alpha-mind的data文件夹提供了对于因子数据进行排序和求分位数的工具函数

因子排序： rank

从小到大排序，返回序列值。
可以进行整体排序，也可以分行业(分组)排序。



In [1]:

    
import numpy as np
import pandas as pd
from alphamind.data.rank import rank

# 假设有10只股票，每只股票有2个因子，构成一个矩阵
factors = pd.DataFrame(np.random.rand(10, 2))
factors.columns = ['factor_1', 'factor_2']
factors['rank_1'] = rank(factors['factor_1'].values)
factors['rank_2'] = rank(factors['factor_2'].values)

factors



In [2]:

    
# 假设有10只股票，每只股票有1个因子
factors = pd.DataFrame(np.random.rand(10, 1))
factors.columns = ['factor_1']

# 假设这10只股票分为两个行业,前5个和后5个分属不同类别
industry = np.concatenate([np.array([1.0]*5), np.array([2.0]*5)])

factors['rank'] = rank(factors['factor_1'].values, groups=industry)
factors

因子分位数: quantile

根据给定组数(n_bins)，按从小达到的顺序进行分组，返回每个因子属于的组别。



In [3]:

    
from alphamind.data.quantile import quantile

factors['quantile'] = quantile(factors['factor_1'].values, n_bins=5)
factors



In [ ]:

	factor_1	factor_2	rank_1	rank_2
0	0.959453	0.798155	9.0	8.0
1	0.830604	0.051822	6.0	1.0
2	0.234670	0.157615	1.0	2.0
3	0.652818	0.733896	4.0	6.0
4	0.932201	0.002984	7.0	0.0
5	0.311260	0.708512	2.0	5.0
6	0.198123	0.665290	0.0	4.0
7	0.731436	0.915967	5.0	9.0
8	0.346298	0.754176	3.0	7.0
9	0.950355	0.196379	8.0	3.0

	factor_1	rank
0	0.898683	4
1	0.179354	0
2	0.751189	3
3	0.699054	2
4	0.332965	1
5	0.937173	4
6	0.559328	0
7	0.753076	2
8	0.657790	1
9	0.782689	3

	factor_1	rank	quantile
0	0.898683	4	4
1	0.179354	0	0
2	0.751189	3	2
3	0.699054	2	2
4	0.332965	1	0
5	0.937173	4	4
6	0.559328	0	1
7	0.753076	2	3
8	0.657790	1	1
9	0.782689	3	3