哪些 Python 库让你相见恨晚？-原创手记-慕课网

大家贴了很多Python的库，有关于文档处理、网络爬虫、WEB服务器、数据可视化等等，顿时感觉自己接触到的只是Python的冰山一角。不过说真的Python库实在是太多了，涉及到了方方面面的应用场景，我们不可能什么都掌握，大家平时接触比较多的Python库主要有：

Matplotlib——应用于可视化绘图
Bokeh——应用于Web交互式可视化绘图
Urllib3——应用于HTTP客户端网络请求
Numpy——应用于科学计算
Pandas——应用于金融数据分析
Statsmodels——应用于统计模型和分析
TA-Lib——应用于金融技术指标计算
Tushare——应用于财经数据的获取
Django——应用于Web框架的搭建
scrapy——应用于爬虫框架的搭建

...........................……………………..........大家好，我叫分割线................………………………………

上面列举的这些库里面Pandas是金融量化分析中最常使用的库，它封装了Numpy、Matplotlib、Urllib3等基础库，因此Pandas功能十分强大，不仅可以进行科学计算、数据可视化分析，也可以下载金融数据等。正是因为Pandas在金融量化分析中十分著名，一开始踏入这个领域的时候就接触到了，并不能说相见恨晚。

真正让我后知后觉、相见恨晚、一见如故的是TA-Lib这个计算金融技术指标的开源库。来说下是怎么接触到TA-Lib库的，“故事”的发生是这样的，最开始的时候我准备实现一幅查看股票技术指标的界面，如下图所示，其中我需要绘制包括K线图、成交量、均线和MACD、KDJ这几个常用的指标。

我先用了Matplotlib库中Candlestick方法绘制K线图，bar方法绘制成交量，很轻松，没什么问题。接下来绘制均线我先用了两个序列的线性卷积方式实现：

符号*表示卷积这个特定的运算形式，不过没过多久我就找到了pandas库rolling_mean方法来优化均线的实现方法，还算比较顺利，大家可以感受下两种方法的代码实现。

卷积实现：

N_20,N_60,N_120 = 19,59,119 #N-1
weg20 = np.ones(N_20) / N_20
self.Ma_20 = np.convolve(weg20, self.close)[N_20:-N_20]
""" M20 均线序列生成 """
L_zeros = np.zeros(N_20).tolist()#生成M20 0序列
L_zeros.extend(self.Ma_20)#补齐列表长度 
self.Ma_20 = copy.deepcopy(L_zeros)#深度拷贝列表数据

Pandas实现：

stock['Ma20'] = pd.rolling_mean(stock.Close,window=20)

再下一步绘制MACD的DIF(差离值)和DEA(差离平均值)，±DIF值是短期移动平均线与长期移动平均线之间的聚合与分离值，DEA是对DIF值进行N日移动平滑，用常规的代码来实现差不多需要10行左右，但是我觉得即然用了Python语言，就要追求更优雅的方式，就在这个时候我在不停的搜索中发现了一套优雅的库TA-Lib，TA-Lib中MACD方法可以根据输入的收盘价直接计算得到DIF、DEA、BAR三组数据，只需要1行代码就轻松搞定。

dif, dea, bar= talib.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)

同样KDJ可以用STOCH（Stochastic Oscillator Slow）方法来实现，这里要注意的是KDJ指标最早雏形是由芝加哥期货交易商George Lane提出的KD指标，该指标又被称为随机震荡指标，在TA-Lib库中对应的方法为STOCH，而KDJ指标则在随机震荡指标K线和D线的基础上增加了一条J线，进一步提高了随机震荡指标对市场买卖信号捕捉的准确度。使用TA-Lib库我们也只需要1行代码就轻松搞定，大家可以感受下计算实现和TA-Lib库实现这两种方法的代码。

计算实现：

date = self.kl_pd.index.to_series()
RSV = pd.Series(np.zeros(len(date)-self.xd),index=date.index[self.xd:])

Kvalue = pd.Series(0.0,index=RSV.index)
Dvalue = pd.Series(0.0,index=RSV.index)
Kvalue[0],Dvalue[0] = 50,50

for day_ind in range(self.xd, len(date)):

    RSV[date[day_ind]] = (self.kl_pd.Close[day_ind] - self.kl_pd.Low[day_ind-self.xd:day_ind+1].min())/(self.kl_pd.High[day_ind-self.xd:day_ind+1].max()-self.kl_pd.Low[day_ind-self.xd:day_ind+1].min())*100

    if day_ind > self.xd:
        index = day_ind-self.xd
        Kvalue[index] = 2.0/3*Kvalue[index-1]+RSV[date[day_ind]]/3
        Dvalue[index] = 2.0/3*Dvalue[index-1]+Kvalue[index]/3

self.kl_pd['RSV'] = RSV
self.kl_pd['K'] = Kvalue
self.kl_pd['D'] = Dvalue
self.kl_pd['J'] = 3*Kvalue-2*Dvalue

TA-lib实现：

slowk, slowd'= talib.STOCH(High, Low, Close, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)

我继续深入地去了解TA-Lib库，在 http://tadoc.org/这个网站上找到了TA-Lib库中实现各种指标的对应实现方法，包括ATR、OBV、RSI等等，总共涵盖了大约200个技术指标的实现方法，并且支持java,C,C++,Perl,Python等多种语言的API，它的强大和便捷令人不得不折服。

这里大家要注意下关于输入到MACD、STOCH这些方法中的股票数据类型，要求输入为numpy.ndarray，千万别习惯性的输入Series类型。以上就是对相见恨晚的TA-Lib库的一些介绍，关于TA-Lib库更详细的使用技巧大家可以到慕课网手记板块查询。

以上，感谢阅读。