Python 的设计哲学之一是 ‘Batteries Included’（自带电池）：
| 函数类别 | 核心函数 | 典型应用场景 |
|---|---|---|
| 序列处理 | len(), enumerate(), sum() |
数据完整性检查、排名报告 |
| 极值函数 | max(), min() |
识别最佳/最差表现 |
| 排序函数 | sorted() |
股价排序、筛选高估低估 |
| 类型转换 | int(), float(), str() |
数据清洗、格式化 |
| 舍入函数 | round() |
金融报表精度控制 |
| 函数式工具 | map(), filter(), zip() |
批量计算、条件筛选 |
len()：获取序列长度len() 函数返回对象的长度或项目个数，适用于字符串、列表、元组、字典等。
len() 应用：数据完整性检查核心要点：在分析数据前，先用 len() 验证数据量是否符合预期。
enumerate()：枚举索引和值enumerate() 在遍历序列时同时返回索引和值，常用于生成带序号的报告。
enumerate(iterable, start=0)start 参数指定起始序号（默认从 0 开始）2018年净利润排名前10位的证券公司:
1. 中信证券
2. 国泰君安
3. 海通证券
4. 华泰证券
5. 广发证券
6. 招商证券
7. 申万宏源
8. 国信证券
9. 中信建投
10. 中国银河sum()：求和计算sum() 对可迭代对象进行求和，支持初始值参数。
sum(iterable, start=0)# ⚠️ 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
stock = ["中信证券","国泰君安","海通证券","华泰证券","广发证券","招商证券","申万宏源","国信证券","中信建设","中国银河"] # 定义列表stock
# 定义列表profit
profit = [98.7643,70.7004,57.7071,51.6089,46.3205,44.4626,42.4781,34.3125,31.0343,29.3174]
# 定义列表return_Q1
return_Q1 = [0.547783,0.315274,0.594318,0.383333,0.275237,0.307463,0.356265,0.617682,1.93341,0.734604]
price = [24.78,20.15,14.03,22.41,16.17,17.52,5.52,13.54,25.55,11.83] # 定义列表price
#输出列表中元素的个数
print(len(stock))
#以列表方式输出stock
print(list(enumerate(stock,start=1)))
#计算10家证券公司的净利润总和
profit_total =sum(profit)
#计算每家证券公司平均净利润
profit_average =profit_total/len(stock)
print("2018年净利润排名前10位的证券公司净利润总和(亿元)",profit_total) # 输出2018年净利润排名前10位的证券公司净利润总和(
print("2018年净利润排名前10位的证券公司净利润平均数(亿元)",round(profit_average,4)) # 输出2018年净利润排名前10位的证券公司净利润平均数
#找出最大涨幅
return_max =max(return_Q1)
#找出最小涨幅
return_min =min(return_Q1)
print("2019年1季度股价的最大涨幅",return_max) # 输出2019年1季度股价的最大涨幅
print("2019年1季度股价的最小涨幅",return_min) # 输出2019年1季度股价的最小涨幅
#将股价由小到大排序
price_sorted =sorted(price)
print(price_sorted) # 输出按价格升序排列的证券公司股价列表10
[(1, '中信证券'), (2, '国泰君安'), (3, '海通证券'), (4, '华泰证券'), (5, '广发证券'), (6, '招商证券'), (7, '申万宏源'), (8, '国信证券'), (9, '中信建设'), (10, '中国银河')]
2018年净利润排名前10位的证券公司净利润总和(亿元) 506.7061
2018年净利润排名前10位的证券公司净利润平均数(亿元) 50.6706
2019年1季度股价的最大涨幅 1.93341
2019年1季度股价的最小涨幅 0.275237
[5.52, 11.83, 13.54, 14.03, 16.17, 17.52, 20.15, 22.41, 24.78, 25.55]max()：找出最大值max() 返回可迭代对象的最大值，用于识别最佳表现。
# 2019年1季度股价涨跌幅
stock = ['中信证券', '国泰君安', '海通证券', '华泰证券', '广发证券',
'招商证券', '申万宏源', '国信证券', '中信建投', '中国银河']
return_Q1 = [0.547783, 0.315274, 0.594318, 0.383333, 0.275237,
0.307463, 0.356265, 0.617682, 1.93341, 0.734604]
# 找出最大涨幅
return_max = max(return_Q1)
best_index = return_Q1.index(return_max)
best_company = stock[best_index]
print(f'最大涨幅: {return_max:.2%}')
print(f'表现最佳: {best_company}')最大涨幅: 193.34%
表现最佳: 中信建投min()：找出最小值min() 返回可迭代对象的最小值，用于识别风险资产。
最小涨幅: 27.52%
所有股票本季度均为正收益max() / min() 的 key 参数key 参数可以自定义比较标准，在处理复杂数据结构时非常实用。
stocks_info = [
{'name': '中信证券', 'profit': 98.76, 'pe': 15.2},
{'name': '国泰君安', 'profit': 70.70, 'pe': 12.8},
{'name': '海通证券', 'profit': 57.71, 'pe': 18.5}
]
# 按净利润找出最大
most_profitable = max(stocks_info, key=lambda x: x['profit'])
print(f'最盈利: {most_profitable["name"]}')
# 按PE比率找出最小(估值最低)
cheapest = min(stocks_info, key=lambda x: x['pe'])
print(f'最低PE: {cheapest["name"]}')最盈利: 中信证券
最低PE: 国泰君安sorted()：排序操作sorted() 返回排序后的新列表，原对象保持不变。
sorted(iterable, key=None, reverse=False)股价升序: [5.52, 11.83, 13.54, 14.03, 16.17, 17.52, 20.15, 22.41, 24.78, 25.55]
股价降序: [25.55, 24.78, 22.41, 20.15, 17.52, 16.17, 14.03, 13.54, 11.83, 5.52]sorted() 应用：高估与低估筛选price = [24.78, 20.15, 14.03, 22.41, 16.17,
17.52, 5.52, 13.54, 25.55, 11.83]
# 假设公允价值为18元
fair_value = 18.0
# 列表推导式筛选
overvalued = [p for p in price if p > fair_value]
undervalued = [p for p in price if p < fair_value]
print(f'高估股票数量: {len(overvalued)}, 价格: {sorted(overvalued)}')
print(f'低估股票数量: {len(undervalued)}, 价格: {sorted(undervalued)}')高估股票数量: 4, 价格: [20.15, 22.41, 24.78, 25.55]
低估股票数量: 6, 价格: [5.52, 11.83, 13.54, 14.03, 16.17, 17.52]sorted() 与 .sort() 的区别| 特性 | sorted() |
.sort() |
|---|---|---|
| 返回值 | 新列表 | None（原地修改） |
| 原对象 | 不变 | 改变 |
| 适用对象 | 所有可迭代对象 | 仅列表 |
原列表: [24.78, 20.15, 14.03]
新列表: [14.03, 20.15, 24.78]
原地修改后: [14.03, 20.15, 24.78]int(), float(), str()这些函数在不同数据类型之间进行转换，在数据清洗中极为常用。
核心要点：先判断数据有效性，再执行类型转换，避免运行时错误。
round()：数值舍入round(number, ndigits=None)\[ \large{ \text{round}(2.5) = 2, \quad \text{round}(3.5) = 4 } \]
profit = [98.76, 70.70, 57.71, 51.61, 46.32,
44.46, 42.48, 34.31, 31.03, 29.32]
profit_total = sum(profit)
profit_average = profit_total / len(profit)
print(f'精确值: {profit_average}')
print(f'保留4位小数: {round(profit_average, 4)}')
print(f'保留2位小数: {round(profit_average, 2)}')
print(f'取整: {round(profit_average)}')精确值: 50.67
保留4位小数: 50.67
保留2位小数: 50.67
取整: 51round(2.5) = 2
round(3.5) = 4
常规四舍五入: 3金融建议：涉及资金计算时，使用 Decimal 模块确保精度。
statistics 模块：基本统计量Python 标准库 statistics 模块提供了丰富的统计函数。
import statistics
returns = [0.05, 0.03, -0.02, 0.04, 0.06, 0.02, -0.01, 0.07]
mean_val = statistics.mean(returns)
median_val = statistics.median(returns)
stdev_val = statistics.stdev(returns)
print(f'算术平均: {mean_val:.4f}')
print(f'中位数: {median_val:.4f}')
print(f'标准差: {stdev_val:.4f}')
print(f'方差: {statistics.variance(returns):.4f}')算术平均: 0.0300
中位数: 0.0350
标准差: 0.0321
方差: 0.0010夏普比率衡量每承担一单位风险获得的超额收益：
\[ \large{ \text{Sharpe Ratio} = \frac{E(R) - R_f}{\sigma} } \]
map()：映射函数map() 将指定函数应用于可迭代对象的每个元素。
map(function, iterable, ...)map() 应用：批量计算涨跌幅涨跌幅: ['5.00%', '4.76%', '-3.06%', '5.88%', '4.55%']提示：map() 比显式 for 循环更简洁，适合对大量数据执行统一操作。
filter()：过滤函数filter() 根据指定函数的条件筛选元素。
filter(function, iterable)all_returns = [0.05, -0.02, 0.03, -0.01, 0.04, -0.03, 0.06]
# 筛选正收益
positive_returns = list(filter(lambda x: x > 0, all_returns))
print(f'正收益: {[f"{r:.2%}" for r in positive_returns]}')
# 筛选高收益(>3%)
high_returns = list(filter(lambda x: x > 0.03, all_returns))
print(f'高收益: {[f"{r:.2%}" for r in high_returns]}')正收益: ['5.00%', '3.00%', '4.00%', '6.00%']
高收益: ['5.00%', '4.00%', '6.00%']filter() 应用：多条件筛选stocks = [
{'name': 'A', 'return': 0.05, 'risk': 0.10},
{'name': 'B', 'return': 0.08, 'risk': 0.15},
{'name': 'C', 'return': 0.06, 'risk': 0.08}
]
# 筛选条件: 收益 > 5% 且 风险 < 10%
filtered = list(filter(
lambda s: s['return'] > 0.05 and s['risk'] < 0.10,
stocks
))
print(f'符合条件的股票: {[s["name"] for s in filtered]}')符合条件的股票: ['C']zip()：配对函数zip() 将多个可迭代对象的元素逐一配对成元组。
股票数据:
中信证券: 价格=24.78, 成交量=2,500,000, 成交额=61,950,000
国泰君安: 价格=20.15, 成交量=1,800,000, 成交额=36,270,000
海通证券: 价格=14.03, 成交量=3,200,000, 成交额=44,896,000zip() 应用：创建字典与排序names = ['中信证券', '国泰君安', '海通证券']
prices = [24.78, 20.15, 14.03]
volumes = [2500000, 1800000, 3200000]
# zip 快速创建字典
stock_dict = dict(zip(names, prices))
print(f'价格字典: {stock_dict}')
# 按成交量排序
print('\n按成交量排序:')
for name, price, volume in sorted(
zip(names, prices, volumes), key=lambda x: x[2]
):
print(f' {name}: {volume:,}')价格字典: {'中信证券': 24.78, '国泰君安': 20.15, '海通证券': 14.03}
按成交量排序:
国泰君安: 1,800,000
中信证券: 2,500,000
海通证券: 3,200,000companies = ['中信证券', '国泰君安', '海通证券', '华泰证券', '广发证券']
profits = [98.76, 70.70, 57.71, 51.61, 46.32]
prices = [24.78, 20.15, 14.03, 22.41, 16.17]
# 基本统计
print('=' * 50)
print('2018年净利润排名前5位证券公司分析')
print('=' * 50)
print(f' 净利润总额: {sum(profits):.2f} 亿元')
print(f' 平均净利润: {sum(profits)/len(companies):.2f} 亿元')
print(f' 最高净利润: {max(profits):.2f} 亿元')
print(f' 最低净利润: {min(profits):.2f} 亿元')==================================================
2018年净利润排名前5位证券公司分析
==================================================
净利润总额: 325.10 亿元
平均净利润: 65.02 亿元
最高净利润: 98.76 亿元
最低净利润: 46.32 亿元companies = ['中信证券', '国泰君安', '海通证券', '华泰证券', '广发证券']
profits = [98.76, 70.70, 57.71, 51.61, 46.32]
prices = [24.78, 20.15, 14.03, 22.41, 16.17]
# 净利润排名(降序)
print('【净利润排名】')
for rank, (company, profit) in enumerate(
sorted(zip(companies, profits), key=lambda x: x[1], reverse=True), 1
):
print(f' {rank}. {company}: {profit:.2f} 亿元')
# 投资价值分析: 净利润/股价比
ratios = list(zip(companies, [p / pr for p, pr in zip(profits, prices)]))
best = max(ratios, key=lambda x: x[1])
print(f'\n【净利润/股价比最高】{best[0]} ({best[1]:.2f})')【净利润排名】
1. 中信证券: 98.76 亿元
2. 国泰君安: 70.70 亿元
3. 海通证券: 57.71 亿元
4. 华泰证券: 51.61 亿元
5. 广发证券: 46.32 亿元
【净利润/股价比最高】海通证券 (4.11)| 函数 | 功能 | 关键用法 |
|---|---|---|
len() |
获取长度 | 数据完整性检查 |
enumerate() |
枚举索引+值 | 生成排名报告 |
sum() |
求和 | 计算总利润/平均值 |
max() / min() |
极值 | 识别最佳/最差表现 |
sorted() |
排序 | 股价排序与筛选 |
round() |
舍入 | 金融报表精度控制 |
map() / filter() |
映射/过滤 | 批量计算与条件筛选 |
zip() |
配对 | 多维数据组合 |
[商业大数据分析与应用]