38.数据特殊结构（数组）

# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
#题目一
import numpy as np
stocks = 2000   # 2000支股票
days =  500  # 两年大约500个交易日

# 生成服从正态分布：均值期望＝0，标准差＝1的序列
stock_day = np.random.standard_normal((stocks, days))   
print(stock_day.shape)   #打印数据组结构
# 打印出前五只股票，头五个交易日的涨跌幅情况
print(stock_day[0:5, :5])

import numpy as np

arr_1d = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100])

print('基本索引:')
print(f'  arr_1d[0] = {arr_1d[0]}')     # 正索引：第一个元素
print(f'  arr_1d[-1] = {arr_1d[-1]}')   # 负索引：最后一个元素

print('\n切片操作:')
print(f'  arr_1d[2:7] = {arr_1d[2:7]}')   # 索引2到6
print(f'  arr_1d[::2] = {arr_1d[::2]}')   # 步长为2

arr_2d = np.array([
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12]
])

print('二维数组索引:')
print(f'  arr_2d[0, 0] = {arr_2d[0, 0]}')       # 第0行第0列
print(f'  arr_2d[1, :] = {arr_2d[1, :]}')        # 第1行所有列
print(f'  arr_2d[:, 2] = {arr_2d[:, 2]}')        # 所有行第2列
print(f'  arr_2d[0:2, 1:3] =\n{arr_2d[0:2, 1:3]}')  # 子矩阵

arr_1d = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100])

# 花式索引：使用整数数组，可不连续访问
indices = [0, 2, 4]
print(f'花式索引 arr_1d[{indices}]: {arr_1d[indices]}')

# 布尔索引：使用条件过滤
bool_idx = arr_1d > 50
print(f'布尔索引 arr_1d[>50]: {arr_1d[bool_idx]}')

arr = np.array([10, 20, 30, 40, 50])

slice_view = arr[1:4]        # 切片返回视图
slice_copy = arr[1:4].copy() # .copy()创建副本

slice_view[0] = 999          # 修改视图 → 影响原数组
slice_copy[0] = 888          # 修改副本 → 不影响原数组

print(f'原数组: {arr}')       # arr[1]变为999
print(f'副本:   {slice_copy}') # 独立，第0个是888

import numpy as np
import time

n = 10_000_000
arr1 = np.random.randn(n)
arr2 = np.random.randn(n)

# Python循环
start = time.time()
result_loop = [arr1[i] + arr2[i] for i in range(n)]
time_loop = time.time() - start

# NumPy向量化
start = time.time()
result_vec = arr1 + arr2
time_vec = time.time() - start

print(f'数组大小: {n:,} 元素')
print(f'Python循环: {time_loop:.4f}秒')
print(f'向量化运算: {time_vec:.4f}秒')
print(f'性能提升: {time_loop / time_vec:.1f}倍')
print(f'结果一致: {np.allclose(result_loop, result_vec)}')

import numpy as np

n_stocks = 100   # 100只股票
n_days = 252     # 1年交易日

# 随机权重归一化
weights = np.random.random(n_stocks)
weights = weights / weights.sum()

# 模拟日收益率矩阵
np.random.seed(42)
returns = np.random.randn(n_stocks, n_days) * 0.02

# 矩阵乘法计算组合收益率
portfolio_returns = weights @ returns  # (100,) @ (100,252) = (252,)

print('投资组合统计:')
print(f'  年化收益率: {portfolio_returns.mean() * 252:.4f}')
print(f'  年化波动率: {portfolio_returns.std() * np.sqrt(252):.4f}')

# 夏普比率 = 年化收益率 / 年化波动率（假设无风险利率为0）
sharpe = (portfolio_returns.mean() * 252) / (portfolio_returns.std() * np.sqrt(252))
print(f'  夏普比率:   {sharpe:.4f}')

# 累计收益率
cum_returns = np.cumprod(1 + portfolio_returns) - 1
print(f'  年累计收益: {cum_returns[-1]:.4f}')

import pandas as pd
import numpy as np

lst = [1, 3, 5, 6, 10, 23]
s1 = pd.Series(lst)

print('Series:')
print(s1)
print(f'\n索引: {s1.index}')
print(f'值:   {s1.values}')
print(f'类型: {s1.dtype}')

import pandas as pd

dates = pd.date_range('2023-01-01', periods=6, freq='D')
prices = pd.Series(
    [100.5, 102.3, 101.8, 103.2, 104.5, 103.9],
    index=dates
)

print('带日期索引的Series:')
print(prices)

print('\n按日期切片(1月2日到4日):')
print(prices['2023-01-02':'2023-01-04'])

print('统计指标:')
print(f'  均值:   {prices.mean():.2f}')
print(f'  标准差: {prices.std():.2f}')
print(f'  最大值: {prices.max():.2f}')
print(f'  最小值: {prices.min():.2f}')

# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
#题目二
import pandas as pd

#（1）通过列表创建[1,3,5,6,10,23]的Series
lst = [1,3,5,6,10,23]
s1 = pd.Series(lst)  # 创建Series序列s1
print(s1)  # 输出（1）通过列表创建[1,3,5,6,10,23]的Serie

import numpy as np
from scipy.stats import skew, kurtosis

np.random.seed(42)
returns = np.random.randn(252) * 0.02  # 模拟一年日收益率

print('收益率描述统计:')
print(f'  均值:   {returns.mean():.6f}')
print(f'  标准差: {returns.std():.6f}')
print(f'  最小值: {returns.min():.6f}')
print(f'  最大值: {returns.max():.6f}')
print(f'  中位数: {np.median(returns):.6f}')

print('分位数:')
print(f'  Q1(25%): {np.percentile(returns, 25):.6f}')
print(f'  Q2(50%): {np.percentile(returns, 50):.6f}')
print(f'  Q3(75%): {np.percentile(returns, 75):.6f}')

print(f'\n分布形状:')
print(f'  偏度: {skew(returns):.4f}')     # <0左偏, >0右偏
print(f'  峰度: {kurtosis(returns):.4f}')  # >0尖峰, <0平峰

annual_return = returns.mean() * 252           # 年化收益率
annual_vol = returns.std() * np.sqrt(252)      # 年化波动率
sharpe_ratio = annual_return / annual_vol      # 夏普比率

print('年化指标:')
print(f'  年化收益率: {annual_return:.4f} ({annual_return:.2%})')
print(f'  年化波动率: {annual_vol:.4f} ({annual_vol:.2%})')
print(f'  夏普比率:   {sharpe_ratio:.4f}')

import numpy as np
np.random.seed(42)

# 模拟100只基金的年化收益率（均值8%，标准差15%）
fund_returns = np.random.randn(100) * 0.15 + 0.08

print('基金业绩分位数:')
print(f'  中位数(50%):  {np.percentile(fund_returns, 50):.4f}')
print(f'  前25%(75%):   {np.percentile(fund_returns, 75):.4f}')
print(f'  前10%(90%):   {np.percentile(fund_returns, 90):.4f}')
print(f'  前1%(99%):    {np.percentile(fund_returns, 99):.4f}')

bins = [0, 0.25, 0.5, 0.75, 1.0]
quantiles = np.quantile(fund_returns, bins)

print('业绩分档阈值:')
for i, q in enumerate(quantiles):
    print(f'  {i*25}%分位: {q:.4f}')

ranks = np.digitize(fund_returns, quantiles)

print('\n各档基金数量:')
for i in range(5):
    count = (ranks == i).sum()
    print(f'  第{i+1}档: {count}只基金')

import numpy as np

arr = np.arange(1, 13)
print(f'原始数组(1维): {arr}')

print(f'\n重塑为3×4矩阵:')
print(arr.reshape(3, 4))

print(f'\n重塑为4×3矩阵:')
print(arr.reshape(4, 3))

print(f'\n重塑为2×6矩阵:')
print(arr.reshape(2, 6))

matrix = np.arange(1, 13).reshape(4, 3)
print('4×3矩阵:')
print(matrix)

print(f'\n转置(.T) → 3×4:')
print(matrix.T)

print(f'\nravel()展平(视图):  {matrix.ravel()}')
print(f'flatten()展平(副本): {matrix.flatten()}')

import pandas as pd
import numpy as np

np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=5)
stocks = ['贵州茅台', '五粮液', '招商银行']

df_wide = pd.DataFrame(
    np.random.randn(5, 3).round(4),
    index=dates, columns=stocks
)

print('宽格式(日期×股票):')
print(df_wide)

print('\n长格式(股票×日期) — 通过转置:')
print(df_wide.T)