In [1]:
# 建模题：穷人和富人——python模拟社会财富分配游戏
# 房间里有100个人，每人都有100元钱，他们在玩一个游戏。每轮游戏中，每个人都要拿出一元钱随机给另一个人，最后这100个人的财富分布是怎样的？
# 游戏规则：
# 每个人初始基金100元
# 一共玩17000轮
# 每天拿出一元钱，并且随机分配给另一个人
# 【注意】当某人的财富值降到0元时，他在该轮无需拿出1元钱给别人，但仍然有机会得到别人给出的钱
# 请输出最后一次分配结果
# 导入所需函数库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
import time
# ————————请写下你的代码——————
'''参考答案如下：'''
def game1(data, roundi):
if len(data[data[roundi - 1] ==0]) > 0:
# 当数据包含财富值为0的玩家时
round_i = pd.DataFrame({'pre_round':data[roundi-1],'lost':0})
con = round_i['pre_round'] > 0
round_i['lost'][con] = 1 # 设定每轮分配财富之前的情况 → 该轮财富值为0的不需要拿钱给别人
round_players_i = round_i[con] # 筛选出参与游戏的玩家：财富值>0
choice_i = pd.Series(np.random.choice(person_n,len(round_players_i)))
gain_i = pd.DataFrame({'gain':choice_i.value_counts()}) # 这一轮中每个人随机指定给“谁”1元钱，并汇总这一轮每个人的盈利情况
round_i = round_i.join(gain_i)
round_i.fillna(0,inplace = True)
return round_i['pre_round'] - round_i['lost'] + round_i['gain']
# 合并数据，得到这一轮财富分配的结果
else:
# 当数据不包含财富值为0的玩家时
round_i = pd.DataFrame({'pre_round':data[roundi-1],'lost':1}) # 设定每轮分配财富之前的情况
choice_i = pd.Series(np.random.choice(person_n,100))
gain_i = pd.DataFrame({'gain':choice_i.value_counts()}) # 这一轮中每个人随机指定给“谁”1元钱，并汇总这一轮每个人的盈利情况
round_i = round_i.join(gain_i)
round_i.fillna(0,inplace = True)
return round_i['pre_round'] - round_i['lost'] + round_i['gain']
# 合并数据，得到这一轮财富分配的结果
person_n = [x for x in range(1,101)]
fortune = pd.DataFrame([100 for i in range(100)], index = person_n)
fortune.index.name = 'id'
# 设定初始参数：游戏玩家100人，起始资金100元
for round in range(1,17001):
fortune[round] = game1(fortune,round) # 进行17000轮随机分配模拟
game1_result = fortune.T # 转置后得到结果数据 → 列为每一个人的id，行为每一轮的财富分配结果
# 输出最后一次分配结果
round_17000_1 = pd.DataFrame({'money':game1_result.iloc[17000]}).sort_values(by = 'money',ascending = False).reset_index()
round_17000_1['fortune_pre'] = round_17000_1['money'] / round_17000_1['money'].sum()
round_17000_1['fortune_cumsum'] = round_17000_1['fortune_pre'].cumsum()
round_17000_1
Out[1]:
In [9]:
round_17000_1.money.plot(grid = True)
plt.show()
In [2]:
# python数据分析测试。
# 测试开始前，请运行该代码，初始化程序
#### 第二大题 ####
# 该代码将会输出AXP公司过去一年的股价数据获取，并保存为 quotesdf ，这是一个 DataFrame 格式数据。第二大题测试从这里开始
# 注意，该代码对时间进行处理, 将时间转为'%Y-%m-%d'的格式, 并且将这个时间作为一个list 成为quotesdf的index.
import requests
import re
import json
import pandas as pd
import numpy as np
from datetime import date
import matplotlib.pyplot as plt
def retrieve_quotes_historical(stock_code):
quotes = []
url = 'https://finance.yahoo.com/quote/%s/history?p=%s' % (stock_code, stock_code)
try:
r = requests.get(url)
except ConnectionError as err:
print(err)
m = re.findall('"HistoricalPriceStore":{"prices":(.*?),"isPending"', r.text)
if m:
quotes = json.loads(m[0]) # m = ['[{...},{...},...]']
quotes = quotes[::-1] # 原先数据为date最新的在最前面
return [item for item in quotes if not 'type' in item]
quotes = retrieve_quotes_historical('AXP')
list1=[]
for i in range(len(quotes)):
x=date.fromtimestamp(quotes[i]['date'])
y=date.strftime(x,'%Y-%m-%d')
list1.append(y)
quotesdf_ori=pd.DataFrame(quotes,index=list1)
quotesdf_m = quotesdf_ori.drop(['adjclose'], axis = 1) #删除adjclose列
quotesdf=quotesdf_m.drop(['date'],axis=1)
quotesdf.tail()
Out[2]:
In [3]:
# 简单的数据筛选: 请输出19 年 3 月 22 日至 3 月 31日，收盘价（close）大于 109 的股价数据
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
close high low open volume
2019-03-22 109.459999 111.320000 108.989998 111.290001 3737400
2019-03-25 109.040001 110.070000 108.190002 109.279999 3596200
2019-03-26 109.500000 110.400002 109.050003 109.989998 2844500
2019-03-28 109.160004 109.879997 108.489998 109.419998 2693300
2019-03-29 109.300003 110.389999 109.139999 110.199997 4891000
'''
'''参考答案如下：'''
quotesdf[(quotesdf.index>='2019-03-22') & (quotesdf.index<='2019-03-31')&
(quotesdf.close>=109)]
Out[3]:
In [4]:
# 简单的数据统计: 请统计AXP股价涨跌的天数 (close>open)
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
250
'''
'''参考答案如下：'''
len(quotesdf.close>quotesdf.open)
Out[4]:
In [5]:
# 简单的数据统计: 请使用describe函数, 得到基本统计信息（超级强大，代码一行）
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
close high low open volume
count 252.000000 252.000000 252.000000 252.000000 2.520000e+02
mean 104.331210 105.137738 103.487580 104.315754 3.496352e+06
std 5.118420 5.051194 5.171894 5.134740 1.344630e+06
min 89.500000 91.550003 89.050003 89.849998 5.894990e+05
25% 100.495001 101.137501 99.612501 100.215000 2.598775e+06
50% 104.154999 104.934998 103.215000 104.049999 3.232900e+06
75% 108.250000 109.222502 107.342497 108.212498 4.104825e+06
max 117.599998 117.730003 116.550003 117.239998 1.100530e+07
'''
'''参考答案如下：'''
quotesdf.describe()
Out[5]:
In [6]:
# 简单的数据统计: 请统计2019 年一月的交易日天数
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
21
'''
'''参考答案如下：'''
t=quotesdf[(quotesdf.index>='2019-01-01') & (quotesdf.index<'2019-02-01')]
len(t) #21
Out[6]:
In [7]:
# 简单的数据可视化
# 请画出股市收盘价的折线图（按收盘价）
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
[图片]
'''
'''参考答案如下：'''
quotesdf.close.plot(grid = True)
plt.show()
In [8]:
# 简单的数据可视化2
# 请画出 20 日均线和 50 日均线（按收盘价）
# ————————请写下你的代码——————（此处也可改为选择题）
'''
输出示例：
[图片]
'''
'''参考答案如下：'''
quotesdf.close.plot(label="CLOSE")
quotesdf["20d"] = np.round(quotesdf["close"].rolling(window = 20, center = False).mean(), 2).plot(label="20Average")
quotesdf["50d"] = np.round(quotesdf["close"].rolling(window = 50, center = False).mean(), 2).plot(label="50Average")
plt.legend()
plt.show()
In [ ]: