用Python，tushare做一个A股每日收盘行情监测分析（含源代码）

由polll创建，最终由polll更新于2023-06-14 03:02 被浏览 139 用户

**灵感：**对于交易者来说，每日收盘分析是一件必要的功课。现在的看盘软件种类很多，已经有很多整理好的数据，但是对于高阶玩家，可能需要更多自定义化的功能，做出自己的每日分析报表。那我们何不尝试用Python做一个？

先上结果：


好了，接下来就开始讲解下实现的方法和步骤。

开发环境IDE：Pycharm

编程语言: Python 3.6

必要包：tushare, pandas

解题思路拆解:

1. 如何获取每天的收盘数据？

2. 如何对每天的收盘数据进行分析？

解题过程：

1. 如何获取每天的收盘数据？

----他山之石可以攻玉。

1. 如果有万得这种软件的朋友，可以自己从万得导出。

2）可以尝试编写爬虫从网易财经的股票频道抓取数据。

3）直接使用tushare包的api，提取数据

今天就来讲解第三种方法。

tushare官网 http://www.tushare.org/


安装方法请参考

刀客特鹿：Pyhton的package(包)安装方法​zhuanlan.zhihu.com

tushare有很多获取数据的api可以很方便地直接调用，而我们只需要用到里面几个api就够用了，当然有兴趣的同学，可以把官网上的端口全部都自己尝试下。

第一个要用到的api:

get_today_all() # 获取所有股票的前一日的收盘行情


第二个要用到的api

get_stock_basics() # 获取股票当前的基本信息


有了这两个数据，就可以获取前一收盘日，或者今天收盘后的股票信息了。

源代码如下：

import tushare as ts
import pandas as pd
import time
import os
# 指定自己要存放文件的绝对路径
os.chdir('D:/all_trading_data/Every_days_analysis/input_data')
pd.set_option('expand_frame_repr', False)

# 从tushare获取指定日期
def get_today_all_ts(date):

date_now = date

# 先获得所有股票的收盘数据
df_close = ts.get_today_all()

   # 获得所有股票的基本信息
df_basics = ts.get_stock_basics()
df_all = pd.merge(left=df_close, right=df_basics, on='name', how='outer')

df_all['code'] = df_all['code'].astype(str) + ' '

# 保存数据
df_all.to_csv(str(date_now) + '_ts.csv', index=False, encoding='gbk')
print('%s is downloaded.' % (str(date_now)))
print(df_all)
return df_all

if __name__ == '__main__':
get_today_all_ts(date='20180214')

每天的收盘数据都可以保存下来，也方便也厚再分析


打开效果如下


2. 如何对每天的收盘数据进行分析？

这一步只要用到我们的pandas就可以了，菜有了，具体是清蒸？红烧？还是蒜烤？还要看各位的喜好。

比如我想看每天收盘的涨跌情况，涨跌停的分析，寻找行业动因等。

简单的数量统计


涨停股票按行业分类


跌停股票按行业分类


整体A股的行业涨跌情况


按交易所分类：


涨停股票按区域分类：


跌停股票按区域分类：


A股整体涨跌按区域分类：


源代码如下：

import pandas as pd
import requests
import tushare as ts
import os
import time
import warnings
warnings.filterwarnings('ignore')
pd.set_option('expand_frame_repr', False)
os.chdir('D:/all_trading_data/Every_days_analysis')
date_now = '20180214'
print(str(date_now))
# ====龙虎榜数据


# 读取TDX的每日股票数据
df = pd.read_csv('input_data/{}_ts.csv'.format(str(date_now)), encoding='gbk')
df.fillna(0, inplace=True)
df.replace('nan ', 0, inplace=True)
df['timeToMarket'] = pd.to_datetime(df['timeToMarket'])

df[['changepercent', 'pe', 'mktcap', 'nmc']] = df[['changepercent', 'pe', 'mktcap', 'nmc']].astype(float)
df['timeToMarket'] = pd.to_datetime(df['timeToMarket'])

df['code'] = df['code'].astype(str)  # 转化成str后，NAN也变成nan str格式
# 添加 交易所 列
df.loc[df['code'].str.startswith('3'), 'exchange'] = 'CY'
df.loc[df['code'].str.startswith('6'), 'exchange'] = 'SH'
df.loc[df['code'].str.startswith('0'), 'exchange'] = 'SZ'

# 找出上涨的股票
df_up = df[df['changepercent'] > 0.00]
# 走平股数
df_even = df[df['changepercent'] == 0.00]
# 找出下跌的股票
df_down = df[df['changepercent'] < 0.00]

# 找出涨停的股票
limit_up = df[df['changepercent'] >= 9.70]
limit_down = df[df['changepercent'] <= -9.70]

# 涨停股数中的未封板股，上市日期小于15天
limit_up_new = limit_up[pd.to_datetime(date_now) - limit_up['timeToMarket'] <= pd.Timedelta(15)]
# 涨停股数中次新股，上市日期小于1年
limit_up_fresh = limit_up[pd.to_datetime(date_now) - limit_up['timeToMarket'] <= pd.Timedelta(365)]

# 涨停股数中的未封板股，上市日期小于15天
limit_down_new = limit_down[pd.to_datetime(date_now) - limit_down['timeToMarket'] <= pd.Timedelta(15)]
# 涨停股数中次新股，上市日期小于1年
limit_down_fresh = limit_down[pd.to_datetime(date_now) - limit_down['timeToMarket'] <= pd.Timedelta(365)]

print('A股上涨个数： %d, A股下跌个数： %d, A股走平个数: %d。' % (df_up.shape[0], df_down.shape[0], df_even.shape[0]))
print('A股总成交额：%d, 总成交量：%d' % (df['amount'].sum(), df['volume'].sum()))
print('A股平均市盈率：%.2f， 平均流通市值 %.2f 亿, 平均总市值 %.2f 亿' % (df['pe'].mean(), df['nmc'].mean(), df['mktcap'].mean()))
print('涨停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d' % (limit_up.shape[0], limit_up_new.shape[0], limit_up_fresh.shape[0]))
print('跌停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d' % (limit_down.shape[0], limit_down_new.shape[0], limit_down_fresh.shape[0]))

# 获取指定列的分析统计结果
def get_output(df, columns='industry', name='_limit_up'):
   df = df.copy()
output = pd.DataFrame()
   output = pd.DataFrame(df.groupby(columns)['code'].count())

   output['pe_mean'] = df.groupby(columns)['pe'].mean()
   output['pe_median'] = df.groupby(columns)['pe'].median()

   output['nmc_mean'] = df.groupby(columns)['nmc'].mean()
   output['nmc_median'] = df.groupby(columns)['nmc'].median()

   output['mktcap_mean'] = df.groupby(columns)['mktcap'].mean()
   output['mktcap_median'] = df.groupby(columns)['mktcap'].median()

   output['volume_mean'] = df.groupby(columns)['volume'].mean()
   output['volume_median'] = df.groupby(columns)['volume'].median()

   output['amount_mean'] = df.groupby(columns)['amount'].mean()
   output['amount_median'] = df.groupby(columns)['amount'].median()

   output.sort_values('code', ascending=False, inplace=True)
   output.rename(columns={'code': name + '_count'}, inplace=True)
return output


for i in ['industry', 'exchange', 'area']:
# 对涨停的股票分析
output_limit_up = get_output(limit_up, columns=i, name='limit_up')
print(output_limit_up)
# 对跌停的股票分析
output_limit_down = get_output(limit_down, columns=i, name='limit_down')
print(output_limit_down)
# 对全量的股票分析
output_total = get_output(df, columns=i, name='total')
print(output_total)

\