对于数据的查询过滤,一般通过filter函数进行实现,filter可以对多个条件进行过滤,中间用,隔开。
比如查询某只股票某一个时间段,满足特定值的数据,可以用到 in_ ,and_,> , < , == ,!=等符号进行基本的查询

涉及到使用数据库操作的数据有:

• get_fundamentals  (股票单季度财务数据)

• finance           (股票数据,基金数据等)

• opt               (期权数据)

• macro             (宏观数据)

• jy                (聚源数据)

基本的查询方式¶

• query()  填写需要查询的对象,可以是整张表,也可以是表中的多个字段或计算出的结果

• filter 填写过滤条件,多个过滤条件可以用逗号隔开,或者用and,or这样的语法

• order_by  填写排序条件

• .desc()  降序排列

• .asc()   升序排列

• limit   限制返回的个数

• order_by  分组统计

# 查询 000001 2015 - 2017 年的整张合并利润表,且满足 net_profit(净利润) < 0 的条件from jqdata import financeq = query(finance.STK_INCOME_STATEMENT).filter(finance.STK_INCOME_STATEMENT.code=='000783.XSHE',              #选定股票  000783.XSHEfinance.STK_INCOME_STATEMENT.end_date > '2005-01-01',          #指定查询时间段大于2005年1月1日finance.STK_INCOME_STATEMENT.end_date < '2018-01-01',          #指定查询时间段小于2018年1月1日finance.STK_INCOME_STATEMENT.net_profit <0,                    #指定查询到的数据中net_profit为负finance.STK_INCOME_STATEMENT.report_type == 0,                 #指定报告期类型为本期).order_by(finance.STK_INCOME_STATEMENT.end_date.desc()  ).limit(5)   #根据end_date降序排序,并返回前5条数据 finance.run_query(q)

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

5 rows × 60 columns

get_fundamentals 获取某个/多个季度/年度的数据(指定参数statDate)¶

# 查询平安银行2014年3-6月份的单季度报表q = query(  income.statDate,  income.code,  income.basic_eps,  cash_flow.goods_sale_and_service_render_cash
  ).filter(  income.code == '000001.XSHE',
  )ret = get_fundamentals(q, statDate='2014q2')ret

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

# 查询平安银行2014年的年报q = query(  income.statDate,  income.code,  income.basic_eps,  cash_flow.goods_sale_and_service_render_cash
  ).filter(  income.code == '000001.XSHE',
  )ret = get_fundamentals(q, statDate='2014')ret

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

# 查询平安银行2014年四个季度的季报, 放到数组中并拼接为dataframeq = query(  income.statDate,  income.code,  income.basic_eps,  balance.cash_equivalents,  cash_flow.goods_sale_and_service_render_cash
  ).filter(  income.code == '000001.XSHE',
  )rets = [get_fundamentals(q, statDate='2014q'+str(i)) for i in range(1, 5)]import pandas as pdpd.concat(rets)

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

in_  判断某个字段的值是否在列表之中(一般用于查询多个标的)¶

stocks = ['000001.XSHE','600741.XSHG','600507.XSHG']q = query(balance.code,balance.pubDate,balance.statDate,    # 指定返回的字段只包括code,pubDate,statDate,total_assets及total_sheet_owner_equities  balance.total_assets,balance.total_sheet_owner_equities).filter( balance.code.in_(stocks)   #指定查询到的数据只包括code在 stocks中的数据)get_fundamentals(q,date='2018-01-05')    #查询单季度数据中在2018-01-05之前发布的数据,没有未来函数

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

distinct 去重,用于查看数据库中某个字段都存在哪些值¶

#  查看十大流通股东中都有哪些类别from jqdata import financeq = query( finance.STK_SHAREHOLDER_FLOATING_TOP10.shareholder_class_id.distinct(),  #提取ID不同的数据finance.STK_SHAREHOLDER_FLOATING_TOP10.shareholder_class, ).order_by(finance.STK_SHAREHOLDER_FLOATING_TOP10.change_reason_id)  df = finance.run_query(q)df.tail()

~ 反向查询符号¶

q = query( finance.STK_SHAREHOLDER_FLOATING_TOP10.shareholder_class_id.distinct(),finance.STK_SHAREHOLDER_FLOATING_TOP10.shareholder_class, ).filter(~finance.STK_SHAREHOLDER_FLOATING_TOP10.shareholder_class_id.in_(['307007','307001']),#等同于notin_)finance.run_query(q)

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

运算和命名(label)¶

# label的作用是命名获得数据的标签,一般用于直接运算后的重命名q = query(indicator.code.label('股票代码'),indicator.operating_profit.label('get_operating_profit'), (income.total_operating_revenue - income.total_operating_cost).label('my_operating_profit') ).filter(indicator.code=='600507.XSHG')get_fundamentals(q)

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

or_ 或查询¶

from sqlalchemy.sql.expression import or_df = get_fundamentals(query(  valuation.code,valuation.market_cap,valuation.pe_ratio  ).filter(  or_(valuation.market_cap < 10,valuation.pe_ratio > 1000)))  # 查询当天总市值小于1000亿或pe大于10亿的所有股票df.tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

contains/like/ilike  数据库中的字符串模糊匹配¶

• %  百分号通配符: 表示任何字符出现任意次数(可以是0次).

• _  下划线通配符:表示只能匹配单个字符,不能多也不能少,就是一个字符.

from jqdata import finance# 获取000001.XSHG每一年的年报   df = finance.run_query(query(finance.FINANCE_INCOME_STATEMENT   ).filter(finance.FINANCE_INCOME_STATEMENT.code.in_(['000001.XSHE']),#                 finance.FINANCE_INCOME_STATEMENT.end_date.like('%-12-31%'),    #sqlalchemy的版本,数据库的构建等问题可能导致查询报错,可以换以下两种方法尝试#               finance.FINANCE_INCOME_STATEMENT.end_date.contains('12-31') ,      finance.FINANCE_INCOME_STATEMENT.end_date.ilike('_____12-31'),finance.FINANCE_INCOME_STATEMENT.report_type==0   ))df.tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

简化计算的方法(sqlalchemy.sql.func)  和  group_by¶

func中的函数可以完成常用的一些计算,配合group_by完成简单的统计
下边以简单计算股票池/全市场每天的的等权重pe,pb为例
(当然,这个计算中一些细节并没有考虑到,实际还是以官方数据为准,可以通过聚源数据获取,具体下边会有演示)

from sqlalchemy.sql import funcfrom jqdata import financestocks = get_index_stocks('000016.XSHG')q = query(valuation.day,#           func.count('*'),       # 信息条数(也就是股票数量)  (func.count()/func.sum(1/valuation.pe_ratio)).label('*g_pe'),  # 等权重pe  (func.count()/func.sum(1/valuation.pb_ratio)).label('*g_pb'),  # 等权重pb ).group_by(valuation.day   ).filter(valuation.pe_ratio>0,   #排除亏损的valuation.pb_ratio>0,   valuation.day>'2009-12-01',  #设置一个时间valuation.code.in_(stocks)   #设置股票池,注释即为全市场)df = finance.run_query(q)df.set_index('day',inplace=True)df.tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

更多关于query的可导入函数,可以使用以下方法查看,配合官网文档使用:

import sqlalchemy
dir(sqlalchemy.sql.expression)

其他常用数据获取方式整理¶

获取旧的申万指数列表和新的申万指数列表(14年有过改动)¶

from jqdata import *def get_sw_quote(day=None):'''获取指定日期的申万指数列表'''day = get_trade_days(end_date=day,count=1)[-1]df = jy.run_query(query( jy.QT_SYWGIndexQuote.InnerCode.distinct().label('InnerCode')).filter(jy.QT_SYWGIndexQuote.TradingDay==day,))code_df = jy.run_query(query( jy.SecuMain.SecuCode,jy.SecuMain.ChiName).filter(jy.SecuMain.InnerCode.in_(df.InnerCode)))return code_dfdf = get_sw_quote('2013-02-05')df.tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

查询申万行情( 包含行业pe/pb)¶

from jqdata import jyfrom jqdata import *import pandas as pd#注意申万指数在2014年有一次大改,聚源使用的是为改变之前的代码,官网包含更改前和更改后的代码,如果遇到找不到的标的可以根据需求自行查找#如801124 >>801121食品加工IIdef get_sw_quote(code,end_date=None,count=None,start_date=None):'''获取申万指数行情,返回panel结构'''if isinstance(code,str):code=[code]days = get_trade_days(start_date,end_date,count)code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,jy.SecuMain.ChiName).filter(jy.SecuMain.SecuCode.in_(code)))df = jy.run_query(query( jy.QT_SYWGIndexQuote).filter(jy.QT_SYWGIndexQuote.InnerCode.in_(code_df.InnerCode),jy.QT_SYWGIndexQuote.TradingDay.in_(days),))df2  = pd.merge(code_df, df, on='InnerCode').set_index(['TradingDay','SecuCode'])df2.drop(['InnerCode','ID','UpdateTime','JSID'],axis=1,inplace=True)return df2.to_panel()code = get_industries(name='sw_l2').index[:5]df = get_sw_quote(code,end_date='2018-01-01',count=10)df.to_frame(False).tail()

/opt/conda/envs/python2new/lib/python2.7/site-packages/ipykernel_launcher.py:23: DeprecationWarning: 
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

查询中证行情( 包含指数市值/市盈率/股息率以及红利等指数)¶

def get_zz_quote(code,end_date=None,count=None,start_date=None):'''获取中证指数行情,包含市值,市盈率,股息率,返回panel结构'''if isinstance(code,str):code=[code]code.sort()code = [x[:6] for x in code]days = get_trade_days(start_date,end_date,count)code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,jy.SecuMain.ChiName).filter(jy.SecuMain.SecuCode.in_(code)).order_by(jy.SecuMain.SecuCode))df = jy.run_query(query( jy.QT_CSIIndexQuote).filter(jy.QT_CSIIndexQuote.IndexCode.in_(code_df.InnerCode),jy.QT_CSIIndexQuote.TradingDay.in_(days),))df2  = pd.merge(code_df, df, left_on='InnerCode',right_on='IndexCode').set_index(['TradingDay','SecuCode'])df2.drop(['InnerCode','IndexCode','ID','UpdateTime','JSID','OpenInterest','SettleValue','IndexCSIType'],axis=1,inplace=True)return df2.to_panel()panel = get_zz_quote(['000016.XSHG','000001.XSHG'],end_date='2019-01-21',count=10)panel.ClosePrice.tail()

/opt/conda/envs/python2new/lib/python2.7/site-packages/ipykernel_launcher.py:19: DeprecationWarning: 
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

查询股息率(近12个月)¶

from jqdata import *def DividendRatio(security_list,end_date,count=1):'''查询股息率(日更新)    输入:股票池,截止日期,获取数量    输出:panel结构,单位:1'''trade_days = get_trade_days(end_date=end_date,count = count)security_list.sort()secu_list = [x[:6] for x in security_list]code_df = jy.run_query(query( jy.SecuMain.InnerCode,jy.SecuMain.SecuCode,#     jy.SecuMain.ChiName,jy.SecuMain.CompanyCode).filter(jy.SecuMain.SecuCode.in_(secu_list),jy.SecuMain.SecuCategory==1).order_by(jy.SecuMain.SecuCode))code_df['code'] = security_listdf = jy.run_query(query(#         jy.LC_DIndicesForValuation    #得到整表jy.LC_DIndicesForValuation.InnerCode,jy.LC_DIndicesForValuation.TradingDay, jy.LC_DIndicesForValuation.DividendRatio,).filter(jy.LC_DIndicesForValuation.InnerCode.in_(code_df.InnerCode),jy.LC_DIndicesForValuation.TradingDay.in_(trade_days)))f_df = df.merge(code_df,on='InnerCode').set_index(['TradingDay','code']).drop(['InnerCode','SecuCode'],axis=1)panel = f_df.to_panel()return panelsecuritys =get_index_stocks('399015.XSHE')[:10]date='2018-01-01'DividendRatio(securitys,date,count=5)

/opt/conda/envs/python2new/lib/python2.7/site-packages/ipykernel_launcher.py:24: DeprecationWarning: 
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.

<class 'pandas.core.panel.Panel'>
Dimensions: 1 (items) x 5 (major_axis) x 10 (minor_axis)
Items axis: DividendRatio to DividendRatio
Major_axis axis: 2017-12-25 00:00:00 to 2017-12-29 00:00:00
Minor_axis axis: 000007.XSHE to 000049.XSHE

获取期货合约的基本信息（合约乘数、商品报价的计数单位、最小变动单位）¶

# lru缓存可以不要，加上后查询相同的合约可以避免重复数据库请求from fastcache import clru_cache as lru_cache@lru_cache(maxsize=128)def future_basic_info(future):from jqdata import jyfrom numpy import nanimport reif "9999" in future or "8888" in future:match = re.match(r"(?P<underlying_symbol>[A-Z]{1,})", future)if not match:raise ValueError("未知期货标的：{}".format(future))else:future = get_dominant_future(match.groupdict()["underlying_symbol"])q = query(jy.Fut_ContractMain).filter(jy.Fut_ContractMain.ContractCode == future.split(".")[0])result = jy.run_query(query_object=q).to_dict("record")if result:result = result.pop()min_point = re.match("(?P<value>^[0-9]+([.]{1}[0-9]+){0,1})", result["LittlestChangeUnit"]).groupdict(nan)["value"]return {"ContractUnit": result["CMValue"],   "PriceScale": float(str(min_point)[:-1] + "1") if float(min_point) < 1 else 1,   "MinPoint": float(min_point)}else:return {"ContractUnit": nan,"PriceScale": nan,"MinPoint": nan}future_basic_info('IF1801.CCFX')

{'ContractUnit': 300, 'MinPoint': 0.2, 'PriceScale': 0.1}

多个dataframe的合并 (数据拼接) 获取多份财务报表¶

#获取多年的季度度数据import pandas as pddef get_more_state_fund(q_object,year_list):df_list = []for year in year_list:rets = [get_fundamentals(q, statDate=str(year)+'q'+str(i)) for i in range(1, 5)]df = pd.concat(rets).set_index('statDate')  #个人习惯df_list.append(df)df_ = pd.concat(df_list,keys=year_list,axis=0) #axis=1或axis=0,依据个人习惯return df_q = query(indicator.code,  indicator.statDate,indicator.roe,indicator.inc_return,indicator.pubDate,
  ).filter(  income.code.in_(['000001.XSHE','600507.XSHG']))df = get_more_state_fund(q,['2017','2018'])# df.loc[('2014',slice(None))]df

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

#h获取多个年度财务数据import pandas as pdstock_list=['000001.XSHE','000527.XSHE','600970.XSHG','600875.XSHG','600880.XSHG']years = range(2005,2018)df_list=[]for year in years:df_year= get_fundamentals(query( indicator.code, indicator.inc_return,indicator.roe   ).filter( indicator.code.in_(stock_list)   ),statDate=year).set_index('code')df_list.append(df_year)name = [str(x) for x in range(2005,2017)]df=pd.concat(df_list,axis=1,keys=name)df

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

     需要注意的:  finance,jy,opt,macro有一次性获取数据不超过3000条的限制(主要是为了提速,jqdatasdk上限是4000条,官网后续也会增加到4000条,get_fundamentals的限制为10000条),

   所以当获取的数据超过这个限制时,需要对股票池或者时间段进行分割,多次获取,也可以通过offset。

利用offset多次查询以跳过限制¶

from jqdata import financefrom sqlalchemy.sql import funcimport pandas as pdimport mathsum_count = finance.run_query(query(func.count('*')   ).filter(finance.CCTV_NEWS.day<'2012-01-01')).iloc[0,0]  #先查询总共有多少条数据print ('总共有{}条数据,需要获取{}次'.format(sum_count,int(math.ceil(sum_count/3000.0))))l = []for i in range(0,14909,3000): #以3000为步长循环offset的参数q = query(finance.CCTV_NEWS).filter(finance.CCTV_NEWS.day<'2012-01-01'   ).order_by(finance.CCTV_NEWS.day  #可以先按照一定规律排序 ).offset(i)   #自第i条数据之后进行获取df=finance.run_query(q)l.append(df)df = pd.concat(l).reset_index()  #数据拼接print(df.shape)df.tail()

总共有14909条数据,需要获取5次
(14909, 5)

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

获取前N季度的财务数据¶

相关说明: https://www.joinquant.com/help/api/help?name=factor#如何理解dependencies中的财务因子
一般获取的前N季度数据可以直接在因子分析中直接处理了,如果有特殊需求,可以使用下边的方法获得一个panel(不推荐,推荐直接在factor类中直接计算获取计算完成后的dataframe)

from jqfactor import Factor, calc_factorsimport pandas as pddef get_more_data(data_name,securities,start_date,end_date):class get_N_data(Factor):name = 'more_data'max_window = 1dependencies = data_namedef calc(self, data):all_data = pd.concat(data.values())all_data.index = data_nameall_data =  pd.Series(all_data.to_dict())return all_datadata1 = calc_factors(securities, [get_N_data()], start_date=start_date, end_date=end_date)all_data = pd.Panel(data1['more_data'].to_dict()) return all_data   #处理成panel结构data_name = ['net_profit','net_profit_1','net_profit_2','net_profit_3']securities = ['600741.XSHG','000001.XSHG']get_more_data(data_name,securities,start_date='2019-01-01',end_date='2019-02-01')

/opt/conda/envs/python2new/lib/python2.7/site-packages/ipykernel_launcher.py:25: DeprecationWarning: 
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.

<class 'pandas.core.panel.Panel'>
Dimensions: 2 (items) x 4 (major_axis) x 23 (minor_axis)
Items axis: 000001.XSHG to 600741.XSHG
Major_axis axis: net_profit to net_profit_3
Minor_axis axis: 2019-01-02 00:00:00 to 2019-02-01 00:00:00

计算TTM数据¶

各种指标算法多式多样,我们提供的财务数据中最主要的还是单季度和报告期的财务指标,具体算法以及含义在文档中有详细说明 https://www.joinquant.com/help/api/help?name=Stock#获取单季度年度财务数据
关于两者的区别可以参看这篇帖子理解:
https://www.joinquant.com/view/community/detail/fcb3baa6f926259*caac3bce7c12b1c?type=2

TTM数据有些在聚宽因子库中可以直接获取(对于一些TTM的算法以及口径有多种方式,所以各平台可能存在不一致)
https://www.joinquant.com/help/api/help?name=factor_values
没有提供的可以借助因子分析进行计算
https://www.joinquant.com/help/api/help?name=factor#示例-计算TTM数据
https://www.joinquant.com/help/api/help?name=factor#在研究与回测中计算因子
下边以计算/获取营业收入TTM及ROE TTM为例:

# 使用因子分析进行计算from jqfactor import Factor, calc_factors# 计算营业收入TTMclass OR_TTM(Factor):# 设置因子名称name = 'operating_revenue_ttm'# 设置获取数据的时间窗口长度max_window = 1# 设置依赖的数据，即前四季度的营业收入dependencies = ['operating_revenue','operating_revenue_1','operating_revenue_2','operating_revenue_3']# 计算因子的函数， 需要返回一个 pandas.Series, index 是股票代码，value 是因子值def calc(self, data):# 计算 ttm ， 为前四季度相加ttm = data['operating_revenue'] + data['operating_revenue_1'] + data['operating_revenue_2'] + data['operating_revenue_3']# 将 ttm 转换成 seriesreturn ttm.mean()securities = ['000001.XSHE','600000.XSHG']# 计算因子值data1 = calc_factors(securities, [OR_TTM()], start_date='2019-01-01', end_date='2019-06-01', 
                                       use_real_price=False, skip_paused=False)data1['operating_revenue_ttm'].tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

# 通过聚宽因子库直接获取from jqfactor import get_factor_valuesdata2 = get_factor_values(securities,factors='operating_revenue_ttm',start_date='2019-01-01', end_date='2019-06-01')data2['operating_revenue_ttm'].tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

# 使用因子分析进行计算roefrom jqfactor import Factor, calc_factors# 计算营业收入TTM# roe_ttm = np_parent_company_owners_ttm/equities_parent_company_owners(最近一期)  wind算法class ROE_TTM(Factor):# 设置因子名称name = 'roe_ttm'# 设置获取数据的时间窗口长度max_window = 1# 设置依赖的数据dependencies = ['np_parent_company_owners',   'equities_parent_company_owners','np_parent_company_owners_1', #'np_parent_company_owners_ttm''np_parent_company_owners_2', 'np_parent_company_owners_3',] # 计算因子的函数， 需要返回一个 pandas.Series, index 是股票代码，value 是因子值def calc(self, data):# 计算 ttm ttm_1 = (data['np_parent_company_owners'] + data['np_parent_company_owners_1'] + data['np_parent_company_owners_2'] + data['np_parent_company_owners_3'])#         ttm_1 = (data['np_parent_company_owners_ttm']  #ttm1 = 归属于母公司股东的净利润TTM,和上边代码结果一致,这里也可以直接从聚宽因子库获取数据ttm_2 = data['equities_parent_company_owners']return (ttm_1/ttm_2).mean()securities = ['000001.XSHE','600000.XSHG','000002.XSHE']# 计算因子值data1 = calc_factors(securities, [ROE_TTM()], start_date='2019-01-01', end_date='2019-06-01', 
                                       use_real_price=False, skip_paused=False)data1['roe_ttm'].tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

# 通过聚宽因子库直接获取roe_ttmfrom jqfactor import get_factor_valuesdata2 = get_factor_values(securities,factors='roe_ttm',start_date='2019-01-01', end_date='2019-06-01')data2['roe_ttm'].tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }

计算同比/环比指标¶

import pandas as pdfrom jqfactor import Factor, calc_factorsdef get_growth_rate(security_list,field,start_date=None,end_date=None,type_ = 'q_to_q'):"""    field: 计算的指标名,填写财务数据中单季度指标名 ,如adjusted_profit 扣非净利润    type_: 计算类型q_to_q代表环比,y_to_y    """type_dict = {'y_to_y':field+'_4','q_to_q':field+'_1'}class Get_Annual(Factor):name = field+type_max_window = 1dependencies = [field, type_dict[type_]] def calc(self, data):df = pd.Panel(data).iloc[:,0]res = (df.iloc[:,0]-df.iloc[:,1])/df.iloc[:,1]extra_df = df[(df.iloc[:,1]<0)]res[extra_df.index] = res[extra_df.index]*-1   #上期为负的数据乘以-1,如果要表示亏损增长率可以用1去减res[extra_df.index]return resdata1 = calc_factors(security_list, [Get_Annual()], start_date=start_date,end_date=end_date, skip_paused=False)return data1[field+type_]type_ = 'q_to_q'security_list = ["000001.XSHE","600741.XSHG"]field = 'adjusted_profit'   # 计算扣费净利润环比增长率df = get_growth_rate(security_list,field,start_date='2015-01-01',end_date='2019-06-25',type_ = 'y_to_y')df.tail()

.dataframe thead tr:only-child th {        text-align: right;    }    .dataframe thead th {        text-align: left;    }    .dataframe tbody tr th {        vertical-align: top;    }