Python |

Python är lätt att använda och lätt att lära sig

Python används ofta för serverautomation, kör webbapplikationer, stationära applikationer, robotik, vetenskap, maskininlärning och mer. Och ja, det är mycket kapabelt att hantera stora uppsättningar finansiella data.

Eftersom Python är ett skriptspråk är det lätt att göra iterativ utveckling av programvara eftersom det inte finns någon kompilationsväntetid. Samtidigt är det möjligt att utöka Python-koden med koden i C eller C ++ för delar i applikationen eller kodbiblioteket som behöver bättre optimering och bättre hastigheter. De vetenskapliga biblioteken som diskuteras senare i den här artikeln utnyttjar denna möjlighet i stor utsträckning.

Guido van Rossum utvecklade Python som ett programmeringsspråk som skulle hjälpa honom att automatisera sitt dagliga arbete. Han baserade det också på ett programmeringsspråk som utvecklades för att lära människor att koda. På grund av detta är Python enkel och praktisk. Ändå, om den implementeras korrekt kan Python-baserad mjukvara vara lika kraftfull som applikationer bygger på något annat programmeringsspråk.

Tomgång: enkelt men effektivt

Komma igång

Du kan komma igång snabbt. Gå bara till webbplatsen www.python.org. Där kan du ladda ner Python för ditt operativsystem. Det finns två versioner av Python:

  • Python 2.x
  • Python 3.x

Endera versionen är bra. Om du aldrig har använt Python innan är det bäst att omedelbart börja med den senaste versionen.

Installationspaketen innehåller vanligtvis följande komponent för installation:

  • Python-tolk (cython)
    Det här är vad som faktiskt får din kod att köras.
  • Pip
    Pakethanterare som du kan använda för att installera ytterligare bibliotek.
  • På tomgång
    Kodredigerare

När du har installerat hela komponenten kan du försöka köra exempelskriptet i den här artikeln och uppleva hur lätt Python är.

Exempel: Hämta och plotta historiska uppgifter om ekonomisk prissättning

 #! / usr / bin / python3 # installera först wget genom att skriva 'pip install wget pandas pylab' på kommandoraden importera wget import pandaer som pd import pylab s = 'xauusd' url = "http://stooq.com/q /d/l/?s={}&i=d".format(s) print (url) wget.download (url, "./") df = pd.read_csv ('xauusd_d.csv') pylab.plot ( df ['Stäng']) pylab.show () 

Att plotta en grundläggande linjediagram är enkelt med Pylab

Pris på guld

Det finns många utmärkta bibliotek att använda när man undersöker finansiella data

Att undersöka handels- och investeringsstrategier kan kräva mycket bearbetningsresurser. Python själv är långsam. För de flesta uppgifter är detta inte ett problem och inte ens märkbart. Men när vi vill bearbeta stora uppsättningar av data, till exempel ekonomiska data, och vi vill testa många olika scenarier, kan behandling ta mycket lång tid. Som nämnts kan processintensiva delar av koden i en Python-applikation ersättas med C- eller C ++ -kod, men lyckligtvis behövs detta i de flesta fall inte, eftersom det finns många bibliotek som är optimerade för processintensiva datavetenskap-relaterade uppgifter . Följande Python-bibliotek används vanligtvis:

  • Standardbiblioteket
    Nästan allt kan göras med standardbiblioteket. Andra icke-standardbibliotek bygger på detta bibliotek för att implementera specifika användningsfall och i princip för att göra komplicerade saker lättare att implementera.
  • SciPy
    Detta är en kombination av bibliotek som används för vetenskap, matematik och teknik.
  • numpy
    Del av SciPy och implementerar bland annat matriser och vektorisering.
  • matplotlib
    Del av SciPy och implementerar avancerade planeringsfunktioner.
  • pandas
    Del av SciPy. Implementerar att arbeta med dataramar och tidsserier.

Förutom dessa bibliotek finns det några extra bibliotek som är användbara för dataskrapning, krångling, mungning och arbete med API: er:

  • BeautifulSoup
    Bibliotek för att analysera HTML. Mycket användbart om du vill hämta data från webbplatser.
  • Mekanisera
    Detta bibliotek möjliggör programmatisk åtkomst till webbplatser, som att fylla i ett formulär och posta det, etc.
  • Begäran
    De flesta API: er kräver autentisering när de kommer åt dem. Detta kan åstadkommas med hjälp av verktygen i standardbiblioteket, men Requests Library gör det nästan "Curl" - som enkelt.

Också mycket kraftfull:

  • ScikitLearn
    Bibliotek för att analysera HTML. Mycket användbart om du vill hämta data från webbplatser.
  • NLTK
    Natural Language Toolkit, ger mening ur ostrukturerad textbaserad data, som till exempel twitter-feeds, nyheter etc.

Och för att göra ditt liv som forskare av handelsstrategier ännu enklare finns det många handelsrelaterade API: er som har ett pythonbibliotek redo för åtkomst till data.

  • Pandas DataReader
    Metoden web.DataReader låter dig dra data från Stooq, Google Finance, Nasdaq och andra källor.
  • Quandl
    "Få miljoner finansiella och ekonomiska datasätt från hundratals förlag direkt till Python."

Python för alla

Vad använder du Python för?

  • Arbete
  • Forskning
  • Spela
  • Webstuff
  • Grafik
  • Övrig
Se resultat

© 2015 Dave Tromp