A. python 金融分析 應該使用什麼模型
鏈接：http://pan..com/s/1djPqbCXnQrRpW0dgi2MCJg
華爾街學堂 python金融實務從入門到精通。最近，越來越多的研究員、基金經理甚至財務會計領域的朋友，向小編咨詢：金融人需要學Python么？事實上在現在，這已經不是一個問題了。Python已成為國內很多頂級投行、基金、咨詢等泛金融、商科領域的必備技能。中金公司、銀河證券、南方基金、銀華基金在招聘分析師崗位時，紛紛要求熟練掌握Python數據分析技能。
課程目錄：
Python在金融資管領域中的應用
安裝anaconda步驟
Python基礎知識
Python基礎金融分析應用
成為編程能手：Python知識進階
利用Python實現金融數據收集、分析與可視化
......
B. python定義模型
學python的人都知道，python中一切皆是對象，如class生成的對象是對象，class本身也是對象，int是對象，str是對象，dict是對象...。所以，我很好奇，python是怎樣實現這些對象的？帶著這份好奇，我決定去看看python的源碼，畢竟源碼才是滿足自己好奇心最直接的方法。
在object.h文件中，定義了兩種數據結構PyObject和PyVarObject，代碼如下：
1 #define PyObject_HEAD 2 Py_ssize_t ob_refcnt; 3 struct _typeobject *ob_type; 4 5 #define PyObject_VAR_HEAD 6 PyObject_HEAD 7 Py_ssize_t ob_size; 8 9 typedef struct _object {10 PyObject_HEAD11 } PyObject;12 13 typedef struct {14 PyObject_VAR_HEAD15 } PyVarObject;
這兩種數據結構分別對應python的兩種對象：固定長度對象和可變長度對象。python中的所有對象都屬於這兩種對象中的一種，如int，float是固定長度對象，list，str，dict是可變長度對象。從上面兩種對象數據結構定義來看，可變長度對象和固定長度對象的頭都是PyObject結構體，也就是說python中所有對象的開頭都包含這個結構體，並且可以用PyObject *指針來訪問任何對象，這種訪問對象的方法在python的源碼中隨處可見。PyObject結構體包含兩個成員，ob_refcnt和ob_type指針。ob_refcnt用來表示對象被引用的次數，當ob_refcnt == 0時，這個對象會被立即銷毀；ob_type指針指向了一個_typeobject類型的結構體，表示對象所屬的類型，也就是生成該對象的類型，這其實很類似於面向對象中類與實例的關系，PyObject是某個類的實例，ob_type表示這個類。但與面向對象不同的是，ob_type本身也是個對象，我們來看下_typeobject的定義：
1 typedef struct _typeobject { 2 PyObject_VAR_HEAD 3 const char *tp_name; /*類型名 */ 4 Py_ssize_t tp_basicsize, tp_itemsize; /* 實例化對象的大小 */ 5 6 /* 標准方法 */ 7 8 destructor tp_dealloc; 9 printfunc tp_print;10 getattrfunc tp_getattr;11 setattrfunc tp_setattr;12 cmpfunc tp_compare;13 reprfunc tp_repr;14 15 /* 標准類（數值類，列表類，dict類）方法*/16 17 PyNumberMethods *tp_as_number;18 PySequenceMethods *tp_as_sequence;19 PyMappingMethods *tp_as_mapping;20 21 /* 其它標准方法*/22 23 hashfunc tp_hash;24 ternaryfunc tp_call;25 reprfunc tp_str;26 getattrofunc tp_getattro;27 setattrofunc tp_setattro;28 ...
29 } PyTypeObject;
從上面定義來看，_typeobject的開頭也包含了PyObject結構體，所以它也是一個對象，既然它也是一個對象，那麼按照面向對象的理解，它又是誰來生成的呢？答案是所有PyTypeObject對象都是通過PyType_Type來生成的，包括PyType_Type本身，因為PyType_Type也是PyTypeObject對象，有點繞。PyType_Type的定義是通過將PyType_Type聲明為全局靜態變數實現的，具體如下：
1 PyTypeObject PyType_Type = { 2 PyVarObject_HEAD_INIT(&PyType_Type, 0) 3 "type", /* tp_name */ 4 sizeof(PyHeapTypeObject), /* tp_basicsize */ 5 sizeof(PyMemberDef), /* tp_itemsize */ 6 (destructor)type_dealloc, /* tp_dealloc */ 7 0, /* tp_print */ 8 0, /* tp_getattr */ 9 0, /* tp_setattr */10 0, /* tp_compare */11 (reprfunc)type_repr, /* tp_repr */12 0, /* tp_as_number */13 0, /* tp_as_sequence */14 0, /* tp_as_mapping */15 (hashfunc)_Py_HashPointer, /* tp_hash */16 (ternaryfunc)type_call, /* tp_call */17 0, /* tp_str */18 (getattrofunc)type_getattro, /* tp_getattro */19 (setattrofunc)type_setattro, /* tp_setattro */20 0, /* tp_as_buffer */21 ...22 }
從PyType_Type定義來看，ob_type被初始化為它自己的地址，所以PyType_Type的類型就是自己。從python源碼實現來看，所有PyTypeObject的ob_type都會指向PyType_Type對象，所以PyType_Type是所有類型的類型，稱之為元類。python中定義了很多內建的類型對象，如PyInt_Type （int類型），PyStr_Type （str類型），PyDict_Type（dict類型） 類型對象，下面看下PyInt_Type類型的定義：
1 PyTypeObject PyInt_Type = { 2 PyVarObject_HEAD_INIT(&PyType_Type, 0) 3 "int", 4 sizeof(PyIntObject), 5 0, 6 (destructor)int_dealloc, /* tp_dealloc */ 7 (printfunc)int_print, /* tp_print */ 8 0, /* tp_getattr */ 9 0, /* tp_setattr */10 (cmpfunc)int_compare, /* tp_compare */11 (reprfunc)int_to_decimal_string, /* tp_repr */12 &int_as_number, /* tp_as_number */13 0, /* tp_as_sequence */14 0, /* tp_as_mapping */15 (hashfunc)int_hash, /* tp_hash */16 0, /* tp_call */17 ...18 };
從PyInt_Type定義來看，它主要包含了int數據類型相關的方法。PyInt_Type類型對象的初始化和PyType_Type類型類似，PyInt_Type類型的定義也是通過全局靜態變數的方式實現的，除了PyInt_Type了下，所有python內建類型都是以這種方式定義的。這些類型產生的對象都會共享這些類型對象，包括這些類型定義的方法。
在python中，怎樣查看對象的類型呢？有兩種方法，一種是直接type：
1 >>> x = 12 >>> type(x)3 <type 'int'>
另一種是通過對象的__class__屬性：
1 >>> x = 12 >>> type(x)3 <type 'int'>4 >>> x.__class__5 <type 'int'>
現在來看看int，str，dict這些類型的類型：1 <type 'int'>2 >>> type(int)3 <type 'type'>4 >>> type(str)5 <type 'type'>6 >>> type(dict)7 <type 'type'>8 >>> type(type)9 <type 'type'>從這個輸出來看，int，str，dict這些類型的類型都是type，這也印證了前面說的，所有類型都是通過元類type生成的。
C. 怎樣用python實現深度學習
基於Python的深度學習庫、深度學習方向、機器學習方向、自然語言處理方向的一些網站基本都是通過Python來實現的。
機器學習，尤其是現在火爆的深度學習，其工具框架大都提供了Python介面。Python在科學計算領域一直有著較好的聲譽，其簡潔清晰的語法以及豐富的計算工具，深受此領域開發者喜愛。
早在深度學習以及Tensorflow等框架流行之前，Python中即有scikit-learn，能夠很方便地完成幾乎所有機器學習模型，從經典數據集下載到構建模型只需要簡單的幾行代碼。配合Pandas、matplotlib等工具，能很簡單地進行調整。
而Tensorflow、PyTorch、MXNet、Keras等深度學習框架更是極大地拓展了機器學習的可能。使用Keras編寫一個手寫數字識別的深度學習網路僅僅需要寥寥數十行代碼，即可藉助底層實現，方便地調用包括GPU在內的大量資源完成工作。
值得一提的是，無論什麼框架，Python只是作為前端描述用的語言，實際計算則是通過底層的C/C++實現。由於Python能很方便地引入和使用C/C++項目和庫，從而實現功能和性能上的擴展，這樣的大規模計算中，讓開發者更關注邏輯於數據本身，而從內存分配等繁雜工作中解放出來，是Python被廣泛應用到機器學習領域的重要原因。
D. 如何用Python在10分鍾內樹立一個預測模型
所謂預測模型我理解是機器學習的監督式演算法。 常用的有 K 近鄰， 決策樹， 樸素貝葉斯等。 舉例： 使用k近鄰演算法預測一個女的是不是美女： 我們抽取特徵值：
身高，體重，三圍等。 你先設置一些經驗數據，例如： A: 165CM 50KG, 23 32,31 美 B 150 60KG 23 23 23 丑 現在輸入 C 163 45 25 30 30 選擇K =3， 演算法會找經驗數據中和這個數據最接近的三個 值，判斷這三個對象是 美 還是丑。 如果2，3個美，則預測為美。否則為丑。
對應的python代碼在網上都有，估計20-30 行吧。 自己找找。
E. 基於Python的電影網開發模式是什麼
基於Python的電影網開發需要Flask框架。
1、使用整形，浮點型，路徑型，字元串型下正則表達式路由轉化器；
2、使用GET與POST請求，上傳文件，cookie獲取與響應，404處理；
3、使用模板自動轉義，定義過濾器，定義全局上下文處理器，Jinja2語法，包含，繼承，定義宏；
4、使用flask-wtf定義表單模型，欄位類型，欄位驗證，視圖處理表單，模板使用表單；
5、使用flask-sqlachemy定義資料庫模型，對數據進行增刪查改，數據遷移；
6、使用藍圖優化項目結構，實現微電影網站前台與後台業務邏輯；
7、flask部署，安裝編譯Nginx，安裝Mysql服務以及通過Nginx反向代理對視頻流媒體限制下載速率，限制單個IP能發起的播放連接數。
F. 如何用python建立線性模型
預測模型的分解過程 我總是集中於投入有質量的時間在建模的初始階段，比如，假設生成、頭腦風暴、討論或理解可能的結果范圍。所有這些活動都有助於我解決問題，並最終讓我設計出更強大的商業解決方案。為什麼你要在前面花費這段時間，這有充分的理由： 你有足夠的時間投入並且你是無經驗的（這是有影響的） 你不帶有其它數據觀點或想法的偏見（我總是建議，在深入研究數據之前做假設生成） 在後面的階段，你會急於完成該項目而沒有能力投入有質量的時間了。 這個階段需要投入高質量時間，因此我沒有提及時間表，不過我建議你把它作為標準的做法。這有助於你建立建立更好地預測模型，在後面的階段的只需較少的迭代工作。讓我們來看看建立第一個模型的剩餘階段的時間表： 數據描述性分析——50%的時間
G. 怎樣用python數據建模
最近，我從孫子（指《孫子兵法》——譯者注）那裡學到了一些策略：速度和准備
「兵之情主速，乘人之不及，由不虞之道，攻其所不戒也。」（《孫子兵法•九地篇》）無備為戰之大患，有備無患，其乃至德也。（哈哈，譯者自己寫了這句，想必大家能明白。）
這與數據科學博客有什麼關系呢？這是你贏得競爭和編程馬拉松的關鍵。如果你比競爭對手准備得更充分，你學習、迭代執行的速度越快，那麼你就取得更好的名次，帶來更好的結果。
由於近幾年來，Python用戶數量上漲及其本身的簡潔性，使得這個工具包對數據科學世界的Python專家們變得有意義。本文將幫助你更快更好地建立第一個預測模型。絕大多數優秀的數據科學家和kagglers建立自己的第一個有效模型並快速提交。這不僅僅有助於他們領先於排行榜，而且提供了問題的基準解決方案。
預測模型的分解過程
我總是集中於投入有質量的時間在建模的初始階段，比如，假設生成、頭腦風暴、討論或理解可能的結果范圍。所有這些活動都有助於我解決問題，並最終讓我設計出更強大的商業解決方案。為什麼你要在前面花費這段時間，這有充分的理由：
你有足夠的時間投入並且你是無經驗的（這是有影響的）
你不帶有其它數據觀點或想法的偏見（我總是建議，在深入研究數據之前做假設生成）
在後面的階段，你會急於完成該項目而沒有能力投入有質量的時間了。
這個階段需要投入高質量時間，因此我沒有提及時間表，不過我建議你把它作為標準的做法。這有助於你建立建立更好地預測模型，在後面的階段的只需較少的迭代工作。讓我們來看看建立第一個模型的剩餘階段的時間表：
數據描述性分析——50%的時間
數據預處理（缺失值和異常值修復）——40%的時間
數據建模——4%的時間
性能預測——6%的時間
讓我們一步一步完成每個過程（每一步投入預測的時間）：
階段1：描述性分析/數據探索
在我剛開始成為數據科學家的時候，數據探索占據了我大量的時間。不過，隨著時間的推移，我已經把大量的數據操作自動化了。由於數據准備占據建立第一個模型工作量的50%，自動化的好處是顯而易見的。
這是我們的第一個基準模型，我們去掉任何特徵設計。因此，描述分析所需的時間僅限於了解缺失值和直接可見的大的特徵。在我的方法體系中，你將需要2分鍾來完成這一步（假設，100000個觀測數據集）。
我的第一個模型執行的操作：
確定ID，輸入特徵和目標特徵
確定分類和數值特徵
識別缺失值所在列
階段2：數據預處理（缺失值處理）
有許多方法可以解決這個問題。對於我們的第一個模型，我們將專注於智能和快速技術來建立第一個有效模型。
為缺失值創建假標志：有用，有時缺失值本身就攜帶了大量的信息。
用均值、中位數或其它簡單方法填補缺失值：均值和中位數填補都表現良好，大多數人喜歡用均值填補但是在有偏分布的情況下我建議使用中位數。其它智能的方法與均值和中位數填補類似，使用其它相關特徵填補或建立模型。比如，在Titanic生存挑戰中，你可以使用乘客名字的稱呼，比如：「Mr.」, 「Miss.」,」Mrs.」,」Master」，來填補年齡的缺失值，這對模型性能有很好的影響。
填補缺失的分類變數：創建一個新的等級來填補分類變數，讓所有的缺失值編碼為一個單一值比如，「New_Cat」，或者，你可以看看頻率組合，使用高頻率的分類變數來填補缺失值。
由於數據處理方法如此簡單，你可以只需要3到4分鍾來處理數據。
階段3：數據建模
根據不同的業務問題，我推薦使用GBM或RandomForest技術的任意一種。這兩個技術可以極其有效地創建基準解決方案。我已經看到數據科學家通常把這兩個方法作為他們的第一個模型同時也作為最後一個模型。這最多用去4到5分鍾。
H. python數據分析的一般步驟是什麼
下面是用python進行數據分析的一般步驟：
一：數據抽取
從外部源數據中獲取數據
保存為各種格式的文件、資料庫等
使用Scrapy爬蟲等技術
二：數據載入
從資料庫、文件中提取數據，變成DataFrame對象
pandas庫的文件讀取方法
三：數據處理
數據准備：
對DataFrame對象（多個）進行組裝、合並等操作
pandas庫的操作
數據轉化：
類型轉化、分類（面元等）、異常值檢測、過濾等
pandas庫的操作
數據聚合：
分組（分類）、函數處理、合並成新的對象
pandas庫的操作
四：數據可視化
將pandas的數據結構轉化為圖表的形式
matplotlib庫
五：預測模型的創建和評估
數據挖掘的各種演算法：
關聯規則挖掘、回歸分析、聚類、分類、時序挖掘、序列模式挖掘等
六：部署（得出結果）
從模型和評估中獲得知識
知識的表示形式：規則、決策樹、知識基、網路權值
更多技術請關注python視頻教程。
I. Python想要從事數據分析工作，都要學習哪些知識
就目前來說Python是人工智慧的最佳編程語言，想要從事數據分析的話需要學習以下知識：
1、熟練Python語言基礎，掌握數據分析建模理論、熟悉數據分析建模過程；
2、熟練NumPy、SciPy和Pandas數據分析工具的使用；特別是Pandas和Numpy，Pandas是Python中一種數據分析的包，而Numpy是一個可以藉助Python實現科學計算的包，可以計算和儲存大型矩陣。
3、熟練掌握數據可視化工具，結合Python學習統計學、結合Excel學習SQL，然後結合Excel數據分析來學習numpy、pandas等以及數據可視化。
J. python代碼如何應用系統聚類和K-means聚類法進行聚類分析 然後選擇變數，建立適當的模型
-Means聚類演算法
k-means演算法以k為參數，把n個對象分成k個簇，使簇內具有較高的相似度，而簇間的相似度較低。
隨機選擇k個點作為初始的聚類中心。
對於剩下的點，根據其與聚類中心的距離，將其歸入最近的簇。
對每個簇，計算所有點的均值作為新的聚類中心。
重復2，3直到聚類中心不再發生改變
Figure 1
K-means的應用
數據介紹：
現有1999年全國31個省份城鎮居民家庭平均每人全年消費性支出的八大主要變數數據，這八大變數分別是：食品、衣著、家庭設備用品及服務、醫療保健、交通和通訊、娛樂教育文化服務、居住以及雜項商品和服務。利用已有數據，對31個省份進行聚類。
實驗目的：
通過聚類，了解1999年各個省份的消費水平在國內的情況。
技術路線：
sklearn.cluster.Kmeans
數據實例：