print len(InstagramAPI.LastJson['users'])
followers_list=InstagramAPI.LastJson['users']
如果粉丝数量很大，那么给出的结果可能并非完整列表。
获得所有的粉丝
获得所有粉丝列表类似于获得所有帖子。我们将发出一个请求，然后对结果使用next_max_id键值做迭代处理。
在此感谢Francesc Garcia所提供的支持。
import time
next_max_id = True
while next_max_id:
print next_max_id
#first iteration hack
if next_max_id == True: next_max_id=''
_ = InstagramAPI.getUserFollowers(user_id,maxid=next_max_id)
followers.extend ( InstagramAPI.LastJson.get('users',[]))
next_max_id = InstagramAPI.LastJson.get('next_max_id','')
time.sleep(1)
followers_list=followers
对于被粉列表也可以同样做，但是我并不会这样做，因为就我而言，一次请求就足以获取我的所有被粉者。
现在我们得到了JSON格式的所有粉丝和被粉者的列表数据。我将转化该列表为一种对用户更友好的数据类型，即集合，以方便在数据上做一系列的操作。
我只取其中的&username&键值，并在其上使用set()。
user_list = map(lambda x: x['username'] , following_list)
following_set= set(user_list)
print len(following_set)
user_list = map(lambda x: x['username'] , followers_list)
followers_set= set(user_list)
print len(followers_set)
这里我选取了所有用户名的集合。对&full_name&也可同样操作，并且结果更为用户友好。但是结果可能并非唯一，因为一些用户可能没有提供全名。
现在我们得到了两个集合。我们可以做如下操作：
(点击放大图像)
这里我给出了粉丝的一些统计数字。你可以做很多事情，例如保存粉丝列表并稍后做对比，以了解掉粉的情况。
上面我们给出了可对Instagram数据进行的操作。我希望你已经学会了如何使用Instagram API，并具备了一些使用这些API可以做哪些事情的基本想法。敬请关注一下官方API，它们依然在开发中，未来你可以使用它们做更多的事情。如有任何疑问或建议，欢迎联系我。
是一名数据科学狂热者，潜心于数据科学和机器学习。
查看英文原文：
感谢对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作，请邮件至。也欢迎大家通过新浪微博（，），微信（微信号：）关注我们。
Author Contacted
语言 & 开发
25 他的粉丝
架构 & 设计
169 他的粉丝
0 他的粉丝
0 他的粉丝
告诉我们您的想法
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p
当有人回复此评论时请E-mail通知我
赞助商链接
InfoQ每周精要
订阅InfoQ每周精要，加入拥有25万多名资深开发者的庞大技术社区。
架构 & 设计
文化 & 方法
<及所有内容，版权所有 &#169;
C4Media Inc.
服务器由 提供, 我们最信赖的ISP伙伴。
北京创新网媒广告有限公司
京ICP备号-7
找回密码....
InfoQ账号使用的E-mail
关注你最喜爱的话题和作者
快速浏览网站内你所感兴趣话题的精选内容。
内容自由定制
选择想要阅读的主题和喜爱的作者定制自己的新闻源。
设置通知机制以获取内容更新对您而言是否重要
注意：如果要修改您的邮箱，我们将会发送确认邮件到您原来的邮箱。
使用现有的公司名称
修改公司名称为：
公司性质：
使用现有的公司性质
修改公司性质为:
使用现有的公司规模
修改公司规模为：
使用现在的国家
使用现在的省份
Subscribe to our newsletter?
Subscribe to our industry email notices?
我们发现您在使用ad blocker。
我们理解您使用ad blocker的初衷，但为了保证InfoQ能够继续以免费方式为您服务，我们需要您的支持。InfoQ绝不会在未经您许可的情况下将您的数据提供给第三方。我们仅将其用于向读者发送相关广告内容。请您将InfoQ添加至白名单，感谢您的理解与支持。《零起点，python大数据与量化交易》
《零起点，python大数据与量化交易》，这应该是国内第一部，关于python量化交易的书籍。
有出版社约稿，写本量化交易与大数据的书籍，因为好几年没写书了，再加上近期“前海智库·zw大数据”项目，刚刚启动。
因为时间紧，只花了半天时间，整理框架和目录。
说是v0.1版，但核心框架已经ok；从项目角度而言，完成度，已经超过70%，剩下的只是体力活。
完成全本书，需要半年以上连续时间，本人没空，大家不要再问：“什么时间可以完成。”
配合zwPython，这个已经是套完整的：大数据分析、量化交易学习教材；质素方面，相信比市面上90%的同类作品强。
有兴趣的网友，可以自己百度，编写脚本，另外可以加入Q群：(zwPython大数据量化交易).
进群后，请大家多多发言，有时间，我也会和大家互动。
zw量化实盘·魔鬼训练营&金融行业的：生存训练，Win
or Home（要么全赢，要么滚蛋）
ps，10.21,
刚才百度&没想到zwPython成了关键词：&python&量化交易的第一品牌，完全没做任何seo优化&
关于关于大数据、高频交易和AI人工智能，字王的观点一向是：
凡是无法通过“足彩数据”实盘测试的大数据方案、算法，都是在耍流氓
关于足彩的几个误区
足彩虽然容易与赌球混淆，但却是最好的大数据研究对象，没有之一
微软、百度、谷歌，目前都有专业团队，在做足彩大数据，并定期发布
说白了，足彩相当于十倍配资的股票
国内足彩的确很黑，比欧平低10%左右，
彩票的发明人和股票，据说都是同一个英国爵士
必胜足彩交易所，成立当年，获得了英国MBA商业创新大奖
高盛n年前，就开始足彩套利业务，维基百科有介绍
黑天鹅(红牛吧)足彩，是首家公开进行、实盘测试的足彩大数据模型
黑天鹅，是业内率先以：盈利率，而不是：胜率（百度目前还是），测试足彩大数据算法模型
黑天鹅算法盈利率90-95%，是目前业内最高的，比百度高约20-30%
黑天鹅(红牛吧)足彩·实盘测试·近期数据统计（）
8月,单选,胜率：59.41%(101/170),盈利率，121%,二串一(2x1),胜率：46.34%(19/41),盈利率，143.02%,
9月,单选,胜率：48.75%(39/80),盈利率，101%,二串一(2x1),胜率：35.%(7/20),盈利率，94.74%
10月,单选,胜率：64.71%(11/17),盈利率，135%，二串一(2x1),胜率：33.33%(1/3),盈利率，130%
目前已经比较稳定，盈利率应该是行业最高的，比百度强，再测试一段就OK了。
（python大数据·思维导图）
大数据，量化交易，属于目前比较前沿的IT技术，相关用户，绝大部分是非IT行业的市场管理人员和金融工作者，没有任何编程基础。
同时，更多的普通民众，在日常工作、生活、投资时，例如，购买股票、基金、足彩，也迫切需要一些专业的数据分析知识和软件，作为更加专业的投资工具。
目前，量化投资、高频交易领域，一线操盘手自己编程，将投资策略直接程序化，已经成为国际大投行的标配。
在数据处理领域，特别在量化交易方面，python已成为“统治级”编程语言。
伴随中国政府金融领域的扩张战略，以及与国际金融接轨，大量海龟派金融人员回归，有专家称，“未来五年(2020），专业投资人，不懂python编程，就像不懂英语，不会电脑操作，面临下岗的可能。”
因此，便有了这本：《零起点，python大数据与量化交易》
IT零起点，无需任何电脑编程基础，会打字、会word，就能看懂本书，利用本书配套的Python软件包，轻松学会如何利用python，对股票、足彩数据，进行专业分析，量化投资分析
投资零起点，无需购买任何专业软件，本书配套的zwPython软件包，采用开源模式，提供100%全功能、全免费的工业级数据分析平台。
配置零起点，所有软件、数据，全部采用苹果“开箱即用”模式，绿色版本，无需安装，解压即可，直接运行系统。
理财零起点，无需任何专业金融背景，采用通俗易懂的语言，配合大量专业图表，实盘操作案例，轻松掌握各种量化投资策略。
数学零起点，全书没有任何复杂数学公式，只有最基本的加减乘除，初中以上文化，即可看懂
根据作者多年一线实践经验，本书在大数据分析领域，首次提出了许多原创的、缘自一线实战的观点和理论，例如：暗数据、“小数据”理论，黑天鹅算法，大部分还附有python源码，方便读者直接使用。
此外，本书还介绍了，采用黑天鹅算法实现的，国内首个通过足彩实盘测试的大数据方案：zw足彩数据分析平台。
【补充说明】
本书内容偏重于数据分析，特别是量化交易方面的数据分析，是因为
实践工作中，除了移动、百度、阿里等超大型，数据密集型企业外，99%以上的企业，包括上市公司，并不具备，也不需要真正的TB级大数据分析软件、硬件环境，计算集群和cuda都很少
金融领域，国内A股市场，数千股票，历年裸数据合集，不超数据10G，千万级规模
目前大数据领域，尚处于萌芽阶段，算法、模型每年变化都很大，因此这方面的内容，以定性为主
大数据分析的核心，是数据分析算法，书中介绍的都是经典算法，通用性很强
&回复&：目前忙“黑天鹅”算法的实盘测试，暂时没时间写书。
急的话&自己下个zwPython&带pandas数据分析、demo演示代码，有中文教材，绿色版，解压即可，
配合目录作为大纲，自己边看边学，码码python脚本，效果更好
blog首页“置顶”有百度网盘的下载地址(6月8日&15:36)
《零起点，python大数据与量化交易》目录
第1章、大数据简介
大数据思维导图
计算统计学
并行运算框架
GPU超算平台
大数据史前模式
云计算时代
大数据主要应用领域
大数据技术流派
Hadoop生态圈
NoSQL数据库
Storm流处理分布式计算框架
SPark内存计算与通用并行计算框架
IBM数据流Stream体系
Python与大数据
Python，统治级数据编程语言
Pandas数据分析
Nltk文本语义分析
Scikit人工智能和机器学习
Numpy/scipy矢量数据和科学计算
sympy符号计算
Gpu并行超速运算
Opencv图像视频处理
TVTK/mayavi可视化计算
第2章、量化交易简介
金融工程学
计量金融学
足彩，被误解的投资模式
年收益269%的神奇投资术
第3章、小数据更酷
失败的经典：啤酒与尿布
小数剧理论
哥白尼原则
任何程序化交易系统都有“半衰期”
0与1：计算的本质
阴阳八卦易经
暗数据与全数据
帕累托分析法
分析模型比数据规模更重要
实战案例：百万社区数据库
实战案例：神奇的魔鬼英语：500单词看懂原著
实战案例：史上最强网络推广案例：惠普笔记本数码混搭
每次只解决一个问题
量化投资第一季：单一指数模型
第4章、神一般的黑天鹅算法
黑天鹅是新常态
运算速度快一个数量级
数据规模小一个数量级
全数据建模小数据匹配
黑天鹅算法PK现代与传统
与传统抽样数据库算法比较
与其他大数据方案算法比较
黑天鹅算法基本流程
数据预处理
衍生数据扩充
数据归一化
学生化残差
建立参数v知识库
建立黑天鹅判别模型库
寻找黑天鹅
第5章、Python，“统治级”数据处理语言
Python一卡通
Python常用模块
numPy数据分析
Matplotlib可视化计算
Pandas数据分析平台
内置数据分析函数
时间序列分析
股票数据分析
足彩数据分析
大数据与Python十倍速性能优化
软加速：矢量优先
软加速：cpython
SSD加速大法
KBD全内存数据库
Gpu终极加速方案
第6章、大数据十大经典算法Python版
AdaBoost机器学习迭代分析算法
Apriori关联分析算法
C4.5分类决策树算法
CART分类回归树算法
decision tree
决策树数据分类算法
EM最大期望关联分析算法
kNN 机器学习最近邻分类算法
k-means聚类分析算法
Bayes朴素贝叶斯数据分类算法
PageRank引用分析算法
SVM向量机数据分类算法
其他经典算法
Apriori框架的图挖掘算法
AGM图论节点图数据挖掘算法
FSG图论边框数据挖掘算法
Pattern-growth框架图挖掘算法
gSpan右路径扩展算法
闭合子图挖掘算法
CLOSEGRAPH图挖掘算法
闭合完全连通子图挖掘算法
CLAN图挖掘算法
Cocain图挖掘算法
FP-Growth模式树分类算法
logistic回归算法
propagation聚类算法
HMM隐性马可夫模型
第7章、数据源与在线数据采集
案例：搜索引擎链接数
案例：百度TOP100指数
案例：行业关键词与衍生关键词
案例：企业竞争情报搜集
常用在线数据API接口
第8章、从故事开始学统计
趣味统计学
尔斯伯格悖论
蒙特卡罗方法
德国坦克问题
无限猴子定理
常用统计数值编程
极值:极大值,极小值,极差/全距
均值:算术平均数,几何平均数,调和平均数,希罗平均数,加权平均数,幂平均/赫尔德平均,毕达哥拉斯平均,平均数不等式
方差等：均方差，平均差，偏度，峰度
其他统计值：累积和、总数,众数，中位数，四分位数
常用统计图表
四种基本图表：直方图Histogram，长条图Bar Chart，圆饼图/比例图Pie Chart，折线图/趋势图Line chart
金融类图表：K线图Candlestick chart，均线图Moving Average chart，布林带图Bollinger Bands，BBands
统计类图表：箱形图，双标图，标准九分图，概率图，半对数线图，散点图，茎叶统计图，统计地图
其他图表：时间轴图表，流程图，山形图Area_chart，瀑布图Waterfall chart，量化波形图Streamgraph，落差图GapChart，泡泡图Bubble chart，极区图，雷达图Radar_chart，示意地图Cartogram
第9章、从故事开始学量化交易
趣味理财学
DCA懒人理财术
兴登堡凶兆
布拉普预测
Gordon高登模型
奥卡姆剃刀与KISS法则
三种基础模型：资产配置模型，行业模型，股票模型。
四大特点：纪律性，系统性，套利思想，概率取胜
量化投资策略
量化选股：估值法，趋势法，资金法
股指期货套利：现货构建，套利定价，保证金管理，冲击成本，成分股调整
商品期货套利
统计套利：
β中性策略
期权套利：水平套利，垂直套利，转换套利，反向转换套利，跨式套利，蝶式套利，飞鹰式套利
算法交易：被动型算法交易，主动型算法交易，综合型算法交易
组合投资与资产配置
股票价差套利
衍生品套利
公司并购套利
市政债券套利
宽客兵器谱
KDB内存数据库
Quant交易数据分析平台
HFT高频交易常用策略和技术
收报机交易
低延迟策略
订单属性策略
夺取优先权
监听大买卖盘
黑池交易平台
第10章、统计学与数据分析基础
离散分布：均匀分布，二项分布，正态分布，几何分布，超几何分布，超几何分布和二项分布的关系，泊松分布，泊松分布近似，泊松试验，复合泊松分布
连续分布：均匀分布，指数分布，对数分布，伽马分布，高斯/正态分布，肥尾分布，重尾分布，正态分布和二项分布，帕斯卡分布，韦伯分布，伯努利分布
其他统计分布模式：Gamma伽玛分布，卡方分布，F分布，Β分布，β-二项式分布，稳定分布，三角形分布，联合分布，条件概率分布，柯西分布，
皮尔森卡方检定,学生t检验
零假设检验
Jarque-Bera检验
柯尔莫诺夫-斯米尔诺夫检验
迪基-福勒检验,扩张的Dickey-Fuller检定
核密度估计
其他统计分析方法
贝叶斯概率
最大似然估计
赤池信息量准则
线性回归：简单线性回归，最小二乘法，复回归分析，对数线性回归
非线性回归：逻辑回归，偏回归，自回归，ARMA自回归滑动平均模型，ARIMA差分自回归滑动平均模型，格兰杰因果关系，向量自回归模型，曲线拟合分析，分量回归，泊松回归
方差：协方差，自协方差，互协方差，均方差，异方差，偏差，SD标准差，CV标准离差率，最小方差无偏估计，最小均方差估计
方差和：SST总平方和，SSM模型平方和
R2回归系数
变异量（数）
时间序列分析
数据关联分析
常用关联参数：耦合，显著性差异，净相关，Gamma相关系数，Spearman等级相关系数，Kappa一致性系数，Kendall等级相关系数，Kendall和谐系数，Pearson相关系数，Phi相关系数，列联相关系数，四分相关系数，点二系列相关系数，二系列相关系数，皮尔逊积差系数，斯皮尔曼等级相关系数
关联分析模型：杜宾-瓦特森统计量，邻里成分分析，朴素贝叶斯分类器，PCC皮尔逊积矩相关系数，自相关函数，关联式规则，ROC曲线
数据关联度分析
三大主流方法：最小平方误差，MLE极大似然，贝叶斯相关
其他方法：MME矩关联度，Cram&r-Rao不等式，MMSE最小均方差，MAP最大后验概率，MVUE最小方差非偏关联度，BLUE最佳线性非偏关联度，非偏关联度，Particle filter，MCMC，卡尔曼滤波，维纳滤波
核心关联度函数：欧式距离，曼哈顿距离，infinity norm，马氏距离，余弦相似性，汉明距离
QT聚类算法
图论聚类算法
线性判别分析
PCA主成分分析
常用统计分析模型
布莱克-舒尔斯模型
赫尔怀特模型
马尔可夫过程
第11章、现代投资组合理论
第12章、趋势为王
趋势判断型量化投资策略
波动率判断型量化投资策略
第13章、三大基本建模策略
第14章、三大量化投资模型
单元交易模型
双元交易模型：长短线模型
三元及多元模型
第15章、组合交易策略
价值策略组合
动量策略组合
融合策略组合
混合策略组合
第16章、无风险套利交易策略
ETF套利交易策略
股指期货期现套利交易策略
国债期货套利交易策略
第17章、风险套利交易策略
阿尔法套利
第18章、交易模型主要考核指标
胜率/盈亏比率k
最大单次盈利
最大单次亏损
最大连续盈利次数
最大连续亏损次数
第19章、足彩数据分析
同注分彩法
第20章、量化投资常用实盘操作策略
第21章、日内交易
GFTD日内程序化交易策略
第22章、常用量化投资策略
阿尔法回报策略
Beta贝塔系数策略
smart beta策略
CAPM资产定价模型
crb指数模型
Dynamic Breakout 策略
EMH效率市场模型
EPS每股盈余模型
IFATS交易策略
GARCH交易模型
TWAP时间加权平均策略
Pivot Points策略
R-Breaker交易策略
VWAP成交量加权平均策略
第23章、分析图表类
K线图交易策略
美国线交易策略
开盘区间突破策略
一目均衡表交易策略
趋势线交易策略
CMI趋势性交易策略
趋势追踪选股模型
MA移动平均线策略
支撑线和压力线交易策略
n日突破交易策略
移动止赢交易策略
移动止损交易策略
牛熊线择时模型
BBands布林带交易策略
夹板交易模型
点线图交易策略
艾略特波浪理论
型态学交易策略
轴点分析策略
0轴交易策略
中点交易策略
半衰交易策略
夏普比率策略
第24章、投资指数类
BIAS乖离率交易策略
EP盈利收益率策略
Kdj交易策略
rsi 交易策略
波动率交易策略
Kurtosis峰值交易策略
Skewing偏度交易策略
Macd交易策略
WACC加权平均资本成本
ROA资产收益率
ROE股本回报率
真实波动幅度均值
累积／分布指数
第25章、其他交易策略
蝶式套利策略
三角套利策略
机会点策略
海龟交易法则
多因子选股模型
盈利预期模型
劳伦茨曲线
黄金分割点
斐波那契回调
赫斯特指数
费雪方程式
三因子模型
凯斯-席勒指数
抛物线指标
商品通道指数
OBV平衡成交量／能量潮
OMAV交易策略
价值型策略
收益型策略
m2行业轮动策略
市场情绪轮动策略
资金流选股策略
动量选股策略和反转选股策略
一致预期模型
筹码选股模型
情绪指标择时策略
有效资金择时模型
svm择时模型
swarch模型
第26章、人工智能量化交易算法
模式识别短线择时算法
rbf神经网络股价预测
基于遗传算法的新股预测
金融时序数据预测
趋势拐点预测
灰色马尔可夫链股市预测
第27章、、黑天鹅算法2.0实战
数据预处理
衍生数据扩充
数据归一化
学生化残差
建立参数v知识库
建立黑天鹅判别模型库
寻找黑天鹅
数据回溯与验证
附录，zwPython用户手册
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。}