标签：A股 index zh df hist AKShare print 到位 stock
# !/usr/bin/env python
# coding: utf-8
import akshare as ak
import pandas as pd
import matplotlib
# (jupyternotebook 画图用的，别的工具可以不用)
# %matplotlib auto
# 正常显示画图时出现的中文和负号
from pylab import mpl
import matplotlib.pyplot as plt
import seaborn as sns
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False
# 显示所有列
pd.set_option('display.max_columns', None)
# 显示所有行
# pd.set_option('display.max_rows',None)
# '''历史行情数据-通用'''
index_zh_a_hist_df = ak.index_zh_a_hist(symbol="000001", period="daily", start_date="19700101", end_date="22220101")
# print(index_zh_a_hist_df)
# print(index_zh_a_hist_df.values[:, [0, 2]])
# 设置为seaborn的样式，更美观
sns.set()
# 绘制收盘价曲线
index_zh_a_hist_df.plot(y="收盘")
index_zh_a_hist_df.index = pd.to_datetime(index_zh_a_hist_df['日期'])
# print(index_zh_a_hist_df.index[:5])
#
index_zh_a_hist_df = index_zh_a_hist_df.sort_index(ascending=True)
plt.figure(figsize=(12, 6))
index_zh_a_hist_df['收盘'].plot()
index_zh_a_hist_df['收盘'].rolling(60).mean().plot()
plt.show()
# '''股票指数信息一览表'''
# index_stock_info_df = ak.index_stock_info()
# print(index_stock_info_df.values)
# '''指数名称'''
# c = ak.index_value_name_funddb()
# print(c.values[:, 0])
# '''指数估值-韭圈儿choice of {'市盈率', '市净率', '股息率'}'''
# index_value_hist_funddb_df = ak.index_value_hist_funddb(symbol="上证指数", indicator="市盈率")
# print(index_value_hist_funddb_df)
# '''中国股票指数成份'''
# index_stock_cons_df = ak.index_stock_cons(symbol="000300")
# print(index_stock_cons_df)
# '''输出参数-按市场归类'''
# index_stock_cons_df = ak.index_stock_cons(symbol="000300") # 主要调用 ak.stock_a_code_to_symbol() 来进行转换
# index_stock_cons_df['symbol'] = index_stock_cons_df['品种代码'].apply(ak.stock_a_code_to_symbol)
# print(index_stock_cons_df)
'''A 股等权重与中位数市盈率'''
# https://jishuin.proginn.com/p/763bfbd62d58
stock_a_ttm_lyr_df = ak.stock_a_ttm_lyr()
# print(stock_a_ttm_lyr_df.values[-1,1 :])
k = pd.to_numeric(stock_a_ttm_lyr_df.values[-1, 1:], downcast='integer')
# print(type(k))
i = []
for p in k:
i.append(p)
print('全A股滚动市盈率(TTM)中位数', i[0], '\n全A股滚动市盈率(TTM)等权平均', i[1], '\n全A股静态市盈率(LYR)中位数', i[2],
'\n全A股静态市盈率(LYR)等权平均', i[3], '\n当前"TTM(滚动市盈率)中位数"在历史数据上的分位数', i[4], '\n当前"TTM(滚动市盈率)中位数"在最近10年数据上的分位数', i[5],
'\n当前"TTM(滚动市盈率)等权平均"在历史数据上的分位数', i[6], '\n当前"TTM(滚动市盈率)等权平均"在在最近10年数据上的分位数', i[7],
'\n当前"LYR(静态市盈率)中位数"在历史数据上的分位数',
i[8], '\n当前LYR(静态市盈率)中位数在最近10年数据上的分位数', i[9], '\n当前"LYR(静态市盈率)等权平均"在历史数据上的分位数', i[10],
'\n当前"LYR(静态市盈率)等权平均"在最近10年数据上的分位数', i[11], '\n沪深300指数', i[12])
now = i[1]
print('当前市盈率：',now)
min_data=pd.to_numeric(stock_a_ttm_lyr_df.values[:, 1], downcast='integer')
min = min_data.min()
max=min_data.max()
print('历史最小市盈率：',min)
print('历史最大市盈率：',max)
ratio = (now - min) / now
print("越小越适合入场ratio: {0:.2f}%".format(ratio * 100))
# 一般来说，动态市盈率(TTM)等权平均的数值在30以下市场行情大概率被低估，此时我们进场收益会比明显，当该数值大于60市场大概率被高估，此时应当停止买入，考虑出手。
# '''A 股等权重与中位数市净率'''
# stock_a_all_pb_df = ak.stock_a_all_pb()
# print(stock_a_all_pb_df.values[-1, :])
# k2 = pd.to_numeric(stock_a_all_pb_df.values[-1, 1:], downcast='integer')
# i2 = []
# for p2 in k2:
# i2.append(p2)
# print( '全部A股市净率中位数', i[0], '\n全部A股市净率等权平均', i[1], '\n上证指数', i[2], '\n当前市净率中位数在历史数据上的分位数', i[3],
# '\n当前市净率中位数在最近10年数据上的分位数', i[4], '\n当前市净率等权平均在历史数据上的分位数', i[5], '\n当前市净率等权平均在最近10年数据上的分位数', i[6])
标签：A股,index,zh,df,hist,AKShare,print,到位,stock 来源： https://www.cnblogs.com/xingnie/p/16098922.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。