stock_prices.csv

stock_prices.csv 是示例代码中使用的历史股票价格数据，可以通过以下代码创建并保存为 CSV 文件：

import pandas as pd
import numpy as np

# 创建示例数据
dates = pd.date_range(start='2020-01-01', end='2021-01-01')
prices = np.random.normal(loc=100, scale=10, size=len(dates))
df = pd.DataFrame({'Date': dates, 'Close': prices})

# 保存为 CSV 文件
df.to_csv('stock_prices.csv', index=False)

上述代码创建了一个包含随机股票价格数据的 Pandas DataFrame，并将其保存为 stock_prices.csv 文件。可以根据需要修改数据生成代码，以适应不同的测试场景。

相关问题

根据钉钉群提供的“stock_name.csv”文件,利用Python软件随机选取20只股票,并且剔除ST股票,通过图书馆的CSMAR数据库或者其他数据库来源,调取2020年1月1日至2023年5月10日股票日收盘价数据,确保这20只股票都有完

整的历史数据。以下是实现的步骤：

1. 读取 "stock_name.csv" 文件，获取所有的股票代码。
2. 随机选择 20 只股票代码，同时剔除 ST 股票代码。
3. 到 CSMAR 数据库或其他数据库中查询这 20 只股票代码的历史股票收盘价数据。
4. 确保这些股票在 2020 年 1 月 1 日至 2023 年 5 月 10 日之间都有完整的收盘价数据。

下面是一个示例代码，你可以根据自己的需求进行修改：

import pandas as pd
import numpy as np
import random
import datetime

# 读取股票代码文件
df_stock = pd.read_csv('stock_name.csv', header=None, names=['code'])

# 剔除 ST 股票
df_stock = df_stock[~df_stock['code'].str.contains('ST')]

# 随机选择 20 只股票
random.seed(123)
codes = random.sample(df_stock['code'].tolist(), 20)

# 获取股票历史收盘价数据
start_date = datetime.date(2020, 1, 1)
end_date = datetime.date(2023, 5, 10)

prices = pd.DataFrame()

for code in codes:
    # 查询股票收盘价数据
    # 这里用 df 表示查询结果，假设有两列：日期和收盘价
    df = query_stock_price_from_database(code, start_date, end_date)
    
    # 确保数据完整
    if len(df) == (end_date - start_date).days + 1:
        # 重命名列名，并添加到 prices 数据框中
        df = df.rename(columns={'date': '日期', 'price': code})
        prices = pd.concat([prices, df[code]], axis=1)

# 输出最终的股票收盘价数据
print(prices)

需要注意的是，这里的 `query_stock_price_from_database` 函数需要根据具体的数据库和查询方式进行编写。在这个函数中，需要输入股票代码、起始日期和终止日期，输出对应的股票收盘价数据。

从 multi_stock_data.csv 中选择平均交易量前五的股票，使用柱状图表示每支股票的交易量，并为每根柱子标出具体的数值。 创建一个双轴图表，左侧 y 轴表示某支股票的每日收盘价（折线图），右侧 y 轴表示其每日交易量（柱状图），选择过去 30 天的数据来绘制图表

首先，我们需要加载`multi_stock_data.csv`数据，计算每支股票的交易量平均值，并根据平均交易量排序选取前五名。接下来，我们将使用matplotlib库创建所需的图形。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1 import host_subplot
import mpl_toolkits.axisartist.axislines as axislines

# 加载数据
df = pd.read_csv('multi_stock_data.csv')

# 计算每支股票的交易量平均值
average_volume = df.groupby('ts_code')['volume'].mean().sort_values(ascending=False)[:5]

# 选择前五名股票的交易量数据
selected_stocks = average_volume.index.tolist()

# 创建数据框，只包含选定股票过去30天的数据
past_30_days = df[(df['ts_code'].isin(selected_stocks)) & (df['date'] >= df['date'].max() - pd.DateOffset(days=30))]

# 双轴图表
fig = plt.figure(figsize=(10, 7))
host = host_subplot(111)
ax2 = host.twinx()

for stock in selected_stocks:
    daily_closing_prices = past_30_days[past_30_days['ts_code'] == stock]['close_price']
    daily_volume = past_30_days[past_30_days['ts_code'] == stock]['volume']

    host.set_xlabel("日期")
    host.set_ylabel(f"{stock}收盘价", color='blue')
    ax2.set_ylabel(f"{stock}交易量", color='green')

    # 折线图
    host.plot(daily_closing_prices.index, daily_closing_prices.values, label=stock + '收盘价', color='blue')

    # 柱状图
    ax2.bar(daily_closing_prices.index, daily_volume.values, width=1, alpha=0.5, label=stock + '交易量', color='green')

    # 标记每根柱子的具体数值
    for i, vol in enumerate(ax2.patches):
        ax2.text(vol.get_x() + vol.get_width() / 2., vol.get_height(), int(vol.get_height()), ha='center', va='bottom')

host.yaxis.label.set_color('blue')
ax2.yaxis.label.set_color('green')

plt.xticks(rotation=45)  # 旋转x轴标签以避免重叠
legend = host.legend(loc="upper left")

host.axis["left"].set_axisline_style("-|>")
host.axis["right"].set_axisline_style("-|>")
host.axis["top"].set_visible(False)
host.axis["bottom"].set_label_position("zero")  # 将底部y轴刻度标签置于零线上方

plt.show()

这个代码首先计算每支股票的平均交易量，然后选择前五名股票进行30天内的数据处理。双轴图表中，左侧是收盘价的折线图，右侧是交易量的柱状图，每个柱子都标注了具体的数值。通过mpl_toolkits中的功能，调整了两条y轴的样式以便区分。