python 涨停统计_用Python，tushare做一个A股每日收盘行情监测分析（含源代码）

灵感：对于交易者来说，每日收盘分析是一件必要的功课。现在的看盘软件种类很多，已经有很多整理好的数据，但是对于高阶玩家，可能需要更多自定义化的功能，做出自己的每日分析 表。那我们何不尝试用Python做一个/p>

先上结果：

tushare有很多获取数据的api可以很方便地直接调用，而我们只需要用到里面几个api就够用了，当然有兴趣的同学，可以把官 上的端口全部都自己尝试下。

第一个要用到的api:

get_today_all() # 获取所有股票的前一日的收盘行情

有了这两个数据，就可以获取前一收盘日，或者今天收盘后的股票信息了。

源代码如下：

import tushare as ts

import pandas as pd

import time

import os

# 指定自己要存放文件的绝对路径

os.chdir(‘D:/all_trading_data/Every_days_analysis/input_data’)

pd.set_option(‘expand_frame_repr’, False)

# 从tushare获取指定日期

def get_today_all_ts(date):

date_now = date

# 先获得所有股票的收盘数据

df_close = ts.get_today_all()

# 获得所有股票的基本信息

df_basics = ts.get_stock_basics()

df_all = pd.merge(left=df_close, right=df_basics, on=’name’, how=’outer’)

df_all[‘code’] = df_all[‘code’].astype(str) + ‘ ‘

# 保存数据

df_all.to_csv(str(date_now) + ‘_ts.csv’, index=False, encoding=’gbk’)

print(‘%sis downloaded.’ % (str(date_now)))

print(df_all)

return df_all

if __name__ == ‘__main__’:

get_today_all_ts(date=’20180214′)

每天的收盘数据都可以保存下来，也方便也厚再分析

2. 如何对每天的收盘数据进行分析/p>

这一步只要用到我们的pandas就可以了，菜有了，具体是清蒸烧是蒜烤要看各位的喜好。

比如我想看每天收盘的涨跌情况，涨跌停的分析，寻找行业动因等。

简单的数量统计

跌停股票按行业分类

按交易所分类：

跌停股票按区域分类：

源代码如下：

import pandas as pd

import requests

import tushare as ts

import os

import time

import warnings

warnings.filterwarnings(‘ignore’)

pd.set_option(‘expand_frame_repr’, False)

os.chdir(‘D:/all_trading_data/Every_days_analysis’)

date_now = ‘20180214’

print(str(date_now))

# ====龙虎榜数据

# 读取TDX的每日股票数据

df = pd.read_csv(‘input_data/{}_ts.csv’.format(str(date_now)), encoding=’gbk’)

df.fillna(0, inplace=True)

df.replace(‘nan ‘, 0, inplace=True)

df[‘timeToMarket’] = pd.to_datetime(df[‘timeToMarket’])

df[[‘changepercent’, ‘pe’, ‘mktcap’, ‘nmc’]] = df[[‘changepercent’, ‘pe’, ‘mktcap’, ‘nmc’]].astype(float)

df[‘timeToMarket’] = pd.to_datetime(df[‘timeToMarket’])

df[‘code’] = df[‘code’].astype(str) # 转化成str后，NAN也变成nan str格式

# 添加 交易所 列

df.loc[df[‘code’].str.startswith(‘3’), ‘exchange’] = ‘CY’

df.loc[df[‘code’].str.startswith(‘6’), ‘exchange’] = ‘SH’

df.loc[df[‘code’].str.startswith(‘0’), ‘exchange’] = ‘SZ’

# 找出上涨的股票

df_up = df[df[‘changepercent’] > 0.00]

# 走平股数

df_even = df[df[‘changepercent’] == 0.00]

# 找出下跌的股票

df_down = df[df[‘changepercent’] < 0.00]

# 找出涨停的股票

limit_up = df[df[‘changepercent’] >= 9.70]

limit_down = df[df[‘changepercent’] <= -9.70]

# 涨停股数中的未封板股，上市日期小于15天

limit_up_new = limit_up[pd.to_datetime(date_now) – limit_up[‘timeToMarket’] <= pd.Timedelta(15)]

# 涨停股数中次新股，上市日期小于1年

limit_up_fresh = limit_up[pd.to_datetime(date_now) – limit_up[‘timeToMarket’] <= pd.Timedelta(365)]

# 涨停股数中的未封板股，上市日期小于15天

limit_down_new = limit_down[pd.to_datetime(date_now) – limit_down[‘timeToMarket’] <= pd.Timedelta(15)]

# 涨停股数中次新股，上市日期小于1年

limit_down_fresh = limit_down[pd.to_datetime(date_now) – limit_down[‘timeToMarket’] <= pd.Timedelta(365)]

print(‘A股上涨个数： %d, A股下跌个数： %d, A股走平个数: %d。’ % (df_up.shape[0], df_down.shape[0], df_even.shape[0]))

print(‘A股总成交额：%d, 总成交量：%d’ % (df[‘amount’].sum(), df[‘volume’].sum()))

print(‘A股平均市盈率：%.2f， 平均流通市值 %.2f 亿, 平均总市值 %.2f 亿’ % (df[‘pe’].mean(), df[‘nmc’].mean(), df[‘mktcap’].mean()))

print(‘涨停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d’ % (limit_up.shape[0], limit_up_new.shape[0], limit_up_fresh.shape[0]))

print(‘跌停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d’ % (limit_down.shape[0], limit_down_new.shape[0], limit_down_fresh.shape[0]))

# 获取指定列的分析统计结果

def get_output(df, columns=’industry’, name=’_limit_up’):

df = df.copy()

output = pd.DataFrame()

output = pd.DataFrame(df.groupby(columns)[‘code’].count())

output[‘pe_mean’] = df.groupby(columns)[‘pe’].mean()

output[‘pe_median’] = df.groupby(columns)[‘pe’].median()

output[‘nmc_mean’] = df.groupby(columns)[‘nmc’].mean()

output[‘nmc_median’] = df.groupby(columns)[‘nmc’].median()

output[‘mktcap_mean’] = df.groupby(columns)[‘mktcap’].mean()

output[‘mktcap_median’] = df.groupby(columns)[‘mktcap’].median()

output[‘volume_mean’] = df.groupby(columns)[‘volume’].mean()

output[‘volume_median’] = df.groupby(columns)[‘volume’].median()

output[‘amount_mean’] = df.groupby(columns)[‘amount’].mean()

output[‘amount_median’] = df.groupby(columns)[‘amount’].median()

output.sort_values(‘code’, ascending=False, inplace=True)

output.rename(columns={‘code’: name + ‘_count’}, inplace=True)

return output

for i in [‘industry’, ‘exchange’, ‘area’]:

# 对涨停的股票分析

output_limit_up = get_output(limit_up, columns=i, name=’limit_up’)

print(output_limit_up)

# 对跌停的股票分析

output_limit_down = get_output(limit_down, columns=i, name=’limit_down’)

print(output_limit_down)

# 对全量的股票分析

output_total = get_output(df, columns=i, name=’total’)

print(output_total)

当然，以上的统计都还是很初步的，但是你有了这个框架，完全可以自由发挥~做出你自己的每日行情分析总结~。对于初学者来说，可能还是不太能轻易理解以上所有代码~Tushare金融大数据 区ushare.pro

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树首页概览208567 人正在系统学习中 相关资源：aladdin股市量化分析预测涨跌软件12.7周二版源代码—三一重工…