【量化实验室q.datayes.com】量化分析师的Python日记【第3天：numpy篇】

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

q.datayes.com

接下来要给大家介绍的系列中包含了Python在量化金融中运用最广泛的几个Library:

numpy

scipy

pandas

matplotlib

会给初学者一一介绍

NumPy 简介

一、NumPy是什么？

量化分析的工作涉及到大量的数值运算，一个高效方便的科学计算工具是必不可少的。Python语言一开始并不是设计为科学计算使用的语言，随着越来越多的人发现Python的易用性，逐渐出现了关于Python的大量外部扩展，NumPy (NumericPython)就是其中之一。NumPy提供了大量的数值编程工具，可以方便地处理向量、矩阵等运算，极大地便利了人们在科学计算方面的工作。另一方面，Python是免费，相比于花费高额的费用使用Matlab，NumPy的出现使Python得到了更多人的青睐。

我们可以简单看一下如何开始使用NumPy：

1

import numpy

2

numpy.version.full_version

'1.8.0'

我们使用了"import"命令导入了NumPy，并使用numpy.version.full_version查出了量化实验室里使用的NumPy版本为1.8.0。在往后的介绍中，我们将大量使用NumPy中的函数，每次都添加numpy在函数前作为前缀比较费劲，在之前的介绍中，我们提及了引入外部扩展模块时的小技巧，可以使用"from numpyimport *"解决这一问题。

那么问题解决了？慢！Python的外部扩展成千上万，在使用中很可能会import好几个外部扩展模块，如果某个模块包含的属性和方法与另一个模块同名，就必须使用import module来避免名字的冲突。即所谓的名字空间（namespace）混淆了，所以这前缀最好还是带上。

那有没有简单的办法呢？有的，我们可以在import扩展模块时添加模块在程序中的别名，调用时就不必写成全名了，例如，我们使用"np"作为别名并调用version.full_version函数：

1

import numpy as np

2

np.version.full_version

'1.8.0'

二、初窥NumPy对象：数组

NumPy中的基本对象是同类型的多维数组（homogeneous multidimensional array），这和C++中的数组是一致的，例如字符型和数值型就不可共存于同一个数组中。先上例子：

1

a = np.arange(20)

这里我们生成了一个一维数组a，从0开始，步长为1，长度为20。Python中的计数是从0开始的，R和Matlab的使用者需要小心。可以使用print查看：

1

print a

[ 0  1 2  3  4 5  6  7 8  9 10 11 12 13 14 15 16 17 1819]

我们可以通过"type"函数查看a的类型，这里显示a是一个array：

1

type(a)

numpy.ndarray

通过函数"reshape"，我们可以重新构造一下这个数组，例如，我们可以构造一个4*5的二维数组，其中"reshape"的参数表示各维度的大小，且按各维顺序排列（两维时就是按行排列，这和R中按列是不同的）：

1

a = a.reshape(4, 5)

2

print a

[[ 0  1 2  3  4]

[ 5 6  7  8  9]

[10 11 12 13 14]

[15 16 17 18 19]]

构造更高维的也没问题:

1

a = a.reshape(2, 2, 5)

2

print a

[[[ 0  1 2  3  4]

  [ 5 6  7  8  9]]

[[10 11 12 13 14]

  [15 16 17 18 19]]]

既然a是array，我们还可以调用array的函数进一步查看a的相关属性："ndim"查看维度；"shape"查看各维度的大小；"size"查看全部的元素个数，等于各维度大小的乘积；"dtype"可查看元素类型；"dsize"查看元素占位（bytes）大小。

1

a.ndim

3

1

a.shape

(2, 2, 5)

1

a.size

20

1

a.dtype

dtype('int64')

三、创建数组

数组的创建可通过转换列表实现，高维数组可通过转换嵌套列表实现：

1

raw = [0,1,2,3,4]

2

a = np.array(raw)

3

a

array([0, 1, 2, 3,4])

1

raw = [[0,1,2,3,4], [5,6,7,8,9]]

2

b = np.array(raw)

3

b

array([[0, 1, 2,3, 4],

       [5, 6, 7, 8, 9]])

一些特殊的数组有特别定制的命令生成，如4*5的全零矩阵：

1

d = (4, 5)

2

np.zeros(d)

array([[ 0.,  0., 0.,  0.,  0.],

       [ 0., 0.,  0.,  0., 0.],

       [ 0., 0.,  0.,  0., 0.],

       [ 0., 0.,  0.,  0., 0.]])

默认生成的类型是浮点型，可以通过指定类型改为整型：

1

d = (4, 5)

2

np.ones(d, dtype=int)

array([[1, 1, 1,1, 1],

       [1, 1, 1, 1, 1],

       [1, 1, 1, 1, 1],

       [1, 1, 1, 1, 1]])

[0, 1)区间的随机数数组：

1

np.random.rand(5)

array([0.93807818,  0.45307847,  0.90732828, 0.36099623,  0.71981451])

由于论坛篇幅限制，全文请访问 q.datayes.com

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

关键词：python Numpy Data 量化分析 分析师 实验室 分析师 日记

多谢分享。。。

谢谢分享！

谢谢分享！

谢谢分享了！