QUANTAXIS核心数据结构以及方法

QUANTAXIS核心数据结构以及方法

  • QUANTAXIS DATAStruct
    • QA_DataStruct_Stock_day
    • QA_DataStruct_Index_day
    • QA_DataStruct_Future_day
    • QA_DataStruct_Stock_min
    • QA_DataStruct_Index_min
    • QA_DataStruct_Future_min
  • Basic Module
    • OHLC data（Open/High/Low/Close）
    • Price_limit(HL/LL)
    • FQ_Module
    • Bar(bar/security)
    • Index
    • date/datetime
  • Application
    • Select_code
    • select_time/select_month
    • Gap selection
    • Pivot
    • Plot
    • Get_bar
  • Statistic Module
    • mean
    • manx/min
    • variance/pvariance
    • stdev/pstdev
    • mean_harmonic
    • mode
    • amplitude
    • skewnewss
    • kurtosis
    • pct_change
    • mad
    • price_diff
  • API
    • add_func
    • to_pd
    • to_numpy
    • to_list
    • to_json
    • to_dict
  • QA_DataStruct具有的功能
    • 数据容器
    • 数据变换【分拆、合并、倒序】split/merge
    • 数据透视 pivot
    • 数据筛选 selects/select_time/select_time_with_gap/select_code/get_bar/select_month
    • 数据复权 to_qfq/to_hfq
    • 数据显示 show
    • 格式变换 to_json/to_pandas/to_list/to_numpy/to_hdf
    • 数据库查询 query
    • 画图 plot
    • 计算指标 add_func
    • 生成器 panel_gen（按时间分类的面板生成器）/ security_gen（按股票分类的股票生成器）
  • QA_DataStruct_Stock_block
    • (属性)该类下的所有板块名称 block_name
    • 查询某一只股票所在的所有板块 get_code(code)
    • 查询某一个（多个）板块下的所有股票 get_block(blockname)
    • 展示当前类下的所有数据 show
In [40]:
import QUANTAXIS as QA

# QA.QA_fetch_stock_day_adv
# QA.QA_fetch_stock_min_adv
# QA.QA_fetch_index_day_adv
# QA.QA_fetch_index_min_adv
  • day 线的参数是code, start, end
  • min 线的参数是code, start, end, frequence='1min'
  • 其中 code 可以是一个股票,也可以是一列股票(list)

取一个股票的数据

In [39]:
QA.QA_fetch_stock_day_adv('000001','2021-01-01','2021-10-01')
Out[39]:
< QA_DataStruct_Stock_day with 1 securities >

取多个股票的数据

In [5]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2021-01-01','2021-10-01')
Out[5]:
< QA_DataStruct_Stock_day with 2 securities >

显示结构体的数据 .data

In [41]:
QA.QA_fetch_stock_day_adv(['300872','000948'],'2021-08-20','2021-09-01').data
Out[41]:
open high low close volume amount
date code
2021-08-20 000948 12.14 12.30 12.02 12.19 50847.0 61767536.0
300872 31.99 31.99 31.12 31.16 21362.0 67059364.0
2021-08-23 000948 12.20 12.35 12.18 12.22 52226.0 63926712.0
300872 31.24 32.16 31.18 31.65 16614.0 52801720.0
2021-08-24 000948 12.22 12.24 11.99 12.00 64282.0 77838520.0
300872 31.33 33.72 31.33 31.99 57107.0 185089392.0
2021-08-25 000948 11.98 12.15 11.88 11.92 49427.0 59265836.0
300872 32.30 32.60 31.52 32.20 21440.0 68925992.0
2021-08-26 000948 11.93 12.03 11.80 11.83 47011.0 55882300.0
300872 32.20 32.56 31.80 32.33 20209.0 64985492.0
2021-08-27 000948 11.80 12.46 11.50 12.46 124706.0 149809184.0
300872 32.56 32.69 31.19 31.43 27729.0 87554328.0
2021-08-30 000948 12.96 13.30 12.57 12.61 201057.0 260413296.0
300872 32.01 32.88 31.60 31.82 31008.0 100034512.0
2021-08-31 000948 12.71 13.17 12.57 13.04 143773.0 185987856.0
300872 31.90 32.28 31.23 31.50 23801.0 75124704.0
2021-09-01 000948 13.12 13.34 12.80 13.24 145605.0 190613488.0
300872 31.41 32.78 31.20 32.35 39433.0 126168040.0

显示结构体的开/高/收/低 .open/.high/.close/.low

In [42]:
QA.QA_fetch_stock_day_adv(['300872','000948'],'2021-08-20','2021-09-01').high
Out[42]:
date        code  
2021-08-20  000948    12.30
            300872    31.99
2021-08-23  000948    12.35
            300872    32.16
2021-08-24  000948    12.24
            300872    33.72
2021-08-25  000948    12.15
            300872    32.60
2021-08-26  000948    12.03
            300872    32.56
2021-08-27  000948    12.46
            300872    32.69
2021-08-30  000948    13.30
            300872    32.88
2021-08-31  000948    13.17
            300872    32.28
2021-09-01  000948    13.34
            300872    32.78
Name: high, dtype: float64

结构体拆分 splits()

  • 当一个DataStruct里面存在多个证券时,可以通过拆分的方法,将其变成多个DataStruct
In [43]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').splits()
Out[43]:
[< QA_DataStruct_Stock_day with 1 securities >,
 < QA_DataStruct_Stock_day with 1 securities >]

数据结构复权 to_qfq()/to_hfq()

In [53]:
QA.QA_fetch_stock_day_adv(['000948','300872'],'2021-08-20','2021-09-01').to_hfq().data
Out[53]:
open high low close volume amount preclose adj
date code
2021-08-20 000948 12.14 12.30 12.02 12.19 50847.0 61767536.0 NaN 1.0
300872 31.99 31.99 31.12 31.16 21362.0 67059364.0 NaN 1.0
2021-08-23 000948 12.20 12.35 12.18 12.22 52226.0 63926712.0 12.19 1.0
300872 31.24 32.16 31.18 31.65 16614.0 52801720.0 31.16 1.0
2021-08-24 000948 12.22 12.24 11.99 12.00 64282.0 77838520.0 12.22 1.0
300872 31.33 33.72 31.33 31.99 57107.0 185089392.0 31.65 1.0
2021-08-25 000948 11.98 12.15 11.88 11.92 49427.0 59265836.0 12.00 1.0
300872 32.30 32.60 31.52 32.20 21440.0 68925992.0 31.99 1.0
2021-08-26 000948 11.93 12.03 11.80 11.83 47011.0 55882300.0 11.92 1.0
300872 32.20 32.56 31.80 32.33 20209.0 64985492.0 32.20 1.0
2021-08-27 000948 11.80 12.46 11.50 12.46 124706.0 149809184.0 11.83 1.0
300872 32.56 32.69 31.19 31.43 27729.0 87554328.0 32.33 1.0
2021-08-30 000948 12.96 13.30 12.57 12.61 201057.0 260413296.0 12.46 1.0
300872 32.01 32.88 31.60 31.82 31008.0 100034512.0 31.43 1.0
2021-08-31 000948 12.71 13.17 12.57 13.04 143773.0 185987856.0 12.61 1.0
300872 31.90 32.28 31.23 31.50 23801.0 75124704.0 31.82 1.0
2021-09-01 000948 13.12 13.34 12.80 13.24 145605.0 190613488.0 13.04 1.0
300872 31.41 32.78 31.20 32.35 39433.0 126168040.0 31.50 1.0

数据透视 .pivot()

In [54]:
QA.QA_fetch_stock_day_adv(['000948','300872'],'2021-08-20','2021-09-01').pivot('open')
Out[54]:
code 000948 300872
date
2021-08-20 12.14 31.99
2021-08-23 12.20 31.24
2021-08-24 12.22 31.33
2021-08-25 11.98 32.30
2021-08-26 11.93 32.20
2021-08-27 11.80 32.56
2021-08-30 12.96 32.01
2021-08-31 12.71 31.90
2021-09-01 13.12 31.41

数据的自定义筛选 .selects(code,start,end)

In [55]:
QA.QA_fetch_stock_day_adv(['000948','300872'],'2021-08-20','2021-09-01').to_qfq().selects('000948','2021-08-21','2021-09-01').data
Out[55]:
open high low close volume amount adj
date code
2021-08-23 000948 12.20 12.35 12.18 12.22 52226.0 63926712.0 1.0
2021-08-24 000948 12.22 12.24 11.99 12.00 64282.0 77838520.0 1.0
2021-08-25 000948 11.98 12.15 11.88 11.92 49427.0 59265836.0 1.0
2021-08-26 000948 11.93 12.03 11.80 11.83 47011.0 55882300.0 1.0
2021-08-27 000948 11.80 12.46 11.50 12.46 124706.0 149809184.0 1.0
2021-08-30 000948 12.96 13.30 12.57 12.61 201057.0 260413296.0 1.0
2021-08-31 000948 12.71 13.17 12.57 13.04 143773.0 185987856.0 1.0
2021-09-01 000948 13.12 13.34 12.80 13.24 145605.0 190613488.0 1.0

数据的时间筛选 .select_time(start,end)

In [61]:
QA.QA_fetch_stock_day_adv(['000948','300872'],'2021-08-20','2021-09-01').select_time('2021-08-25','2021-08-31')
Out[61]:
< QA_DataStruct_Stock_day with 2 securities >
In [63]:
QA.QA_fetch_stock_day_adv(['000948','300872'],'2021-08-20','2021-09-01').select_time('2021-08-25','2021-08-31').data
Out[63]:
open high low close volume amount
date code
2021-08-25 000948 11.98 12.15 11.88 11.92 49427.0 59265836.0
300872 32.30 32.60 31.52 32.20 21440.0 68925992.0
2021-08-26 000948 11.93 12.03 11.80 11.83 47011.0 55882300.0
300872 32.20 32.56 31.80 32.33 20209.0 64985492.0
2021-08-27 000948 11.80 12.46 11.50 12.46 124706.0 149809184.0
300872 32.56 32.69 31.19 31.43 27729.0 87554328.0
2021-08-30 000948 12.96 13.30 12.57 12.61 201057.0 260413296.0
300872 32.01 32.88 31.60 31.82 31008.0 100034512.0
2021-08-31 000948 12.71 13.17 12.57 13.04 143773.0 185987856.0
300872 31.90 32.28 31.23 31.50 23801.0 75124704.0

数据按时间往前/往后推 select_time_with_gap(time,gap,methods)

  • time 是所选择的时间
  • gap 是长度 (int)
  • methods 的选项
    • '<='
    • 'lte'
    • '<'
    • 'lt'
    • 'eq'
    • '=='
    • '>'
    • 'gt'
    • '>='
    • 'gte'
In [14]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time_with_gap('2017-09-20',2,'gt')
Out[14]:
< QA_DataStruct_Stock_day with 2 securities >
In [64]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_time_with_gap('2017-09-20',5,'gt').data
Out[64]:
open high low close volume amount
date code
2017-09-21 000001 11.26 11.51 11.20 11.46 692407.0 7.886053e+08
000002 28.50 29.06 27.75 28.40 536324.0 1.515970e+09
2017-09-22 000001 11.43 11.52 11.31 11.44 593927.0 6.776225e+08
000002 28.39 28.67 27.52 27.81 423093.0 1.184003e+09
2017-09-25 000001 11.44 11.45 11.18 11.29 532391.0 6.022703e+08
000002 27.20 27.20 26.10 26.12 722702.0 1.913323e+09
2017-09-26 000001 11.26 11.30 10.96 11.05 967460.0 1.074228e+09
000002 26.12 27.22 26.10 26.76 593044.0 1.585098e+09
2017-09-27 000001 11.01 11.08 10.90 10.93 727188.0 7.983773e+08
000002 27.00 27.28 26.52 26.84 367534.0 9.907380e+08

选取某一个月份的数据 select_month(month)

In [66]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-10').select_month('2017-10')
Out[66]:
< QA_DataStruct_Stock_day with 2 securities >
In [68]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-10').select_month('2017-10').data
Out[68]:
open high low close volume amount
date code
2017-10-09 000001 11.57 11.64 11.26 11.30 1325227.0 1.520610e+09
000002 27.45 27.65 26.24 26.47 711737.0 1.923170e+09
2017-10-10 000001 11.33 11.50 11.33 11.47 747925.0 8.536659e+08
000002 26.40 26.69 26.19 26.59 367101.0 9.701616e+08

选取结构组里面某一只股票 select_code(code)

In [17]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_code('000001')
Out[17]:
< QA_DataStruct_Stock_day with 1 securities >
In [18]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').select_code('000001').data
Out[18]:
open high low close volume amount
date code
2017-09-20 000001 11.14 11.37 11.05 11.29 787154.0 8.846410e+08
2017-09-21 000001 11.26 11.51 11.20 11.46 692407.0 7.886053e+08
2017-09-22 000001 11.43 11.52 11.31 11.44 593927.0 6.776225e+08
2017-09-25 000001 11.44 11.45 11.18 11.29 532391.0 6.022703e+08
2017-09-26 000001 11.26 11.30 10.96 11.05 967460.0 1.074228e+09
2017-09-27 000001 11.01 11.08 10.90 10.93 727188.0 7.983773e+08
2017-09-28 000001 10.98 10.98 10.82 10.88 517220.0 5.634851e+08
2017-09-29 000001 10.92 11.16 10.86 11.11 682280.0 7.538525e+08

取某一只股票的某一个时间的 bar(code,time,if_trade)

  • 第三个选项 默认是True
  • 第三选项的意义在于,如果出现了停牌,参数如果是True 那么就会返回空值 而如果是False,就会返回停牌前最后一个交易日的值
In [73]:
type(QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').get_bar('000001','2017-09-20'))
Out[73]:
pandas.core.series.Series
In [83]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').get_bar('000001','2017-09-20')
Out[83]:
open      1.114000e+01
high      1.137000e+01
low       1.105000e+01
close     1.129000e+01
volume    7.871540e+05
amount    8.846410e+08
Name: (2017-09-20 00:00:00, 000001), dtype: float64
In [91]:
list(QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').get_bar('000001','2017-09-20'))
Out[91]:
[11.14, 11.37, 11.05, 11.29, 787154.0, 884640960.0]

统计学部分

平均价 price

  • 为了统计学指标的需要, price=AVERAGE(open+high+low+close)
  • price是一个pd.Series 类
In [102]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').data
Out[102]:
open high low close volume amount
date code
2017-09-20 000001 11.14 11.37 11.05 11.29 787154.0 8.846410e+08
2017-09-21 000001 11.26 11.51 11.20 11.46 692407.0 7.886053e+08
2017-09-22 000001 11.43 11.52 11.31 11.44 593927.0 6.776225e+08
2017-09-25 000001 11.44 11.45 11.18 11.29 532391.0 6.022703e+08
2017-09-26 000001 11.26 11.30 10.96 11.05 967460.0 1.074228e+09
2017-09-27 000001 11.01 11.08 10.90 10.93 727188.0 7.983773e+08
2017-09-28 000001 10.98 10.98 10.82 10.88 517220.0 5.634851e+08
2017-09-29 000001 10.92 11.16 10.86 11.11 682280.0 7.538525e+08
In [103]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').open
Out[103]:
date        code  
2017-09-20  000001    11.14
2017-09-21  000001    11.26
2017-09-22  000001    11.43
2017-09-25  000001    11.44
2017-09-26  000001    11.26
2017-09-27  000001    11.01
2017-09-28  000001    10.98
2017-09-29  000001    10.92
Name: open, dtype: float64
In [92]:
type(QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price)
Out[92]:
pandas.core.series.Series
In [95]:
list(QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price)
Out[95]:
[11.2125,
 11.3575,
 11.424999999999999,
 11.34,
 11.142500000000002,
 10.98,
 10.915000000000001,
 11.0125]
In [96]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price
Out[96]:
date        code  
2017-09-20  000001    11.2125
2017-09-21  000001    11.3575
2017-09-22  000001    11.4250
2017-09-25  000001    11.3400
2017-09-26  000001    11.1425
2017-09-27  000001    10.9800
2017-09-28  000001    10.9150
2017-09-29  000001    11.0125
Name: price, dtype: float64

price均值 mean

In [21]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').mean
Out[21]:
code
000001    11.173125
Name: mean, dtype: float64
In [104]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').high.mean
Out[104]:
<bound method Series.mean of date        code  
2017-09-20  000001    11.37
2017-09-21  000001    11.51
2017-09-22  000001    11.52
2017-09-25  000001    11.45
2017-09-26  000001    11.30
2017-09-27  000001    11.08
2017-09-28  000001    10.98
2017-09-29  000001    11.16
Name: high, dtype: float64>

最大最小值 max/min

In [22]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').max
Out[22]:
code
000001    11.425
Name: max, dtype: float64
In [23]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').min
Out[23]:
code
000001    10.915
Name: min, dtype: float64

方差/样本方差 pvariance/variance

  • 总体（population）和 样本（sample）
    • 总体包含我们研究的目标群体中所有的个体的数据
      • 比如所有2008年的海归科学家的年龄
    • 样本仅包含总体中一部分个体的数据
      • 假设2008年的海归科学家总共10万人，我们费了大劲找到了1万人，这1万人的年龄就是刚才那个总体的一个样本
    • 总体和样本是相对的概念
      • 如果某人研究时觉得1万个数据还是太多不好搞，从中随机抽了100个数据，这时候那1万个数据就成了总体了
  • 虽说样本和总体是相对的概念，但在大多数情况下，我们都会谦虚地认为我们手里的数据只是一个样本，是通过对总体进行抽样而获得的，或者说我们的研究问题总是使得直接研究总体是不可行的
    • 把关于总体的统计量叫做“总体XX（population xxx）”
    • 把关于样本的统计量叫做“样本XX（sample xxx）”。
  • 总体方差是一组资料中各数值与其算术平均数离差平方和的平均数
    • 总体方差有有限总体和无限总体，有自己的真实参数，这个均值是实实在在的真值，在计算总体方差的时候，除以的是N
    • 总体方差的分母却是 n
  • 样本方差是样本关于给定点x在直线上散布的数字特征之一，其中的点x称为方差中心
    • 样本方差数值上等于构成样本的随机变量对离散中心 x 之方差的平方和
    • 样本方差是总体里随机抽出来的部分，用来估计总体（总体一般很难知道），由样本可以得到很多种类的统计量
    • 样本方差的分母是 n-1
In [25]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').pvariance
Out[25]:
code
000001    0.032187
Name: pvariance, dtype: float64
In [24]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').variance
Out[24]:
code
000001    0.036785
Name: variance, dtype: float64

标准差/样本标准差 pstdev/stdev

In [26]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').pstdev
Out[26]:
code
000001    0.179408
Name: pstdev, dtype: float64
In [27]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').stdev
Out[27]:
code
000001    0.191795
Name: stdev, dtype: float64

调和平均数 mean_harmonic

  • 所有数字的倒数的算术平均数的倒数
    • 所有数字取倒数
    • 计算这些倒数的算术平均数
    • 对上一步的计算结果取倒数
  • 经典的例子是以不同的速度通过相同的距离（加权算术平均数）
  • price的调和平均数
In [28]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').mean_harmonic
Out[28]:
code
000001    11.170242
Name: mean_harmonic, dtype: float64

众数 mode

  • 返回price的众数 (注意: price序列可能没有众数, 因此可能会报错, 内部处理后, 返回None)
In [97]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price
Out[97]:
date        code  
2017-09-20  000001    11.2125
2017-09-21  000001    11.3575
2017-09-22  000001    11.4250
2017-09-25  000001    11.3400
2017-09-26  000001    11.1425
2017-09-27  000001    10.9800
2017-09-28  000001    10.9150
2017-09-29  000001    11.0125
Name: price, dtype: float64
In [98]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').mode
Out[98]:
code
000001    11.2125
Name: mode, dtype: float64
In [30]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price.mode
Out[30]:
<bound method Series.mode of date        code  
2017-09-20  000001    11.2125
2017-09-21  000001    11.3575
2017-09-22  000001    11.4250
2017-09-25  000001    11.3400
2017-09-26  000001    11.1425
2017-09-27  000001    10.9800
2017-09-28  000001    10.9150
2017-09-29  000001    11.0125
Name: price, dtype: float64>

振幅 amplitude

In [31]:
QA.QA_fetch_stock_day_adv('000001','2017-01-20','2017-10-01').amplitude
Out[31]:
code
000001    0.364987
Name: amplitude, dtype: float64

偏度 skew

In [32]:
QA.QA_fetch_stock_day_adv('000001','2017-01-20','2017-10-01').skew
Out[32]:
code
000001    0.70288
Name: skew, dtype: float64

峰度 kurt

In [33]:
QA.QA_fetch_stock_day_adv('000001','2017-01-20','2017-10-01').kurt
Out[33]:
code
000001   -1.070327
Name: kurt, dtype: float64

百分比变化 pct_change

In [34]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').pct_change
Out[34]:
date        code  
2017-09-20  000001         NaN
2017-09-21  000001    0.012932
2017-09-22  000001    0.005943
2017-09-25  000001   -0.007440
2017-09-26  000001   -0.017416
2017-09-27  000001   -0.014584
2017-09-28  000001   -0.005920
2017-09-29  000001    0.008933
Name: pct_change, dtype: float64

平均绝对偏差 mad

  • 指各次测量值的绝对偏差绝对值的平均值
In [108]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').mad
Out[108]:
code
000001    0.160625
Name: mad, dtype: float64

价格差分 price_diff

  • 返回价格的一阶差分
    • 差分，一般在大数据里用在以时间为统计维度的分析中，其实就是下一个数值 ，减去上一个数值
    • 当间距相等时，用下一个数值，减去上一个数值 ，就叫“一阶差分”
    • 做两次相同的动作，即再在一阶差分的基础上用后一个数值再减上一个数值一次，就叫“二阶差分"
  • 差分的作用是减轻数据之间的不规律波动，使其波动曲线更平稳
In [36]:
QA.QA_fetch_stock_day_adv('000001','2017-09-20','2017-10-01').price_diff
Out[36]:
date        code  
2017-09-20  000001       NaN
2017-09-21  000001    0.1450
2017-09-22  000001    0.0675
2017-09-25  000001   -0.0850
2017-09-26  000001   -0.1975
2017-09-27  000001   -0.1625
2017-09-28  000001   -0.0650
2017-09-29  000001    0.0975
Name: price_diff, dtype: float64

画图 plot(code)

  • 如果是()空值 就会把全部的股票都画出来
  • 备注：Plot需要pyechart版本为0.5，不可为1
In [1]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').plot()

In [2]:
QA.QA_fetch_stock_day_adv(['000001','000002'],'2017-09-20','2017-10-01').plot('000001')