可转债代码交流第四期：利用Python获取理杏仁数据

2023-11-05 08:30
文章标签 python 代码 数据 获取 交流 第四期 可转债 杏仁

本文主要是介绍可转债代码交流第四期：利用Python获取理杏仁数据，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

突然发现该系列已经好久没有更新了....

前几期内容都是分享利用python获取（爬取）数据的方法，可能有些“暴力”且耗时，本期内容分享“温柔”且快速获取数据的方法——利用API接口获取。

前三期内容传送门：

第一期：可转债代码交流第一期：利用Python获取宁稳网数据

（包含基本的环境搭建与Python编辑器安装方法）

第二期：可转债代码交流第二期：利用Python获取集思录数据

（包含基本的模拟登录方法）

第三期：可转债代码交流第三期：利用Python获取集思录可转债单独页面数据（包含页面跳转方法）

本人并非计算机专业出身，所有python知识均为自学，所写代码如有不规范的地方，还望指正。

废话不多说，直接上代码！

第一步：导入库（导入各个模块，为了让代码成功运行）

ps:所有的库安装好之后先导入下试试，测试下是否安装成功

import requests
import datetime
import pandas as pd
from pandas.io.json import json_normalize
today = datetime.datetime.today().date()
 

 

第二步：获取公司财务数据
 

1.准备工作，设置好相应参数，方便后面获取数据​​​​​​​
 

#设置自己的Token,下文有说明怎么查看自己的Token
token = "19*****8-06**-***9-94**-*******7f383"#设置获取的数据的时间跨度，时间跨度不要超过10年！！！
start_date = '2014-03-31'#起始日期
end_date = '2023-03-31'#结束日期，理杏仁上的财务数据以报告为准，如果一季度报还未发布，那么无法获取到一季度的数据，只能将时间改为上一季度末#设置需要获取的股票代码，统一存入列表，方便提取，不要一次性放入太多股票代码
lst_stock = ['002439','300369','300454'
]#上面几项都为准备工作，下面才开始真正设置数据参数
#可根据自己需求，增减下面列表中的参数
#需要获取相应的财务数据,都可在理杏仁上查看，下文会做详细补充
#注意这里使用ｔ。获取累计数据
lst_metrics = ['q.cfs.ncffoa.t', # 经营活动产生的现金流量净额'q.cfs.ncffia.t', # 投资活动产生的现金流量净额'q.cfs.ncfffa.t', # 筹资活动产生的现金流量净额"q.m.fcf.t",#自由现金流量"q.cfs.cpfpfiaolta.t",#十年资本开支总和"q.ps.npadnrpatoshaopc.t", #净利润'q.m.m_ds.t', #净营业周期'q.ps.oi.t', # 营业收入'q.bs.ta.t_y2y',#总资产同比变化'q.ps.toi.t_y2y',#营业总收入同比变化'q.ps.oc.t',#营业成本'q.bs.nraar.t', #应收票据及应收账款'q.bs.afc.t', #预收账款'q.m.crfscapls_oi_r.t', #销售收现率'q.m.wroe.t',#归属于母公司普通股股东的加权ROE'q.ps.gp_m.t',#毛利率GM'q.m.np_s_r.t',#销售净利率'q.m.ta_to.t',#资产周转率'q.m.l.t',#杠杆倍数'q.bs.lwi_ta_r.t',#有息负债率'q.m.tl_ta_r.t',#资产负债率'q.m.c_r.t',#流动比率'q.m.q_r.t',#速动比率'q.ps.npatoshopc.t',#归属于母公司普通股股东的净利润'q.bs.tetoshopc.t',#归属于母公司普通股股东权益合计'q.bs.tetoshopc_ps.t',#归属于母公司普通股股东的每股股东权益'q.ps.npatshaoehopc.t',#归属于母公司股东及其他权益持有者的净利润'q.bs.tsc.t',#总股本'q.bs.mc.t',#市值'q.ps.tp.t',#利润总额'q.bs.fa.t',#固定资产'q.bs.cip.t',#在建工程'q.bs.es.t',#工程物资'q.bs.ia.t',#无形资产'q.bs.fa.t',#固定资产'q.ps.se_r.t',#销售费用率'q.ps.ae_r.t',#管理费用率'q.ps.rade_r.t',#研发费用率'q.ps.fe_r.t',#财务费用率'q.bs.d_pe_ttm.t',#PE-TTM(扣非) 'q.bs.dyr.t',#股息率'q.bs.npaap.t'#应付票据及应付账款
]# 设置字典列名对应中文解释
# 这里设置的都是上面lst_metrics列表中的数据
# 该步骤是为了后面显示的时候将所有上面财务数据代号改为中文显示，方便阅读
col_map = {'name':'公司名称','stockCode':'股票代码','standardDate':'日期','year':'年份','q.ps.oc.t':'营业成本','q.cfs.ncffoa.t': '经营活动产生的现金流量净额','q.cfs.ncffia.t': '投资活动产生的现金流量净额','q.cfs.ncfffa.t': '筹资活动产生的现金流量净额','q.m.fcf.t': '自由现金流','q.cfs.cpfpfiaolta.t': '资本开支','q.ps.npadnrpatoshaopc.t': '净利润','xx_basic':'小熊基本值','xx_increase': '小熊增长值','q.m.m_ds.t': '净营业周期','q.m.crfscapls_oi_r.t': '销售收现率','q.bs.nraar.t':'应收票据及应收账款','q.bs.afc.t': '预收账款','q.ps.oi.t': '营业收入','rec_ratio' : '白条率','adp_ratio' : '预收率','q.m.wroe.t':'归母加权ROE','q.ps.gp_m.t':'毛利率','q.m.np_s_r.t':'销售净利率','q.m.ta_to.t':'资产周转率','q.m.l.t':'杠杆倍数','q.bs.lwi_ta_r.t':'有息负债率','q.m.tl_ta_r.t':'资产负债率','q.m.c_r.t':'流动比率','q.m.q_r.t':'速动比率','q.ps.npatoshopc.t':'归母净利润','q.bs.tetoshopc.t':'净资产','q.bs.tetoshopc_ps.t':'归母权益','q.ps.se_r.t':'销售费用率','q.ps.ae_r.t':'管理费用率','q.ps.rade_r.t':'研发费用率','q.ps.fe_r.t':'财务费用率','q.bs.ta.t_y2y':'总资产同比变化','q.ps.toi.t_y2y':'营业总收入同比变化','q.bs.npaap.t':'应付账款','q.ps.npatshaoehopc.t':'归属于母公司股东及其他权益持有者的净利润','q.bs.tsc.t':'总股本','q.bs.mc.t':'市值','q.bs.fa.t':'固定资产','q.ps.fe_r.t':'财务费用','q.bs.d_pe_ttm.t':'PE-TTM(扣非)' ,'q.bs.dyr.t':'股息率','symbol':'现金流肖像'}# 设置字体为黑体，不然制图的时候显示中文会乱码
font_name = 'SimHei'
 

 

ps:
 

1.1如何查看自己的Token
 

打开https://www.lixinger.com/open/api/token，登录即可查看，如下图：
 

 

1.2怎么获取想要的数据
 

登录理杏仁，点击开放平台，选择“大陆”-“公司接口”-“财务报表”-“非金融”，如下图：
 

 

然后查看右侧，有对应的财务数据获取格式，需要哪个就点开对应选项
 

 

点开以后就是下面的情况，找到自己需要的数据即可
 

 

填入的格式：“q.需要的数据格式.t”。例如：q.m.fcf.t,获取的是以季度累计起来的自由现金流量，如果想要获取其它格式，可参考下图：
 

 

 

2.获取财务数据
 

数据获取的格式如下图：理杏仁上可先进行测试，看看是否有报错
 

 

#获取指定财务数据
#本身获取单个数据就不需要用循环，因为获取了多家公司的财务数据，用循环直接合并数据更省心
#这里的参数上面都已经设置好了，只要填入相应位置即可
for i, stock in enumerate(lst_stock):# 将所有的参数传入datasdatas = {"token": token,# 上面已经设置好"startDate": start_date,# 上面已经设置好"endDate": end_date,# 上面已经设置好"stockCodes": [stock],# 上面已经设置好"metricsList": lst_metrics# 上面已经设置好}#设置好参数，开始获取数据，注意获取的网址！！！r = requests.post('https://open.lixinger.com/api/cn/company/fs/non_financial',json = datas)# 将数据直接转成DataFrame格式df_temp = json_normalize(r.json()['data'])# 合并获取的DataFrame, 第一次获取数据直接存入df_data，后面获取的数据合并到df_data中if i == 0:df_data = df_tempelse:df_data = pd.concat([df_data, df_temp])
 

 

ps:
 

2.1上面的第15行代码一定要注意自己的网址，如果获取的是公司的财务数据就不需要改，如果获取的是其它数据，就需要改成相应的网址。
 

 

 

第三步：获取公司信息
 

#获取公司基本信息
#方法和上面获取财务数据类似，但是需要设置的参数比较少
datas = {"token": token,"industryType": "non_financial"
}#注意网址，第二步中有讲过
r = requests.post('https://open.lixinger.com/api/a/company',json = datas)df_company = json_normalize(r.json()['data'])
 

 

第四步：数据整理
 

#把日期转换成日期数据类型
df_data['standardDate'] = df_data['standardDate'].map(lambda x: x[:10])
df_data['standardDate'] = pd.to_datetime(df_data['standardDate'])#生成年列
df_data['year'] = df_data['standardDate'].map(lambda x: x.year)#只需要年报数据
df_data = df_data[df_data['reportType'] == 'annual_report'].reset_index(drop=True)
#　last_year　是最近一年
last_year = df_data['year'].iloc[0]# first_year是有数据的第一年, 条件判断是看是否有缺少值。
df_test = df_data.loc[:, ['stockCode','year','q.m.fcf.t', #自由现金流量'q.ps.npadnrpatoshaopc.t', #归母净利润'q.m.m_ds.t' #净营业周期]]
#去除df_test中有NAN的行
df_test = df_test.dropna(axis=0, how='any')#查询出 有数据的最早年份
i = 0
list_y = []
while 1:if i == df_test.shape[0]-1:breakelif df_test.iat[i,0] != df_test.iat[i+1,0]:list_y.append(i)i += 1list_y.append(df_test.shape[0]-1)#list_y记录最早年份的位置   
list_firsttyear = []#list_firsttyear取出所有公司的最早年份for each in list_y:list_firsttyear.append(df_test.iat[each,1])
first_year = max(list_firsttyear)# 查找df_data中上市时间最短股票的上市年   
df_data = df_data[df_data['year']>= first_year].reset_index(drop=True)
 

 

 

第五步：合并表格，形成资产情况表格进行测试
 

# 合并表格，添加股票名称　name
df_data = pd.merge(df_data,df_company, on = 'stockCode', how = 'left')#判断公司属于重资产还是轻资产=（利润总额/(固定资产+在建工程+工程物资+无形资产)）
df_temp = df_data.loc[:, ['stockCode','name','year','q.ps.tp.t',#利润总额'q.bs.fa.t',#固定资产'q.bs.cip.t',#在建工程'q.bs.es.t',#工程物资'q.bs.ia.t'#无形资产]]
df_temp['Asset_value'] = df_data['q.ps.tp.t']/(df_data['q.bs.fa.t']+df_data['q.bs.cip.t']+df_data['q.bs.es.t']+df_data['q.bs.ia.t'])def assets_judge(x):Asset_type = '重资产'if x['Asset_value']>0.1:Asset_type = '轻资产'return Asset_typedf_temp['Asset_type'] = df_temp.apply(assets_judge,axis=1)
df_temp1 = df_temp.pivot(index = 'name', columns = 'year', values = 'Asset_type')
df_temp1.index.name = '公司名称'
df_temp1.columns.name = '年份'
df_temp1#不是用jupyter notebook运行代码的话，将此语句改为“print(df_temp1)”
 

 

 

第六步：选取需要的列
 

#选取需要的列df_data = df_data.loc[:, ['stockCode','name','standardDate','year','q.cfs.ncffoa.t','q.cfs.ncffia.t','q.cfs.ncfffa.t','q.m.fcf.t', #自由现金流量'q.cfs.cpfpfiaolta.t', #资本开支'q.ps.npadnrpatoshaopc.t', #归母净利润'q.ps.oi.t','q.bs.ta.t_y2y',#总资产同比变化'q.ps.toi.t_y2y',#营业总收入同比变化'q.ps.oc.t',#营业成本'q.m.m_ds.t','q.m.crfscapls_oi_r.t',#销售收现率'q.m.wroe.t','q.ps.gp_m.t','q.m.np_s_r.t','q.m.ta_to.t','q.m.l.t','q.bs.lwi_ta_r.t',#有息负债率'q.m.tl_ta_r.t',#资产负债率'q.m.c_r.t',#流动比率'q.m.q_r.t',#速动比率'q.ps.npatoshopc.t',#归属于母公司普通股股东的净利润'q.bs.tetoshopc.t',#归属于母公司普通股股东权益合计'q.bs.tetoshopc_ps.t',#归属于母公司普通股股东的每股股东权益'q.ps.npatshaoehopc.t',#归属于母公司股东及其他权益持有者的净利润'q.bs.tsc.t',#总股本'q.bs.mc.t',#市值'q.bs.fa.t',#固定资产'q.ps.se_r.t',#销售费用'q.ps.ae_r.t',#管理费用'q.ps.rade_r.t',#研发费用'q.ps.fe_r.t',#财务费用'q.bs.d_pe_ttm.t',#PE-TTM(扣非) 'q.bs.dyr.t',#股息率'q.bs.npaap.t'#应付票据及应付账款]]
 

 

 

第七步：现金流肖像判断
 

#初步判断所选股票的自由现金流情况
# 现金流肖像
def judgee(x):symbol = '其他'if x['q.cfs.ncffoa.t']<0:symbol = '危险'   elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']<0) &  (x['q.cfs.ncfffa.t']<0):symbol = '奶牛型'elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']>0) &  (x['q.cfs.ncfffa.t']<0):symbol = '母鸡型'elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']<0) &  (x['q.cfs.ncfffa.t']>0):symbol = '蛮牛型'return symboldf_data['symbol'] = df_data.apply(judgee,axis=1)
df_temp = df_data.pivot(index = 'name', columns = 'year', values = 'symbol')
df_temp.index.name = '公司名称'
df_temp.columns.name = '年份'
df_temp#连续两年以上‘危险’（即经营活动没赚到钱），就要避开
#不是用jupyter notebook运行代码的话，将此语句改为“print(df_temp)”
 

 

 

第八步：更改列名
 

#将列名称更改为中文显示，需要注意的是，列名一旦改变，在调用的时候不能再向上面一样调用，需要用中文列名调用
df_data.columns =df_data.columns.map(lambda x: col_map[x])
df_data
#不是用jupyter notebook运行代码的话，将此语句改为“print(df_data)”
 

 

 

 

 

完整代码如下：
 

import requests
import datetime
import pandas as pd
from pandas.io.json import json_normalize
today = datetime.datetime.today().date()#设置自己的Token,下文有说明怎么查看自己的Token
token = "19*****8-06**-***9-94**-*******7f383"#设置获取的数据的时间跨度，时间跨度不要超过10年！！！
start_date = '2014-03-31'#起始日期
end_date = '2023-03-31'#结束日期，理杏仁上的财务数据以报告为准，如果一季度报还未发布，那么无法获取到一季度的数据，只能将时间改为上一季度末#设置需要获取的股票代码，统一存入列表，方便提取，不要一次性放入太多股票代码
lst_stock = ['002439','300369','300454'
]#上面几项都为准备工作，下面才开始真正设置数据参数
#可根据自己需求，增减下面列表中的参数
#需要获取相应的财务数据,都可在理杏仁上查看，下文会做详细补充
#注意这里使用ｔ。获取累计数据
lst_metrics = ['q.cfs.ncffoa.t', # 经营活动产生的现金流量净额'q.cfs.ncffia.t', # 投资活动产生的现金流量净额'q.cfs.ncfffa.t', # 筹资活动产生的现金流量净额"q.m.fcf.t",#自由现金流量"q.cfs.cpfpfiaolta.t",#十年资本开支总和"q.ps.npadnrpatoshaopc.t", #净利润'q.m.m_ds.t', #净营业周期'q.ps.oi.t', # 营业收入'q.bs.ta.t_y2y',#总资产同比变化'q.ps.toi.t_y2y',#营业总收入同比变化'q.ps.oc.t',#营业成本'q.bs.nraar.t', #应收票据及应收账款'q.bs.afc.t', #预收账款'q.m.crfscapls_oi_r.t', #销售收现率'q.m.wroe.t',#归属于母公司普通股股东的加权ROE'q.ps.gp_m.t',#毛利率GM'q.m.np_s_r.t',#销售净利率'q.m.ta_to.t',#资产周转率'q.m.l.t',#杠杆倍数'q.bs.lwi_ta_r.t',#有息负债率'q.m.tl_ta_r.t',#资产负债率'q.m.c_r.t',#流动比率'q.m.q_r.t',#速动比率'q.ps.npatoshopc.t',#归属于母公司普通股股东的净利润'q.bs.tetoshopc.t',#归属于母公司普通股股东权益合计'q.bs.tetoshopc_ps.t',#归属于母公司普通股股东的每股股东权益'q.ps.npatshaoehopc.t',#归属于母公司股东及其他权益持有者的净利润'q.bs.tsc.t',#总股本'q.bs.mc.t',#市值'q.ps.tp.t',#利润总额'q.bs.fa.t',#固定资产'q.bs.cip.t',#在建工程'q.bs.es.t',#工程物资'q.bs.ia.t',#无形资产'q.bs.fa.t',#固定资产'q.ps.se_r.t',#销售费用率'q.ps.ae_r.t',#管理费用率'q.ps.rade_r.t',#研发费用率'q.ps.fe_r.t',#财务费用率'q.bs.d_pe_ttm.t',#PE-TTM(扣非) 'q.bs.dyr.t',#股息率'q.bs.npaap.t'#应付票据及应付账款]# 设置字典列名对应中文解释
# 这里设置的都是上面lst_metrics列表中的数据
# 该步骤是为了后面显示的时候将所有上面财务数据代号改为中文显示，方便阅读
col_map = {'name':'公司名称','stockCode':'股票代码','standardDate':'日期','year':'年份','q.ps.oc.t':'营业成本','q.cfs.ncffoa.t': '经营活动产生的现金流量净额','q.cfs.ncffia.t': '投资活动产生的现金流量净额','q.cfs.ncfffa.t': '筹资活动产生的现金流量净额','q.m.fcf.t': '自由现金流','q.cfs.cpfpfiaolta.t': '资本开支','q.ps.npadnrpatoshaopc.t': '净利润','xx_basic':'小熊基本值','xx_increase': '小熊增长值','q.m.m_ds.t': '净营业周期','q.m.crfscapls_oi_r.t': '销售收现率','q.bs.nraar.t':'应收票据及应收账款','q.bs.afc.t': '预收账款','q.ps.oi.t': '营业收入','rec_ratio' : '白条率','adp_ratio' : '预收率','q.m.wroe.t':'归母加权ROE','q.ps.gp_m.t':'毛利率','q.m.np_s_r.t':'销售净利率','q.m.ta_to.t':'资产周转率','q.m.l.t':'杠杆倍数','q.bs.lwi_ta_r.t':'有息负债率','q.m.tl_ta_r.t':'资产负债率','q.m.c_r.t':'流动比率','q.m.q_r.t':'速动比率','q.ps.npatoshopc.t':'归母净利润','q.bs.tetoshopc.t':'净资产','q.bs.tetoshopc_ps.t':'归母权益','q.ps.se_r.t':'销售费用率','q.ps.ae_r.t':'管理费用率','q.ps.rade_r.t':'研发费用率','q.ps.fe_r.t':'财务费用率','q.bs.ta.t_y2y':'总资产同比变化','q.ps.toi.t_y2y':'营业总收入同比变化','q.bs.npaap.t':'应付账款','q.ps.npatshaoehopc.t':'归属于母公司股东及其他权益持有者的净利润','q.bs.tsc.t':'总股本','q.bs.mc.t':'市值','q.bs.fa.t':'固定资产','q.ps.fe_r.t':'财务费用','q.bs.d_pe_ttm.t':'PE-TTM(扣非)' ,'q.bs.dyr.t':'股息率','symbol':'现金流肖像'}# 设置字体为黑体，不然制图的时候显示中文会乱码
font_name = 'SimHei'#获取指定财务数据
#本身获取单个数据就不需要用循环，因为获取了多家公司的财务数据，用循环直接合并数据更省心
#这里的参数上面都已经设置好了，只要填入相应位置即可
for i, stock in enumerate(lst_stock):# 将所有的参数传入datasdatas = {"token": token,# 上面已经设置好"startDate": start_date,# 上面已经设置好"endDate": end_date,# 上面已经设置好"stockCodes": [stock],# 上面已经设置好"metricsList": lst_metrics# 上面已经设置好}#设置好参数，开始获取数据，注意获取的网址！！！r = requests.post('https://open.lixinger.com/api/cn/company/fs/non_financial',json = datas)# 将数据直接转成DataFrame格式df_temp = json_normalize(r.json()['data'])# 合并获取的DataFrame, 第一次获取数据直接存入df_data，后面获取的数据合并到df_data中if i == 0:df_data = df_tempelse:df_data = pd.concat([df_data, df_temp])#获取公司基本信息
#方法和上面获取财务数据类似，但是需要设置的参数比较少
datas = {"token": token,"industryType": "non_financial"
}#注意网址，第二步中有讲过
r = requests.post('https://open.lixinger.com/api/a/company',json = datas)df_company = json_normalize(r.json()['data'])#把日期转换成日期数据类型
df_data['standardDate'] = df_data['standardDate'].map(lambda x: x[:10])
df_data['standardDate'] = pd.to_datetime(df_data['standardDate'])#生成年列
df_data['year'] = df_data['standardDate'].map(lambda x: x.year)#只需要年报数据
df_data = df_data[df_data['reportType'] == 'annual_report'].reset_index(drop=True)
#　last_year　是最近一年
last_year = df_data['year'].iloc[0]# first_year是有数据的第一年, 条件判断是看是否有缺少值。
df_test = df_data.loc[:, ['stockCode','year','q.m.fcf.t', #自由现金流量'q.ps.npadnrpatoshaopc.t', #归母净利润'q.m.m_ds.t' #净营业周期]]
#去除df_test中有NAN的行
df_test = df_test.dropna(axis=0, how='any')#查询出 有数据的最早年份
i = 0
list_y = []
while 1:if i == df_test.shape[0]-1:breakelif df_test.iat[i,0] != df_test.iat[i+1,0]:list_y.append(i)i += 1list_y.append(df_test.shape[0]-1)#list_y记录最早年份的位置   
list_firsttyear = []#list_firsttyear取出所有公司的最早年份for each in list_y:list_firsttyear.append(df_test.iat[each,1])
first_year = max(list_firsttyear)# 查找df_data中上市时间最短股票的上市年   
df_data = df_data[df_data['year']>= first_year].reset_index(drop=True)# 添加一列股票名称　name
df_data = pd.merge(df_data,df_company, on = 'stockCode', how = 'left')#判断公司属于重资产还是轻资产=（利润总额/(固定资产+在建工程+工程物资+无形资产)）
df_temp = df_data.loc[:, ['stockCode','name','year','q.ps.tp.t',#利润总额'q.bs.fa.t',#固定资产'q.bs.cip.t',#在建工程'q.bs.es.t',#工程物资'q.bs.ia.t'#无形资产]]
df_temp['Asset_value'] = df_data['q.ps.tp.t']/(df_data['q.bs.fa.t']+df_data['q.bs.cip.t']+df_data['q.bs.es.t']+df_data['q.bs.ia.t'])def assets_judge(x):Asset_type = '重资产'if x['Asset_value']>0.1:Asset_type = '轻资产'return Asset_typedf_temp['Asset_type'] = df_temp.apply(assets_judge,axis=1)
df_temp1 = df_temp.pivot(index = 'name', columns = 'year', values = 'Asset_type')
df_temp1.index.name = '公司名称'
df_temp1.columns.name = '年份'
df_temp1
---------------------------------------------------------
#到此需要单独显示！！！下图图1
----------------------------------------------------------#选取需要的列
df_data = df_data.loc[:, ['stockCode','name','standardDate','year','q.cfs.ncffoa.t','q.cfs.ncffia.t','q.cfs.ncfffa.t','q.m.fcf.t', #自由现金流量'q.cfs.cpfpfiaolta.t', #资本开支'q.ps.npadnrpatoshaopc.t', #归母净利润'q.ps.oi.t','q.bs.ta.t_y2y',#总资产同比变化'q.ps.toi.t_y2y',#营业总收入同比变化'q.ps.oc.t',#营业成本'q.m.m_ds.t','q.m.crfscapls_oi_r.t',#销售收现率'q.m.wroe.t','q.ps.gp_m.t','q.m.np_s_r.t','q.m.ta_to.t','q.m.l.t','q.bs.lwi_ta_r.t',#有息负债率'q.m.tl_ta_r.t',#资产负债率'q.m.c_r.t',#流动比率'q.m.q_r.t',#速动比率'q.ps.npatoshopc.t',#归属于母公司普通股股东的净利润'q.bs.tetoshopc.t',#归属于母公司普通股股东权益合计'q.bs.tetoshopc_ps.t',#归属于母公司普通股股东的每股股东权益'q.ps.npatshaoehopc.t',#归属于母公司股东及其他权益持有者的净利润'q.bs.tsc.t',#总股本'q.bs.mc.t',#市值'q.bs.fa.t',#固定资产'q.ps.se_r.t',#销售费用'q.ps.ae_r.t',#管理费用'q.ps.rade_r.t',#研发费用'q.ps.fe_r.t',#财务费用'q.bs.d_pe_ttm.t',#PE-TTM(扣非) 'q.bs.dyr.t',#股息率'q.bs.npaap.t'#应付票据及应付账款]]#初步判断所选股票的自由现金流情况
# 现金流肖像
def judgee(x):symbol = '其他'if x['q.cfs.ncffoa.t']<0:symbol = '危险'   elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']<0) &  (x['q.cfs.ncfffa.t']<0):symbol = '奶牛型'elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']>0) &  (x['q.cfs.ncfffa.t']<0):symbol = '母鸡型'elif(x['q.cfs.ncffoa.t']>0) & (x['q.cfs.ncffia.t']<0) &  (x['q.cfs.ncfffa.t']>0):symbol = '蛮牛型'return symboldf_data['symbol'] = df_data.apply(judgee,axis=1)
df_temp = df_data.pivot(index = 'name', columns = 'year', values = 'symbol')
df_temp.index.name = '公司名称'
df_temp.columns.name = '年份'
df_temp#连续两年以上‘危险’（即经营活动没赚到钱），就要避开---------------------------------------------
#到此需要单独显示！！！下图图2
---------------------------------------------#将列名称更改为中文显示，需要注意的是，列名一旦改变，在调用的时候不能再向上面一样调用，需要用中文列名调用
df_data.columns =df_data.columns.map(lambda x: col_map[x])
df_data
#下图图3
 

 

显示结果例图：
 

 

图1
 

 

 

图2
 

 

 

图3
 

 

本期内容和上期内容如有侵权行为，请及时联系本人，第一时间删除各平台文章。
 

 

您的点赞分享就是我更新的动力

                                    

                                        这篇关于可转债代码交流第四期：利用Python获取理杏仁数据的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
                                    

                                    

                                

                            

                            

                        

                    

                    

                        

                            

                            http://www.chinasem.cn/article/348609。
                            
                        

                    

                    
                    

                        
                            
                        
                    

                

                

                    相关文章
                

                    

                        

                            

                                

                                    
                                        大模型研发全揭秘：客服工单数据标注的完整攻略
                                    
                                

                            

                            

                                

                                    大模型研发全揭秘：客服工单数据标注的完整攻略
                                

                                

                                    在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        基于MySQL Binlog的Elasticsearch数据同步实践
                                    
                                

                            

                            

                                

                                    基于MySQL Binlog的Elasticsearch数据同步实践
                                

                                

                                    一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        关于数据埋点，你需要了解这些基本知识
                                    
                                

                            

                            

                                

                                    关于数据埋点，你需要了解这些基本知识
                                

                                

                                    产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。    埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        python: 多模块(.py)中全局变量的导入
                                    
                                

                            

                            

                                

                                    python: 多模块(.py)中全局变量的导入
                                

                                

                                    文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结     global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        使用SecondaryNameNode恢复NameNode的数据
                                    
                                

                            

                            

                                

                                    使用SecondaryNameNode恢复NameNode的数据
                                

                                

                                    1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。  2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        异构存储（冷热数据分离）
                                    
                                

                            

                            

                                

                                    异构存储（冷热数据分离）
                                

                                

                                    异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。   异构存储Shell操作  （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies  （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        Hadoop集群数据均衡之磁盘间数据均衡
                                    
                                

                            

                            

                                

                                    Hadoop集群数据均衡之磁盘间数据均衡
                                

                                

                                    生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性）  plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误：  如果节点只有一个硬盘的话，不会创建均衡计划：   （1）生成均衡计划 hdfs diskbalancer -plan hadoop102  （2）执行均衡计划 hd
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算
                                    
                                

                            

                            

                                

                                    【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算
                                

                                

                                    ✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈  🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        活用c4d官方开发文档查询代码
                                    
                                

                            

                            

                                

                                    活用c4d官方开发文档查询代码
                                

                                

                                    当你问AI助手比如豆包，如何用python禁止掉xpresso标签时候，它会提示到  这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档  比如这里我就在官方找到正确的id描述  然后我就把参数标签换过来
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        【Python编程】Linux创建虚拟环境并配置与notebook相连接
                                    
                                

                            

                            

                                

                                    【Python编程】Linux创建虚拟环境并配置与notebook相连接
                                

                                

                                    1.创建 使用 venv 创建虚拟环境。例如，在当前目录下创建一个名为 myenv 的虚拟环境： python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行： source myenv/bin/activate 3.与notebook连接 在虚拟环境中，使用 pip 安装 Jupyter 和 ipykernel： pip instal
                                

                                

                                    阅读更多...
                                

                            

                        

                    

            

        

    


    


    

        

            Copyright China编程   23002807@qq.com
        

        

            沪ICP备2023033072号-2