爬蟲之前，3分鐘 Python 快速打底－從零開始的Python股票爬蟲教學（二）

2015 年以來 Python 在全球的討論度急速上升，老實說 Python 就其他程式語言相比的確好學很多，在數據分析及機器學習的部分更是屌打其他語言。

所以大家不用擔心沒程式背景，網路上也有非常多的 documents 可以參考，開發效率更是高得嚇人，你敢相信短短三行程式碼就可以做量化分析嗎？

立即訂閱電子報，掌握最新資訊

立即訂閱電子報，掌握最新資訊！

稱呼

電子郵件

以下非必填，但若您願意分享，我們將能推送更精準的內容給您

投資經驗
—請選取選項—2年以下2~5年5年以上

是否為理工科背景、工程師或有寫程式的經驗？
—請選取選項—皆無有相關經驗

有興趣的主題
量化交易台股期貨海外期貨虛擬貨幣美股

有興趣的量化交易軟體/平台
不清楚MultiChartsTradingViewPythonXQ

想透過量化交易達成甚麼目的？
不確定自動交易選股回測投資績效量化自己的投資方法想找現成的策略套用

還有什麼想詢問的？

83428

一、認識程式語言

程式語言依是否接近核心 Hardware 區分成高低等語言，越接近底層核心屬於低等語言，離底層核心越遠的則為高等語言。

低等語言的語法通常艱澀難懂，寫法非常複雜，好處是執行速度相當快，因為程式碼完全依據功能所開發，相反地高等語言語法非常簡單易懂，短短 3 行就可以達到低等語言需要寫數十行甚至數百行程式碼的功能，缺點是執行速度較低等語言慢，但單就開發效率而言仍屬高等語言佔據優勢。

因為開發時間可能差 1 到 2 小時，但執行速度上可能只慢 3~5 秒，這也是我們之所以選擇用 Python 作為學習的程式語言的原因。

二、Python基礎語法

1. 變數型態

#str (字串)
a = 'apple'

# int (整數)
x = 30

# float (小數點)
y = 4.5

# list
l = [2,3,4,5,6]

# dict
d = {'apple':10,'orange':30}

# bool (布林訊號:True / False)
condition = True

2. 函式庫

（1）class

class Animal():
    def __init__(self, name):
        self.name = name
x = Animal("dog")

print(x.name)

>>> dog

class Account:

    def __init__(self,name,number):
        self.name = name
        self.number = number
        self.balance = 0

    def deposit(self,amount):
        if amount<0:
            raise '輸入錯誤'
        self.balance += amount

    def withdraw(self,amount):
        if amount<=self.balance:
            self.balance -= amount
        else:
            raise RuntimeError('餘額不足')

account = Account('Andy','123–456–789') # 輸入使用者名稱 & 電話號碼
account.deposit(100) # 存入100元
account.withdraw(30) # 提出30元
account.balance # 目前存款

>>> 70

（2）decorator

# syntactic sugar 快寫法

class Animal:
    def __init__(self, barking):
        self.barking = barking

    def bark(self):
        print("Bark~")

@Animal
def dog():
    print("woof~")

@Animal
def cat():
    print("meow~")

x = dog
x.barking()

>>> woof~

（3）try / except (嘗試執行第一區塊的程式碼如果出現error的話則執行第二區塊的程式碼)

import requests
try:
res = requests.get(url)
except:
print('爬蟲失敗，請稍後再試')

（4）lambda

import pandas as pd

# def 寫法
def str_to_numeric(s):
f = pd.to_numeric(str(s))
return f

df = str_to_numeric(df)

# lambda 寫法
df = df.applymap(lambda s:pd.to_numeric(str(s)))

（5）list comprehension

# list 寫法
l = []
for x in df:
if x>0:
l.append('red')
else:
l.append('green')

# list 縮寫法
['red' if x>0 else 'green' for x in df]

三、pandas應用

Series
import pandas as pd

date = pd.date_range('2022-01-01','2022-01-05')
s = pd.Series([111,124,131,126,121],index=date

>>>
2022-01-01    111
2022-01-02    124
2022-01-03    131
2022-01-04    126
2022-01-05    121

Freq: D, dtype: int64

DataFrame
import pandas as pd

date = pd.date_range('2021-01-05','2021-01-09')
df = pd.DataFrame({
    'data1':[120,123,122,127,130],
    'data2':[31,33,37,34,29]
},index=date)

>>>
        data1 data2
2021-01-05   120   31
2021-01-06   123   33
2021-01-07   122   37
2021-01-08   127   34
2021-01-09   130    29

結論

一路複習下來有沒有感受到 Python 語法的強大呢?特別是資料科學家必學的 pandas 應用，礙於篇幅我們就不特別深入去探討，其實大部分的時候也是需要用到才會去查程式寫法，所以大家不用強迫自己一定要背起來所有的功能!

最後大家如果對於pandas有興趣的話可以參考 《資料科學家的 pandas 實戰手冊：掌握 40 個實用數據技巧》 ，裡面有更多厲害的功能給大家自行去挖掘囉!

---

加入LINE社群「量化交易討論群」無壓力討論與分享！

加入Discord 「量化交易討論群」即時獲取實用的資源！