当前位置：首页 > 文章列表 > 文章 > python教程 > 使用Python和简化的库存基本分析

使用Python和简化的库存基本分析

2025-02-11 22:28:06 0浏览收藏

各位小伙伴们，大家好呀！看看今天我又给各位带来了什么文章？本文标题是《使用Python和简化的库存基本分析》，很明显是关于文章的文章哈哈哈，其中内容主要会涉及到等等，如果能帮到你，觉得很不错的话，欢迎各位多多点评和分享！

使用Python和简化的库存基本分析

利用Python和简化方法进行高效的基本面股票分析，在瞬息万变的股票市场中占据优势。本文将深入探讨如何运用Python及自定义模块（例如yfinance3）构建自动化工具，实现股票基本面分析。我们将逐步拆解代码，并阐明每个部分如何有效地收集和处理股票数据。

项目核心功能:

从CSV文件加载和处理多个股票代码。
使用自定义yfinance3模块获取每个股票的基本面数据。
将股票数据保存和加载为JSON文件，方便重复使用。
执行关键财务指标计算。
以清晰、结构化的方式呈现数据分析结果。

项目结构:

.
├── data/
│   ├── datasets/
│   └── sources/
│       └── index/
│           └── stocklist.csv
└── main.py

代码详解:

data_path = './data/datasets'
csv_base_path = './data/sources/index/'

这些路径指定了存储包含股票代码的CSV文件的位置，以及处理后数据的保存位置。

处理CSV输入:

if not os.path.exists(csv_base_path):
    st.error(f"directory not found: {csv_base_path}")
else:
    csv_files = [file for file in os.listdir(csv_base_path) if file.endswith('.csv')]
    selected_csv = st.selectbox("choose a csv file:", csv_files)

这段代码检查目录是否存在，并使用可用的CSV文件填充下拉菜单，允许用户选择包含股票代码的文件。

数据下载和存储:

for symbol in symbols:
    file_name = os.path.join(folder_path, f'{symbol}.json')
    if os.path.exists(file_name):
        existing_files += 1
        continue

    try:
        data = yfinance3(symbol)
        with open(file_name, 'w') as file:
            json.dump(data.info, file)
        new_downloads += 1
    except exception as e:
        st.error(f"error processing {symbol}: {e}")

这段代码迭代股票代码，使用yfinance3模块下载数据，并以JSON格式保存。它跟踪现有文件、新下载的文件，并报告错误。

数据加载和处理:

def load_data(json_data):
    data['symbol'].append(json_data.get('symbol', np.nan))
    data['name'].append(json_data.get('longname', np.nan))
    data['industry'].append(json_data.get('industry', np.nan))
    ...

load_data函数从JSON文件中提取关键财务指标，例如：

预期每股收益 (EPS)
市净率 (PB)
自由现金流收益率 (FCFY)
52周价格区间

提取的数据将添加到结构化的字典中。

创建DataFrame和处理缺失值:

df = pd.DataFrame(data)
df_exceptions = df[df.isna().any(axis=1)]
df = df.dropna().reset_index(drop=True)

这段代码从提取的数据创建Pandas DataFrame，删除包含缺失值的行（并记录这些异常情况以供用户审查）。

计算52周价格区间:

df['52w range'] = ((df['price'] - df['52w low']) / (df['52w high'] - df['52w low'])) * 100

此计算有助于评估股票在其52周交易区间中的位置。

显示和保存处理后的数据:

st.write("### Processed Data", df)
output_file = os.path.join(folder_path, 'processed_data.csv')
df.to_csv(output_file, index=False)
st.success(f"Processed data saved to {output_file}")

处理后的数据以清晰的方式显示，并保存为CSV文件，方便日后参考。

示例输出:

潜在的改进方向：