Python金融大数据分析——第5章 数据可视化 笔记 逃离我推掉我的手 2022-05-21 00:35 182阅读 0赞 ### 文章目录 ### * * * 5.1.3 其他绘图样式 * 5.2 金融学图表 \#第5章 数据可视化 \#\#5.1 二维绘图 \#\#\#5.1.1 一维数据集 按照给定的x和y值绘图 import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline # 如果是在控制台上执行代码,这行如果报错,下面的图片显示一张,关闭后再执行下一张的显示,不然都会画到一张图上 np.random.seed(1000) # 生成20个标准正态分布(伪)随机数, 保存在一个NumPy ndarray中 y = np.random.standard_normal(20) x = range(len(y)) plt.plot(x, y) plt.title('5-1 按照给定的x和y值绘图') ![5-1 按照给定的x和y值绘图][5-1 _x_y] 按照给定的一维数组和附加方法绘图 # 按照给定的一维数组和附加方法绘图 plt.plot(y) plt.title('5-2 按照一维数组给出的数据绘图') ![5-2 按照一维数组给出的数据绘图][5-2] 按照给定的一维数组和附加方法绘图 # 按照给定的一维数组和附加方法绘图 plt.plot(y.cumsum()) plt.title('5-3 按照给定的一维数组和附加方法绘图') ![5-3 按照给定的一维数组和附加方法绘图][5-3] 带有网络和紧凑坐标轴的图表 # 带有网络和紧凑坐标轴的图表 plt.plot(y.cumsum()) plt.grid(True) plt.axis('tight') plt.title('5-4 带有网络和紧凑坐标轴的图表') ![5-4 带有网络和紧凑坐标轴的图表][5-4] plt.axis选项 <table> <thead> <tr> <th>参数</th> <th align="center">描述</th> </tr> </thead> <tbody> <tr> <td>Empty</td> <td align="center">返回当前坐标轴限值</td> </tr> <tr> <td>off</td> <td align="center">关闭坐标轴和标签</td> </tr> <tr> <td>equat</td> <td align="center">使用等刻度</td> </tr> <tr> <td>scaled</td> <td align="center">通过尺寸变化平衡度量</td> </tr> <tr> <td>tight</td> <td align="center">所有数据可见(缩小限值)</td> </tr> <tr> <td>image</td> <td align="center">是所有数据可见(使用数据限值)</td> </tr> <tr> <td>[xmin,xmax,ymin,ymax]</td> <td align="center">将设置限值为给定的一组值</td> </tr> </tbody> </table> 使用自定义坐标轴限值绘制图表 # 使用自定义坐标轴限值绘制图表 plt.plot(y.cumsum()) plt.grid(True) plt.xlim(-1, 20) plt.ylim(np.min(y.cumsum()) - 1, np.max(y.cumsum()) + 1) plt.title('5-5 使用自定义坐标轴限值绘制图表') ![5-5 使用自定义坐标轴限值绘制图表][5-5] 带有典型标签的图表 # 带有典型标签的图表 plt.figure(figsize=(7, 4)) # the figsize parameter defines the size of the figure in (width,height) plt.plot(y.cumsum(),'b',lw=1.5) plt.plot(y.cumsum(),'ro') plt.grid(True) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A Simple Plot') ![5-6 带有典型标签的图表][5-6] 标准颜色缩写 <table> <thead> <tr> <th>字符</th> <th align="center">颜色</th> </tr> </thead> <tbody> <tr> <td>b</td> <td align="center">蓝</td> </tr> <tr> <td>g</td> <td align="center">绿</td> </tr> <tr> <td>r</td> <td align="center">红</td> </tr> <tr> <td>c</td> <td align="center">青</td> </tr> <tr> <td>m</td> <td align="center">品红</td> </tr> <tr> <td>y</td> <td align="center">黄</td> </tr> <tr> <td>k</td> <td align="center">黑</td> </tr> <tr> <td>w</td> <td align="center">白</td> </tr> </tbody> </table> 标准样式字符 <table> <thead> <tr> <th>字符</th> <th align="center">象征</th> </tr> </thead> <tbody> <tr> <td>-</td> <td align="center">实现样式</td> </tr> <tr> <td>–</td> <td align="center">短划线样式</td> </tr> <tr> <td>-.</td> <td align="center">点实线样式</td> </tr> <tr> <td>:</td> <td align="center">虚线样式</td> </tr> <tr> <td>.</td> <td align="center">点标记</td> </tr> <tr> <td>,</td> <td align="center">像素标记</td> </tr> <tr> <td>o</td> <td align="center">圆标记</td> </tr> <tr> <td>v</td> <td align="center">向下三角形标记</td> </tr> <tr> <td>^</td> <td align="center">向上三角形标记</td> </tr> <tr> <td><</td> <td align="center">向左三角形标记</td> </tr> <tr> <td>></td> <td align="center">向右三角形标记</td> </tr> <tr> <td>1</td> <td align="center">Tri_down标记</td> </tr> <tr> <td>2</td> <td align="center">Tri_up标记</td> </tr> <tr> <td>3</td> <td align="center">Tri_left标记</td> </tr> <tr> <td>4</td> <td align="center">Tri_right标记</td> </tr> <tr> <td>s</td> <td align="center">方形标记</td> </tr> <tr> <td>P</td> <td align="center">五边形标记</td> </tr> <tr> <td>*</td> <td align="center">星号</td> </tr> <tr> <td>h</td> <td align="center">六角形标记1</td> </tr> <tr> <td>H</td> <td align="center">六角形标记2</td> </tr> <tr> <td>+</td> <td align="center">加好</td> </tr> <tr> <td>x</td> <td align="center">X标记</td> </tr> <tr> <td>D</td> <td align="center">菱形标记</td> </tr> <tr> <td>d</td> <td align="center">细菱形标记</td> </tr> <tr> <td>|</td> <td align="center">垂直标记</td> </tr> </tbody> </table> \#\#\#5.1.2 二维数据集 用两个数据集绘制图表 # 用两个数据集绘制图表 np.random.seed(2000) y = np.random.standard_normal((20, 2)).cumsum(axis=0) plt.figure(figsize=(7, 4)) plt.plot(y, lw=1.5) plt.plot(y, 'ro') plt.grid(True) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A Simple Plot') ![用两个数据集绘制图表][70] 带有数据集的图表 # 带有数据集的图表 plt.figure(figsize=(7, 4)) plt.plot(y[:, 0], lw=1.5, label='1st') plt.plot(y[:, 1], lw=1.5, label='2nd') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A Simple Plot') ![带有数据集的图表][70 1] plt.legend选项 <table> <thead> <tr> <th>位置选项</th> <th align="center">描述</th> </tr> </thead> <tbody> <tr> <td>空白</td> <td align="center">自动</td> </tr> <tr> <td>0</td> <td align="center">最佳</td> </tr> <tr> <td>1</td> <td align="center">右上</td> </tr> <tr> <td>2</td> <td align="center">左上</td> </tr> <tr> <td>3</td> <td align="center">左下</td> </tr> <tr> <td>4</td> <td align="center">右下</td> </tr> <tr> <td>5</td> <td align="center">右</td> </tr> <tr> <td>6</td> <td align="center">中左</td> </tr> <tr> <td>7</td> <td align="center">中右</td> </tr> <tr> <td>8</td> <td align="center">中下</td> </tr> <tr> <td>9</td> <td align="center">中上</td> </tr> <tr> <td>10</td> <td align="center">中</td> </tr> </tbody> </table> 包含两个数据集、 两个y轴的图表 # 包含两个数据集、 两个y轴的图表 y[:, 0] = y[:, 0] * 10 fig, ax1 = plt.subplots() plt.plot(y[:, 0], 'b', lw=1.5, label='1st') plt.plot(y[:, 0], 'ro') plt.grid(True) plt.legend(loc=8) plt.axis('tight') plt.xlabel('index') plt.ylabel('value 1st') plt.title('A Simple Plot') ax2 = ax1.twinx() plt.plot(y[:, 1], 'g', lw=1.5, label='2nd') plt.legend(loc=0) plt.ylabel('value 2nd') ![包含两个数据集、 两个y轴的图表][_y] 带有两个子图的图表 # 带有两个子图的图表 plt.figure(figsize=(7, 5)) plt.subplot(211) plt.plot(y[:, 0], 'b', lw=1.5, label='1st') plt.plot(y[:, 0], 'ro') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.ylabel('value') plt.title('A Simple Plot') plt.subplot(212) plt.plot(y[:, 0], 'g', lw=1.5, label='2nd') plt.plot(y[:, 0], 'ro') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') ![带有两个子图的图表][70 2] 组合线、点子图和柱状子图 # 组合线、点子图和柱状子图 plt.figure(figsize=(9, 4)) plt.subplot(121) plt.plot(y[:, 0], lw=1.5, label='1st') plt.plot(y[:, 0], 'ro') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('1st Data Set') plt.subplot(122) plt.bar(np.arange(len(y)), y[:, 1], width=0.5, color='g', label='2nd') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.xlabel('index') plt.title('2nd Data Set') ![组合线、点子图和柱状子图][70 3] ### 5.1.3 其他绘图样式 ### 通过plot函数绘制散点图 # 通过plot函数绘制散点图 y = np.random.standard_normal((1000, 2)) plt.figure(figsize=(7, 5)) plt.plot(y[:, 0], y[:, 1], 'ro') plt.grid(True) plt.xlabel('1st') plt.ylabel('2nd') plt.title('Scatter Plot') ![通过plot函数绘制散点图][plot] 通过scatter函数绘制散点图 # 通过scatter函数绘制散点图 plt.figure(figsize=(7, 5)) plt.scatter(y[:, 0], y[:, 1], marker='o') plt.grid(True) plt.xlabel('1st') plt.ylabel('2nd') plt.title('Scatter Plot') ![通过scatter函数绘制散点图][scatter] # 具备第三维的散点图 c = np.random.randint(0, 10, len(y)) plt.figure(figsize=(7, 5)) plt.scatter(y[:, 0], y[:, 1], c=c, marker='o') plt.colorbar() plt.grid(True) plt.xlabel('1st') plt.ylabel('2nd') plt.title('Scatter Plot') ![具备第三维的散点图][70 4] 两个数据集的直方图 # 两个数据集的直方图 plt.figure(figsize=(7, 5)) plt.hist(y, label=['1st', '2nd'], bins=25) plt.grid(True) plt.legend(loc=0) plt.xlabel('value') plt.ylabel('frequency') plt.title('Histogram') ![两个数据集的直方图][70 5] plt.hist所支持的参数: plt.hist(x, bins=None, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype=‘bar’, align=‘mid’, orientation=‘vertical’, rwidth=None, log=False, color=None, label=None, stacked=False, hold=None, data=None, \*\*kwargs) plt.hist参数 <table> <thead> <tr> <th>参数</th> <th align="center">描述</th> </tr> </thead> <tbody> <tr> <td>x</td> <td align="center">列表对象,ndarray对象</td> </tr> <tr> <td>bins</td> <td align="center">数据组(bin)数</td> </tr> <tr> <td>range</td> <td align="center">数据组的上界和下界</td> </tr> <tr> <td>normed</td> <td align="center">规范化为整数</td> </tr> <tr> <td>weights</td> <td align="center">x轴上每个值的权重</td> </tr> <tr> <td>cumulative</td> <td align="center">每个数据组包含较低组别的计数</td> </tr> <tr> <td>histtype</td> <td align="center">选项(字符串): bar, barstacked, step, stepfilled</td> </tr> <tr> <td>align</td> <td align="center">选项(字符串): lef, mid, right</td> </tr> <tr> <td>orientation</td> <td align="center">选项(字符串): horizontal, vertical</td> </tr> <tr> <td>rwidth</td> <td align="center">条块的相对宽度</td> </tr> <tr> <td>log</td> <td align="center">对数刻度</td> </tr> <tr> <td>color</td> <td align="center">每个数据集的颜色(类似数组)</td> </tr> <tr> <td>label</td> <td align="center">标签所用的字符席或者字符串序列</td> </tr> <tr> <td>stacked</td> <td align="center">堆叠多个数据集</td> </tr> </tbody> </table> 两个数据集堆叠的直方图 # 两个数据集堆叠的直方图 plt.figure(figsize=(7, 4)) plt.hist(y, label=['1st', '2nd'], color=['b', 'g'], stacked=True, bins=20) plt.grid(True) plt.legend(loc=0) plt.xlabel('value') plt.ylabel('frequency') plt.title('Histogram') ![两个数据集堆叠的直方图][70 6] 两个数据集的箱形图 # 两个数据集的箱形图 fig, ax = plt.subplots(figsize=(7, 4)) plt.boxplot(y) plt.grid(True) plt.setp(ax, xticklabels=['1st', '2nd']) plt.xlabel('data set') plt.ylabel('value') plt.title('Boxplot') ![两个数据集的箱形图][70 7] 指数函数、积分面积和LaTeX标签 # 指数函数、积分面积和LaTeX标签 from matplotlib.patches import Polygon def func(x): return 0.5 * np.exp(x) + 1 a, b = 0.5, 1.5 x = np.linspace(0, 2) y = func(x) fig, ax = plt.subplots(figsize=(7, 5)) plt.plot(x, y, 'b', linewidth=2) plt.ylim(ymin=0) Ix = np.linspace(a, b) Iy = func(Ix) verts = [(a, 0)] + list(zip(Ix, Iy)) + [(b, 0)] poly = Polygon(verts, facecolor='0.7', edgecolor='0.5') ax.add_patch(poly) plt.text(0.5 * (a + b), 1, r"$\int_a^b f(x)\mathrm{d}x$", horizontalalignment='center', fontsize=20) plt.figtext(0.9, 0.075, '$x$') plt.figtext(0.075, 0.9, '$x$') ax.set_xticks((a, b)) ax.set_xticklabels(('$a$', '$b$')) ax.set_yticks([func(a), func(b)]) ax.set_yticklabels(('$f(a)$', '$f(b)$')) plt.grid(True) ![指数函数、积分面积和LaTeX标签][LaTeX] ## 5.2 金融学图表 ## 金融数据的蜡烛图 """ # import matplotlib.finance as mpf # 这个方法过期了 # MatplotlibDeprecationWarning: The finance module has been deprecated in mpl 2.0 and will be removed in mpl 2.2. Please use the module mpl_finance instead. warnings.warn(message, mplDeprecation, stacklevel=1) # 要用下面的方法 import mpl_finance as mpf # 安装方法: >pip install https://github.com/matplotlib/mpl_finance/archive/master.zip """ import mpl_finance as mpf # start = (2014, 5, 1) # end = (2014, 6, 30) # quotes = mpf._quotes_historical_yahoo('GDAXI', start, end) # 由于伟大的墙,调取不到国外的数据,这里用tushare获取600118中国卫星的数据 import tushare as ts import datetime from matplotlib.pylab import date2num start = '2018-05-01' end = '2018-06-30' k_d = ts.get_k_data('600118', start, end, ktype='D') k_d.head() k_d.date = k_d.date.map(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d'))) quotes = k_d.values fig, ax = plt.subplots(figsize=(8, 5)) fig.subplots_adjust(bottom=0.2) mpf.candlestick_ochl(ax, quotes, width=0.6, colorup='r', colordown='g', alpha=0.8) plt.grid(True) ax.xaxis_date() # dates on the x-axis ax.autoscale_view() plt.setp(plt.gca().get_xticklabels(), rotation=30) k\_d.head()输入的结果: <table> <thead> <tr> <th> </th> <th>date</th> <th>open</th> <th>close</th> <th>high</th> <th>low</th> <th>volume</th> <th align="left">code</th> </tr> </thead> <tbody> <tr> <td>77</td> <td>2018-05-02</td> <td>23.05</td> <td>22.45</td> <td>23.10</td> <td>22.25</td> <td>90673.0</td> <td align="left">600118</td> </tr> <tr> <td>78</td> <td>2018-05-03</td> <td>22.30</td> <td>22.52</td> <td>22.58</td> <td>21.71</td> <td>78948.0</td> <td align="left">600118</td> </tr> <tr> <td>79</td> <td>2018-05-04</td> <td>22.50</td> <td>22.35</td> <td>22.58</td> <td>22.21</td> <td>58511.0</td> <td align="left">600118</td> </tr> <tr> <td>80</td> <td>2018-05-07</td> <td>22.49</td> <td>22.70</td> <td>22.71</td> <td>22.30</td> <td>58248.0</td> <td align="left">600118</td> </tr> <tr> <td>81</td> <td>2018-05-08</td> <td>22.80</td> <td>23.07</td> <td>23.45</td> <td>22.75</td> <td>115629.0</td> <td align="left">600118</td> </tr> </tbody> </table> 最后的图片: ![金融数据的烛柱图][70 8] 金融数据每日摘要图表 # 金融数据每日摘要图表 fig, ax = plt.subplots(figsize=(8, 5)) fig.subplots_adjust(bottom=0.2) mpf._plot_day_summary(ax, quotes, colorup='r', colordown='g') plt.grid(True) ax.xaxis_date() # dates on the x-axis ax.autoscale_view() plt.setp(plt.gca().get_xticklabels(), rotation=30) plt.title('金融数据每日摘要图表') ![金融数据每日摘要图表][70 9] 蜡烛图和成交量柱状图组合而成的图表 # 蜡烛图和成交量柱状图组合而成的图表 fig, (ax1, ax2) = plt.subplots(2, sharex=True, figsize=(8, 6)) mpf.candlestick_ochl(ax1, quotes, width=0.6, colorup='r', colordown='g', alpha=0.8) ax1.set_title('中国卫星') ax1.set_ylabel('index level') plt.grid(True) ax1.xaxis_date() plt.bar(quotes[:,0],quotes[:,5],width=0.5) ax2.set_ylabel('volume') ax2.grid(True) plt.setp(plt.gca().get_xticklabels(), rotation=30) ![蜡烛图和成交量柱状图组合而成的图表][70 10] \#\#5.3 3D绘图 (模拟)隐含波动率的 3D 曲面图 # strike = np.linspace(50, 150, 24) ttm = np.linspace(0.5, 2.5, 24) strike, ttm = np.meshgrid(strike, ttm) iv = (strike - 100) ** 2 / (100 * strike) / ttm # generate fake implied volatilities from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(9, 6)) ax = fig.gca(projection='3d') surf = ax.plot_surface(strike, ttm, iv, rstride=2, cstride=2, cmap=plt.cm.coolwarm, linewidth=0.5, antialiased=True) ax.set_xlabel('strike') ax.set_ylabel('time-to-maturity') ax.set_zlabel('implied volatility') fig.colorbar(surf, shrink=0.5, aspect=5) ![(模拟)隐含波动率的 3D 曲面图][3D] plot\_surface参数 <table> <thead> <tr> <th>参数</th> <th align="center">描述</th> </tr> </thead> <tbody> <tr> <td>X,Y,Z</td> <td align="center">2D数组形式的数据值</td> </tr> <tr> <td>rstride</td> <td align="center">数组行距(步长大小)</td> </tr> <tr> <td>cstride</td> <td align="center">数组列距(步长大小)</td> </tr> <tr> <td>color</td> <td align="center">曲面块颜色</td> </tr> <tr> <td>cmap</td> <td align="center">曲面块颜色映射</td> </tr> <tr> <td>facecolors</td> <td align="center">单独曲面块表面颜色</td> </tr> <tr> <td>norm</td> <td align="center">将值映射为颜色的 Nonnalize实例</td> </tr> <tr> <td>vmin</td> <td align="center">映射的最小值</td> </tr> <tr> <td>vmax</td> <td align="center">映射的最大值</td> </tr> </tbody> </table> (模拟)隐含波动率的 3D 散点图 #(模拟)隐含波动率的 3D 散点图 fig = plt.figure(figsize=(8, 5)) ax = fig.add_subplot(111,projection='3d') ax.view_init(30,60) ax.scatter(strike, ttm, iv, zdir='z',s=25,c='b',marker='^') ax.set_xlabel('strike') ax.set_ylabel('time-to-maturity') ax.set_zlabel('implied volatility') ![这里写图片描述][70 11] end [5-1 _x_y]: /images/20220521/e61193abaee346e9b1729144cc1e85bf.png [5-2]: /images/20220521/8cce7496e4d046b7a0eefcc470f2a36a.png [5-3]: /images/20220521/87fbe912f7e143c3974cd4d374dab968.png [5-4]: /images/20220521/f5988ba04cc74556add5b0694fce402a.png [5-5]: /images/20220521/85b9fbef1f7a4310ad9d2d853d81160c.png [5-6]: /images/20220521/d1f412d014b64451941e2bc33ad31aa3.png [70]: /images/20220521/d8fa04b55e334d97b284e2f654557a20.png [70 1]: /images/20220521/5c1e641a1a6f471ab8793e99b248dd98.png [_y]: /images/20220521/3d75bc2b535e44fb91f9ff1b32d6baa1.png [70 2]: /images/20220521/39257fe221544c18883e3ebda4c9e494.png [70 3]: /images/20220521/e667c78adb5a4121ba9f0de0f198c12e.png [plot]: /images/20220521/18c47136d35d4970843f0f2905674d49.png [scatter]: /images/20220521/bc4c3b954f034ec1b7842c39a6c8d179.png [70 4]: /images/20220521/a7434a996c26494d85ee85fcf95499bf.png [70 5]: /images/20220521/9e9b776893f5401cbff64c37fb3151a2.png [70 6]: /images/20220521/e8cc235053db4daab310f05378d40eba.png [70 7]: /images/20220521/27a2863f46e742d787cabe79814ca560.png [LaTeX]: /images/20220521/0e1a0769b6d74bbcb498724f16f76921.png [70 8]: /images/20220521/c472687381a548628b66ace1431cc10b.png [70 9]: /images/20220521/3d75c8a37e7e48f6ab319b504e542ad2.png [70 10]: /images/20220521/06e5c4bd51aa4bbdb20fa5fbc5b4c640.png [3D]: /images/20220521/d9e7f0db89bc4c67aed013d5f8545d99.png [70 11]: /images/20220521/d2baf50829a7409d8a4f09a560e5149a.png
相关 Python金融大数据分析——第4章 数据类型和结构 笔记 第4章 数据类型和结构 4.1 基本数据类型 4.1.1 整数 4.1.2 浮点数 墨蓝/ 2022年05月22日 12:48/ 0 赞/ 207 阅读
相关 Python金融大数据分析——第10章 推断统计学 笔记3 第10章 推断统计学 10.4 风险测度 10.4.1 风险价值 10.4.2 信用 向右看齐/ 2022年05月21日 12:24/ 0 赞/ 208 阅读
相关 Python金融大数据分析——第9章 数学工具 笔记 第9章 数学工具 9.1 逼近法 9.1.1 回归 9.1.2 插值 ╰半橙微兮°/ 2022年05月21日 06:45/ 0 赞/ 414 阅读
相关 Python金融大数据分析——第7章 输入/输出操作 笔记 第7章 输入/输出操作 7.1 Python基本I/O 7.1.1 将对象写入磁盘 r囧r小猫/ 2022年05月21日 02:47/ 0 赞/ 141 阅读
相关 Python金融大数据分析——第6章 金融时间序列 笔记 第6章 金融时间序列 6.1 pandas基础 6.1.1 使用DataFrame类的第一步 我会带着你远行/ 2022年05月21日 01:14/ 0 赞/ 426 阅读
相关 Python金融大数据分析——第5章 数据可视化 笔记 文章目录 5.1.3 其他绘图样式 5.2 金融学图表 \第5章 数据可视化 \\5.1 二维绘图 \\\5.1.1 一维 逃离我推掉我的手/ 2022年05月21日 00:35/ 0 赞/ 183 阅读
相关 Python金融大数据分析——第16章 金融模型的模拟 笔记 第16章 金融模型的模拟 16.1 随机数生成 16.2 泛型模拟类 16.3 几何布朗运动 野性酷女/ 2022年05月20日 08:18/ 0 赞/ 317 阅读
相关 Python金融大数据分析——第15章 估值框架 笔记 第15章 估值框架 15.1 资产定价基本定理 15.1.1 简单示例 15.1.2 痛定思痛。/ 2022年05月20日 08:17/ 0 赞/ 530 阅读
相关 Python金融大数据分析——第13章 面向对象 笔记 第13章 面向对象和图形用户界面 13.1 面向对象 13.1.1 Python类基础知识 不念不忘少年蓝@/ 2022年05月20日 03:15/ 0 赞/ 299 阅读
相关 Python金融大数据分析——第12章 Excel集成 笔记 第12章 Excel集成 12.1 基本电子表格交互 12.1.1 生成工作簿(.xls) 淡淡的烟草味﹌/ 2022年05月20日 00:46/ 0 赞/ 210 阅读
还没有评论,来说两句吧...