例13-1 下面是数据库：stock1（沪深A股交易数据库，收集了我国从1990.12以来，部分A股的日交易数据）中，股票日交易数据表部分列名：
/*--------------股票日交易数据记录------------------*/
CREATE TABLE trDay (
cStockNo char(8) not null, /*股票代码*/
cDay datetime not null, /*交易日期*/
mOpen real not null default 0, /*开盘价*/
mHigh real not null default 0, /*最高价*/
mLow real not null default 0, /*最低价*/
mClose real not null default 0, /*收盘价*/
iVol real not null default 0, /*成交量*/
mm real not null default 0, /*成交额*/
dcChange decimal(8,4) not null default 0, /*换手率*/
dcRate decimal(6,2) not null default 0, /*涨幅*/
constraint trDay_pk primary key(cStockNo,cDay), /*定义主键：cStockNo, cDay */
);
查询股票代码为sh600006（东风汽车）的交易日期、收盘价，显示3条记录
from urllib import parse # 因为密码中含有特殊字符所以需要先进行一步转码
from sqlalchemy import create_engine # 主要用于建立数据库连接引擎
import pandas as pd # 这个库，可以对数据库进行读写 *** 作
userName = 'root'
password = parse.quote_plus('P@ssw0rd') # 密码转码
dbHost = '127.0.0.1'
dbPort = 3306
dbName = 'stock1' # 使用的数据库名
DB_CONNECT = f'mysql+pymysql://{userName}:{password}@{dbHost}:{dbPort}/{dbName}?charset=utf8'
# connStr = "mysql+pymysql://root:P@ssw0rd@127.0.0.1:3306/stock1?charset=utf8"
engine = create_engine(DB_CONNECT) # 数据连接引擎
sql = "select cDay,mClose from trDay where cStockNo ='sh600001' limit 6,3"
trDay = pd.read_sql(sql, con = engine) # 返回为DataFrame对象
print(trDay.values) # trDay.values 为二维数组
print("返回记录行数：",trDay.shape[0])使用sqlalchemy进行数据库连接时如果password中含有特殊字符例如@，可以先使用urllib将密码转码之后进行拼接。
结果：
数据库查询结果：
例13-1-2：查询股票代码为sh600001的交易数据，查看DataFrame的属性
from urllib import parse
from sqlalchemy import create_engine # 主要用于建立数据库连接引擎
import pandas as pd # 这个库，可以对数据库进行读写 *** 作
userName = 'root'
password = parse.quote_plus('P@ssw0rd')
dbHost = '127.0.0.1'
dbPort = 3306
dbName = 'stock1'
DB_CONNECT = f'mysql+pymysql://{userName}:{password}@{dbHost}:{dbPort}/{dbName}?charset=utf8'
# connStr = "mysql+pymysql://root:P@ssw0rd@127.0.0.1:3306/stock1?charset=utf8"
engine = create_engine(DB_CONNECT) # 数据连接引擎
sql = "select cDay,mClose from trDay where cStockNo ='sh600001' limit 6,3"
trDay = pd.read_sql(sql,con = engine) # 返回 DataFrame 对象
i = 0
for row in trDay.values: # dataFrame.values 为二维数组
i = i+1
print(i,row[0],row[1])
print(trDay['mClose']) # 单列所有行的访问
print(trDay['mClose'][0:2]) # 单列多行的访问
运行结果：
例13-2 通过对象DataFrame，获取多列多行数据，如东风汽车日交易数据
from urllib import parse
from sqlalchemy import create_engine # 主要用于建立数据库连接引擎
import pandas as pd # 这个库，可以对数据库进行读写 *** 作
from openpyxl import xml
userName = 'root'
password = parse.quote_plus('P@ssw0rd')
dbHost = '127.0.0.1'
dbPort = 3306
dbName = 'stock1'
DB_CONNECT = f'mysql+pymysql://{userName}:{password}@{dbHost}:{dbPort}/{dbName}?charset=utf8'
# connStr = "mysql+pymysql://root:P@ssw0rd@127.0.0.1:3306/stock1?charset=utf8"
engine = create_engine(DB_CONNECT) # 数据连接引擎
sql="select cDay,mOpen,mHigh,mLow,mClose from trDay where cStockNo='SH600006'"
trDay = pd.read_sql(sql,con = engine) # 东风汽车(SH600006) 日交易数据
trDay.to_excel('trDay.xlsx') # 将查询结果直接保存为excel文件
print(trDay[['cDay','mOpen','mHigh','mLow','mClose']][:3]) # 前3行
运行结果：
最新的panda包已不再继续支持.xls文件的写入，不过可以写.xlsx
例13-3 利用DataFrame，直接绘制股票价格趋势图、移动平均。
烽火电子（sz000561）：2013.01.01-2013.08.31收盘价格趋势图
from urllib import parse
import matplotlib.pyplot as plt
from sqlalchemy import create_engine # 主要用于建立数据库连接引擎
import pandas as pd # 这个库，可以对数据库进行读写 *** 作
from openpyxl import xml
userName = 'root'
password = parse.quote_plus('P@ssw0rd')
dbHost = '127.0.0.1'
dbPort = 3306
dbName = 'stock1'
DB_CONNECT = f'mysql+pymysql://{userName}:{password}@{dbHost}:{dbPort}/{dbName}?charset=utf8'
# connStr = "mysql+pymysql://root:P@ssw0rd@127.0.0.1:3306/stock1?charset=utf8"
engine = create_engine(DB_CONNECT) # 数据连接引擎
sql="select cDay,mClose from trDay where cStockNo ='sz000561' and cDay>'20130101' and cDay<'20130830' order by cDay"
trDay = pd.read_sql(sql,con = engine) # 烽火电子日收盘价格
plt.figure(figsize=(8,4), dpi=80)
trDay['mClose'].plot(title="sz000561", color='g')
trDay['mClose'].rolling(10).mean().plot(color='r') # 10天移动平均
rows = trDay.shape[0]
d = trDay['cDay'][0:rows:10] # 步长为10
plt.xticks(range(0,rows,10), d, rotation=45, fontsize=12) # 旋转45度
plt.legend(['mClose','MA(10)'])
plt.show()
运行结果：
例13-4 利用对象DataFrame，直接绘制股票成交量条形图
烽火电子（sz000561）：2013.01.02-2013.02.22成交量条形图
from urllib import parse
import matplotlib.pyplot as plt
from sqlalchemy import create_engine # 主要用于建立数据库连接引擎
import pandas as pd # 这个库，可以对数据库进行读写 *** 作
from openpyxl import xml
userName = 'root'
password = parse.quote_plus('P@ssw0rd')
dbHost = '127.0.0.1'
dbPort = 3306
dbName = 'stock1'
DB_CONNECT = f'mysql+pymysql://{userName}:{password}@{dbHost}:{dbPort}/{dbName}?charset=utf8'
# connStr = "mysql+pymysql://root:P@ssw0rd@127.0.0.1:3306/stock1?charset=utf8"
engine = create_engine(DB_CONNECT) # 数据连接引擎
sql="select cDay,mOpen,mClose,iVol from trDay where cStockNo ='sz000561' and cDay between '20130102' and '20130222' order by cDay"
trDay = pd.read_sql(sql, con = engine) # 烽火电子日收盘价格
plt.figure(figsize=(8, 4), dpi=80)
c = [] # 颜色列表
for index, row in trDay.iterrows():
if (row['mClose'] >= row['mOpen']):
c.append('red') # 收盘价不低于开盘价，则红色
else:
c.append('blue') # 绿色
plt.bar(trDay['cDay'], trDay['iVol'], width=0.5, color=c)
rows = trDay.shape[0]; d = trDay['cDay'][0:rows:5]
plt.xticks(range(0,rows,5),d,rotation=45,fontsize=12) # 旋转45度
plt.legend(['sz000561：valume'])
plt.show()
运行结果：
例13-6 使用read_csv读取“深指日交易数据.csv”
import pandas as pd
data = pd.read_csv('C:\pythonFiles\pythonProject\教材各章数据\教材各章数据\第13章数据\深指日交易数据.csv', encoding = 'gbk')
print(type(data)) #
print('使用read_csv读取的交易数据表的长度为：',len(data)) # 输出：9
print(data.columns) # 返回所有的列名对象，相当于字典的键名
# 默认把第0行，作为列名
i = 0
for row in data.values: # 显示所有行记录
i = i+1
print(i,row[0],row[1],row[2],row[3],row[4],row[5]) 运行结果：
使用to_csv存储《深指日交易数据.csv》
import pandas as pd
import os
order = pd.read_csv(r'C:\pythonFiles\pythonProject\教材各章数据\教材各章数据\第13章数据\深指日交易数据.csv', encoding = 'gbk')
print('写入文本文件前目录内文件列表为：\n', os.listdir('tmp'))
# 将order以csv格式存储
order.to_csv('tmp/orderInfo.csv',sep = ';',index = False)
print('写入文本文件后目录内文件列表为：\n', os.listdir('tmp'))
运行结果：
例13-8 使用read_excel读取文件“人均国民收入.xls”
import pandas as pd
F = r'C:\pythonFiles\pythonProject\教材各章数据\教材各章数据\第13章数据\人均国民收入.xls'
data = pd.read_excel(F,'收入与消费')
# data = pd.read_excel(F,0) # 也可sheet 索引
print('记录条数：',len(data))
# 返回所有的列名对象，相当于字典的键名 ，
# 默认把第0行，作为列名
print(data.columns)
print(data.values) # 返回所有的行运行结果：
例13-10 文件：各国GDP(2001-2011).xls 给出了10个国家11年的GDP数据，用Pandas读取数据，按每年的GDP排序，绘制动态的横向条形图。
基本思路：Pandas读取Excel文件,返回的数据帧（DataFrame），属于二维的表格型数据结构，对年份的列进行迭代，每秒取一个列的GDP数据，排降序，绘制条形图。如果国名为“中国”，则红色显示。
import matplotlib.pyplot as plt ; import pandas as pd
wb = pd.read_excel(r'C:\pythonFiles\pythonProject\教材各章数据\教材各章数据\第13章数据\各国GDP(2001-2011).xls')
d = wb.iloc[0:11,0:4] #[行号,列号],d为'pandas.core.frame.DataFrame'
print(d)
print(d.columns)
s = d.sort_values(by='国家', ascending=True) # 对列名“国家”按升序
print(s)
s = d.sort_values(by='2001', ascending=False) # 对列名“2001”按降序
print(type(s))
通过条形图迭代，绘制2000-2011年，GDP最大的10个国家变化情况。
可以绘制gif动态图import matplotlib.pyplot as plt ; import pandas as pd
import imageio
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示
wb = pd.read_excel(r'C:\pythonFiles\pythonProject\教材各章数据\教材各章数据\第13章数据\各国GDP(2001-2011).xls')
d = wb.iloc[0:11,0:12] # 行 0:11,列：0：12
plt.figure(figsize=(6,4),dpi=120)
plt.ion() # 打开交互模式
image_list = []
for i in range(1, 12): # 年份：2001年->2011年
w = str(d.columns[i]) # w 为年份
s = d.sort_values(by=w, ascending=True) # 按年份数据排升序
x = s.iloc[:, i] # 第 i 列年份 ，前11个国家数据
y = s.iloc[:, 0] # 国家名称
c = list(map(lambda x: 'red' if x == '中国' else 'blue', y))
plt.clf() # 清除画布
plt.title('各国历年GDP动态条形图（单位：亿美元）', fontsize=12)
plt.barh(y, x, height=0.6, color=c) # 横放条形图函数 barh
for a, b in zip(x, y):
plt.text(a + 0.6, b, '%.0f' % a, fontsize=12)
plt.legend([w + '年'], fontsize=12)
plt.pause(1) # 隔1秒，停止一下
plt.savefig('temp.png')
image_list.append(imageio.imread('temp.png'))
plt.ioff() # 关闭交互模式
imageio.mimsave('bar_test.gif', image_list, duration=1)
生成的gif：
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）