Pandas 基础

一、分类

结合自己的经验，我觉得Pandas的本质是类似于Matlab、Eviews之类的数据分析软件。只是其他的被人做成了有UI界面的软件。

从Pandas的结构来看，最核心的两个类。其他功能是围绕这两个类进行了功能上的扩展。

pandas.Series()

pandas.DataFrame()

从数据分析的全过程来看，主要的步骤如下：

数据.获取

数据.读取

数据.清洗加工

数据.统计分析

数据.结果输出

为了保持学习的趣味性，我觉得按照实际使用的过程来学习可能会更好，但是必须先要对pandas.Series和pandas.DateFrame有点基本认识。从前面的项目经验来看，最好的学习动力就是需求，而这里我的需求是对股票进行跟踪分析，去测试我的交易策略效率。

我是学金融出身，但是很多前辈告诉我，金融学的很多基础理论在实践中不能帮你赚到钱，反而是不受金融理论限制的思维模式才是量化的生存之道。对于这些经验我觉得还是要实践出真知，所以，我们不妨先测试下ETF50的套利交易到底能不能赚到钱。

二、.Series（）

一维的数据对象，类似列表，那自然就增、删、改、查等基本功能。同时，还增加很多计算需要的属性与方法。官方文档中一共列出了14个类别，100多种。

https://pandas.pydata.org/pandas-docs/stable/reference/series.html#series

我比较着急的是想要用起来，边用边学。因此，我们主要来看这个对象的结构。

Series([data, index, dtype, name, copy, …])

import pandas as pd

s = pd.Series([1,2,3,4,5,6])

三、.DataFrame（）

二维的数据对象，类似于多层嵌套的字典，但是又比字典高级多了。官方文档一共列出了n个属性与方法。

https://pandas.pydata.org/pandas-docs/stable/reference/frame.html#dataframe

DataFrame([data])

df = pd.DataFrame(s)

四、案例：ETF50套利交易的回溯测试