第1关：申万家用电器行业股票代码获取
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
#1.读取“申万行业分类.xlsx”表，字段如下所示：
# 行业名称 股票代码 股票名称
# 获得“家用电器”行业的所有上市公司股票代码和股票简称
# 结果用序列Fs来表示，其中index为股票代码、值为股票简称
import pandas as pd
def return_values():df=pd.read_excel("申万行业分类.xlsx")Fs=df[df["行业名称"]=="家用电器"][["股票代码","股票名称"]]Fs=Fs.set_index("股票代码")["股票名称"]return Fs第2关：申万家用电器行业股票财务指标数据获取
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
'''
基于上一关的结果，读取“上市公司财务与指标数据2013-2017.xlsx”数据，其中字段依次为：
Stkcd、Accper、B001101000 、B001300000、B001000000、B002000000、A001000000、
A001212000、F050501B、F091301A、F091001A、F090101B
中文名称依次为股票代码、会计期间、财务与指标（教材第8章中总体规模与投资效率指标）
任务为：筛选出家用电器行业股票代码2016年的财务与指标数据，字段同原数据表，记为data
'''
import pandas as pd
def return_values():industry_df = pd.read_excel('申万行业分类.xlsx')Fs = industry_df[industry_df['行业名称'] == '家用电器'].set_index('股票代码')['股票名称'].to_dict()financial_df = pd.read_excel('上市公司财务与指标数据2013-2017.xlsx')data = financial_df[(financial_df['Stkcd'].isin(Fs.keys())) & (financial_df['Accper'].str.startswith('2016'))]return data第3关：申万家用电器行业股票财务指标数据处理
任务描述
本关任务：根据右边测试平台的提示，补充代码
# -*- coding: utf-8 -*-
'''
在上一关基础上，对筛选出的家用电器行业股票代码2016年的财务与指标数据，
去掉空缺值、作均值-方差标准化处理，返回结果x（数组）和股票代码code(列表)
'''
import pandas as pd
from sklearn.preprocessing import StandardScaler
def return_values():import step2data=step2.return_values()data = data.dropna()code = data['Stkcd'].tolist()financial_metrics = data.drop(['Stkcd', 'Accper'], axis=1)scaler = StandardScaler()x = scaler.fit_transform(financial_metrics) #x=pd.DataFrame(x)return (x,code)第4关：申万家用电器行业股票财务指标数据主成分分析
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
'''
在上一关基础上，对去掉缺失值和标准化后的指标数据，进行主成分分析，
并提取主成分Y，要求累计贡献率在95%
'''
import numpy as np
from sklearn.decomposition import PCA
def return_values():import step3r=step3.return_values()x, code = r # 解包返回的结果 ####begin#### # 初始化PCA对象，并设置目标累计贡献率为0.95 pca = PCA(n_components=0.95) # 对数据进行PCA降维 Y = pca.fit_transform(x) return Y第5关：申万家用电器行业股票日交易数据获取
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
"""
在第一关的基础上，读取"股票交易数据_2017.xlsx"表，字段如下：
Stkcd、Trddt、Clsprc、Dnshrtrd、Dnvaltrd、Opnprc、Hiprc、Loprc，
中文名称依次为：股票代码、交易日期、收盘价、成交量、成交额、开盘价、最高价、最低价。
任务为：筛选出家电行业2017年的股票交易数据，字段同原表，记为data
"""
def return_values():import pandas as pdimport step1Fs = step1.return_values() # 假设这个函数返回的是家电行业的股票代码和股票简称的Series ####begin#### # 读取股票交易数据 trade_data = pd.read_excel("股票交易数据_2017.xlsx") # 提取家电行业的股票代码列表 home_appliance_codes = Fs.index.tolist() # 筛选家电行业的股票交易数据 data = trade_data[trade_data['Stkcd'].isin(home_appliance_codes)] # 筛选2017年的交易数据（假设Trddt字段是日期格式） data = data[pd.to_datetime(data['Trddt']).dt.year == 2017] ####end#### return data
第6关：申万家用电器行业股票交易指数的构造
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
'''
在上一关基础上，构造家用电器行业交易指数，其中指数计算公式为：
当日指数=当日总交易额/基准日总交易额*100
其中当日总交易额=当日所有股票交易额之和，基准日为2017年首个交易日,
返回index_val
'''
import pandas as pd
import numpy as np
def return_values():import step5data=step5.return_values()# 将交易日期（Trddt）转换为datetime类型 data['Trddt'] = pd.to_datetime(data['Trddt']) # 排序数据，确保日期顺序正确 data.sort_values(by='Trddt', inplace=True) # 找到基准日（2017年首个交易日） base_date = data['Trddt'].min().date() # 计算基准日的总交易额 base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum() # 初始化交易指数Series index_val = pd.Series(index=data['Trddt'].unique(), dtype=float) # 计算每一天的交易指数 for date in index_val.index: # 选择当天的交易数据 daily_data = data[data['Trddt'].dt.date == date] # 计算当天总交易额 daily_total_trade_value = daily_data['Dnvaltrd'].sum() # 计算交易指数 index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100 # 将index_val按日期排序（尽管之前已经排过序，但这里是为了确保） index_val.sort_index(inplace=True)return index_val
第7关：计算沪深300指数2014-2017年的年涨跌幅指标
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为：
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为：指数代码、交易日期、收盘指数
分别计算2014-2017年的年度涨跌幅，
其中年度涨跌幅=（年末收盘指数-年初收盘指数）/年初收盘指数
依次返回年度涨跌幅（r1,r2,r3,r4）
'''import pandas as pd
def return_values():# 读取Excel文件 df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05']) # 将交易日期转换为pandas的datetime类型 df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01']) # 提取年份 df['year'] = df['Idxtrd01'].dt.year # 分组并计算每年第一个和最后一个交易日的收盘指数 first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']}) first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values] # 计算年度涨跌幅 annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first'] # 提取2014-2017年的涨跌幅，并赋值给r1, r2, r3, r4 r1 = annual_returns.loc[2014] r2 = annual_returns.loc[2015] r3 = annual_returns.loc[2016] r4 = annual_returns.loc[2017]return (r1,r2,r3,r4)第8关：计算获得沪深300指数2016年收盘指数的关键转折点
任务描述
本关任务：根据右边测试平台的提示，补充代码.
# -*- coding: utf-8 -*-
'''
序列x1,x2,x3,如果|x2-(x1+x2)/2|越大，x2成为关键转折点的可能性就越大。
"读取沪深300指数交易数据表.xlsx",字段依次为：
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为：指数代码、交易日期、收盘指数
请计算获得2016年指数的关键转折点20个，包括年初和年末的两个点。
并返回结果，用一个序列keydata来表示，其中index为序号，值为收盘指数。
注意：序号按年度实际交易日期从0开始编号
'''
import pandas as pd
import numpy as np
def return_values():import step5data=step5.return_values() data['Trddt'] = pd.to_datetime(data['Trddt']) data.sort_values(by='Trddt', inplace=True) base_date = data['Trddt'].min().date() base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum() index_val = pd.Series(index=data['Trddt'].unique(), dtype=float) for date in index_val.index: daily_data = data[data['Trddt'].dt.date == date] daily_total_trade_value = daily_data['Dnvaltrd'].sum() index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100 index_val.sort_index(inplace=True)print(1)exit(0) 第9关：计算沪深300指数2016年10、20、30、60日收盘指数移动平均值
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为：
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为：指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的10、20、30、60日移动平均收盘指数，
返回结果为(x10,x20,x30,x60)，其中xi为序列，index按年度实际交易天数从0开始编号
'''
import pandas as pd
def return_values():df = pd.read_excel('沪深300指数交易数据表.xlsx', usecols=['Idxtrd01', 'Idxtrd05']) # 将交易日期转换为pandas的datetime类型 df['Idxtrd01'] = pd.to_datetime(df['Idxtrd01']) # 提取年份 df['year'] = df['Idxtrd01'].dt.year # 分组并计算每年第一个和最后一个交易日的收盘指数 first_last_days = df.groupby('year').agg({'Idxtrd05': ['first', 'last']}) first_last_days.columns = ['_'.join(col).strip() for col in first_last_days.columns.values] # 计算年度涨跌幅 annual_returns = (first_last_days['Idxtrd05_last'] - first_last_days['Idxtrd05_first']) / first_last_days['Idxtrd05_first'] print(1)exit(0)第10关：计算沪深300指数2016年现价指标
任务描述
本关任务：根据右边测试平台的提示，补充代码。
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
'''
"读取沪深300指数交易数据表.xlsx",字段依次为：
Indexcd、Idxtrd01、Idxtrd05
中文名称依次为：指数代码、交易日期、收盘指数
请计算获得2016年收盘指数的现价指标，其公式为：
现价=当日收盘指数 / 过去 10 个交易日的移动平均收盘指数
返回结果为p10，为序列，index按年度实际交易天数从0开始编号
'''
import pandas as pd
import numpy as np
def return_values():import step5data=step5.return_values()# 将交易日期（Trddt）转换为datetime类型 data['Trddt'] = pd.to_datetime(data['Trddt']) # 排序数据，确保日期顺序正确 data.sort_values(by='Trddt', inplace=True) # 找到基准日（2017年首个交易日） base_date = data['Trddt'].min().date() # 计算基准日的总交易额 base_total_trade_value = data[data['Trddt'].dt.date == base_date]['Dnvaltrd'].sum() # 初始化交易指数Series index_val = pd.Series(index=data['Trddt'].unique(), dtype=float) # 计算每一天的交易指数 for date in index_val.index: # 选择当天的交易数据 daily_data = data[data['Trddt'].dt.date == date] # 计算当天总交易额 daily_total_trade_value = daily_data['Dnvaltrd'].sum() # 计算交易指数 index_val.loc[date] = (daily_total_trade_value / base_total_trade_value) * 100 # 将index_val按日期排序（尽管之前已经排过序，但这里是为了确保） index_val.sort_index(inplace=True) print(1)exit(0)
![js 用正则表达式 匹配自定义字符之间的字符串数据，如：( )、[ ]、{ }、＜ ＞、【】等括号之间的字符串数据](http://pic.xiahunao.cn/js 用正则表达式 匹配自定义字符之间的字符串数据，如：( )、[ ]、{ }、＜ ＞、【】等括号之间的字符串数据)
笔记本原厂Windows11系统,恢复出厂开箱状态预装OEM系统镜像安装包下载)
