AI 助理
备案控制台
开发者社区 大数据 文章 正文

中欧医疗基金数据分析（葛兰）——Python

2023-08-07 139
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 中欧医疗基金数据分析（葛兰）——Python

*注：所有产生的数据可在主页资源中“中欧医疗健康混合C相关基金数据”*中查看与使用


1 问题背景分析


2022年1月末，年前股票大跌，相应的基金连续跌了近一周的时间。我作为一个资深的“韭菜”，于2021年12月初购买了中欧医疗健康混合C基金。基金经理是葛兰，据说是医疗板块最优秀的基金经理，并且医疗板块是民生大计，我当时认为购买这只基金可以获取相当多的收益。但自我购买以来，这只基金连续跌了一个月，直到年前我的这只基金跌了近15%。为了扭转局势，我不断的学习基金知识，并希望通过数据分析来量化购买决策。购买更加科学就会带来更多的收益。

分析一只基金除了看基金经理的资历之外，还需要看这只基金的业绩，以及大家对这只基金的评价。所以，我需要这只基金的历史净值、日涨幅以及购买这只基金的用户的评论。

数据来源是天天基金网，天天基金是中国A股上市的财经门户–东方财富网旗下全资子公司，同时也是证监会批准的首批独立基金销售机构，天天基金网具有最全面的基金数据。


2 数据采集/清洗


数据来源：天天基金网（https://fund.eastmoney.com/）

所需数据：

1)中欧医疗健康混合C的历史净值以及日涨幅数据；

2)同类型基金（医疗）的历史净值的均值以及日涨幅数据；

3)沪深300指数基金历史净值以及日涨幅数据；

4)中欧医疗健康混合C用户评论数据；

针对中欧医疗健康混合C的历史净值以及日涨幅、同类型基金（医疗）的历史净值的均值以及日涨幅、沪深300指数基金历史净值以及日涨幅数据利用Python的requests库对天天基金网进行爬取。点击“基金档案”并搜索“中欧医疗健康混合C”可以看到基金净值的表格，网站截图如下所示：



并且通过天天基金网的板块检索选择与中欧医疗相似的七只基金，基金代码分别是007613、001563、003581、005043、007111、005044、110023。具体操作如下图所示：


数据采集：

#导入相应的包
import requests
import re
import json
import pandas as pd

#爬取中欧医疗数据
df_list = []
for i in range(1,65):
    url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode=003096&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i)
    headers = {
        "Referer":"http://fundf10.eastmoney.com/jjjz_003096.html",
        "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
    }
    resp = requests.get(url,headers=headers)
    html = resp.text
    res = re.findall('\((.*?)\)',html)
    datas = json.loads(res[0])["Data"]["LSJZList"]
    df = pd.DataFrame(datas)
    df_list.append(df)
df_data = pd.concat(df_list)
df_data.to_csv('中欧医疗健康混合C (003096).csv',index=False,encoding="utf_8_sig")

#爬取同医疗类型基金数据并计算净值均值方便以后对比
same_type = ["007613","001563","003581","005043","007111","005044","110023"]
pages = [25,64,62,50,34,50,64]
df_list = []
for index in range(1,65):
    lis = []
    for i in range(0,7):
        if pages[i] >= index:
            lis.append(same_type[i])
        else:
            pass
    df1 = []
    for i in lis:
        url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode={}&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i,index)
        headers = {
        "Referer":"http://fundf10.eastmoney.com/jjjz_{}.html".format(i),
        "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
        }
        resp = requests.get(url,headers=headers)
        html = resp.text
        res = re.findall('\((.*?)\)',html)
        datas = json.loads(res[0])["Data"]["LSJZList"]
        df = pd.DataFrame(datas)
        df1.append(df)
    df_new = pd.concat(df1,keys=lis)
    df_list.append(df_new)
df_data = pd.concat(df_list)
df_data.to_csv('同类基金.csv',index=True,encoding="utf_8_sig")

#爬取沪深300指数净值
df_list = []
for i in range(1,65):
    url = "http://api.fund.eastmoney.com/f10/lsjz?callback=jQuery18304159015262110892_1643544350831&fundCode=050002&pageIndex={}&pageSize=20&startDate=&endDate=&_=1643545365216".format(i)
    headers = {
        "Referer":"http://fundf10.eastmoney.com/jjjz_050002.html",
        "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:92.0) Gecko/20100101 Firefox/92.0',
    }
    resp = requests.get(url,headers=headers)
    html = resp.text
    res = re.findall('\((.*?)\)',html)
    datas = json.loads(res[0])["Data"]["LSJZList"]
    df = pd.DataFrame(datas)
    df_list.append(df)
df_data = pd.concat(df_list)
df_data.to_csv('博时沪深300指数A (050002).csv',index=False,encoding="utf_8_sig")

数据清洗：

import os 
import re
import math
import pandas as pd
df_base = pd.read_csv('中欧医疗健康混合C (003096).csv')
df_avg = pd.read_csv('同类医疗基金均值.csv')
df_300 = pd.read_csv('博时沪深300指数A (050002).csv')

def data_extraction(df,col): #df_avg的col=3，其余为6
    df_flashback = df.reindex(index=df.index[::-1])
    cumulative_growth = []
    sum_up = 0
    for i in range(0,1280):
        cod = float(df_flashback.iloc[i,col])
        sum_up += cod
        cumulative_growth.append(sum_up)
    data = {
        "FSRQ":pd.Series(df_flashback["FSRQ"].values),
        "DWJZ":pd.Series(df_flashback["DWJZ"].values),
        "JZZZL":pd.Series(df_flashback["JZZZL"].values),
        "DWZZL":pd.Series(cumulative_growth)
    }
    new_df = pd.DataFrame(data)
    return new_df

3 净值可视化


这里使用pyecharts+DataFrame。pyecharts提供的方法可以使用python直接画echarts图，但是需要数行代码，而平时做数据分析时，数据多存在pandas的DataFrame里，DataFrame的plot方法可以使用matplotlib做后端，直接通过调用实例化的类的方法来绘制图像。 因此，无需在DataFrame外创建pyecharts对象，而是直接用eplot方法通过pyecharts后端来画交互图。


中欧医疗健康混合C历史净值数据可视化

from eplot import eplot
df1 = pd.Series(data_extraction(df_base,6)['DWJZ'].values.tolist(),
                  index= data_extraction(df_base,6)['FSRQ'].values.tolist())
df1.eplot()


可见，自2016年11月8日中欧医疗健康混合C成立之初，该只基金上涨一个多点，在2021年5月左右达到顶峰，净值达到了约4.5。但是，今年以来连续下跌，这也是我亏损的原因。


中欧医疗健康混合C与其他基金对比

（1）中欧医疗成立以来涨幅对比

from pyecharts.charts  import Line #导入折线图
from pyecharts import options as opts 
line=(
    Line()
    .set_global_opts(
        tooltip_opts=opts.TooltipOpts(is_show=False),
        xaxis_opts=opts.AxisOpts(type_="category"),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True),
        ),
    )
    .add_xaxis(xaxis_data=data_extraction(df_base,6)["FSRQ"].values.tolist())
    .add_yaxis(
        series_name="中欧医疗",
        y_axis=data_extraction(df_base,6)["DWZZL"].values.tolist(),
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="沪深300",
        y_axis=data_extraction(df_300,6)["DWZZL"].values.tolist(),
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="同类均值",
        y_axis=data_extraction(df_avg,3)["DWZZL"].values.tolist(),
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()


从图可见中欧医疗的涨幅已经远远超过了同类均值以及沪深300指数。由此可见，中欧医疗的业绩是非常可观的。

（2）近一年的涨幅对比

def data_extraction_year(df,col): #df_avg的col=3，其余为6
    df = df[0:366]
    df_flashback = df.reindex(index=df.index[::-1])
    cumulative_growth = []
    sum_up = 0
    for i in range(0,366):
        cod = float(df_flashback.iloc[i,col])
        cumulative_growth.append(sum_up)
        sum_up += cod
    data = {
        "FSRQ":pd.Series(df_flashback["FSRQ"].values),
        "DWJZ":pd.Series(df_flashback["DWJZ"].values),
        "JZZZL":pd.Series(df_flashback["JZZZL"].values),
        "DWZZL":pd.Series(cumulative_growth)
    }
    new_df = pd.DataFrame(data)
    return new_df

from pyecharts.charts  import Line #导入折线图
x = data_extraction_year(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_year(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_year(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_year(df_avg,3)["DWZZL"].values.tolist()
line=(
    Line()
    .set_global_opts(
        tooltip_opts=opts.TooltipOpts(is_show=False),
        xaxis_opts=opts.AxisOpts(type_="category"),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True),
        ),
    )
    .add_xaxis(xaxis_data=x)
    .add_yaxis(
        series_name="中欧医疗",
        y_axis=y1,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="沪深300",
        y_axis=y2,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="同类均值",
        y_axis=y3,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()


从图可见中欧医疗涨跌已经趋近于同类均值以及市场均值。说明近一年来的业绩已经不如前几年的业绩。虽然总体上比同类均值以及市场均值涨幅可观，但是业绩下滑是不争的事实。

（3）近三个月的涨幅对比


def data_extraction_month3(df,col): #df_avg的col=3，其余为6
    df = df[0:80]
    df_flashback = df.reindex(index=df.index[::-1])
    cumulative_growth = []
    sum_up = 0
    for i in range(0,80):
        cod = float(df_flashback.iloc[i,col])
        cumulative_growth.append(sum_up)
        sum_up += cod
    data = {
        "FSRQ":pd.Series(df_flashback["FSRQ"].values),
        "DWJZ":pd.Series(df_flashback["DWJZ"].values),
        "JZZZL":pd.Series(df_flashback["JZZZL"].values),
        "DWZZL":pd.Series(cumulative_growth)
    }
    new_df = pd.DataFrame(data)
    return new_df

from pyecharts.charts  import Line #导入折线图
x = data_extraction_month3(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_month3(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_month3(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_month3(df_avg,3)["DWZZL"].values.tolist()
line=(
    Line()
    .set_global_opts(
        tooltip_opts=opts.TooltipOpts(is_show=False),
        xaxis_opts=opts.AxisOpts(type_="category"),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True),
        ),
    )
    .add_xaxis(xaxis_data=x)
    .add_yaxis(
        series_name="中欧医疗",
        y_axis=y1,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="沪深300",
        y_axis=y2,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="同类均值",
        y_axis=y3,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()

从图可见中欧医疗的业绩已经远远不如同类均值以及市场均值，与此同时中欧医疗的基金规模不断的扩大。说明散户都认为这时是底部，大家都进行了抄底，但是由于美联储加息政策的出台，造成了情绪恐慌，市场下跌严重。而中欧医疗抗跌能力远远不及同类均值，造成了大量用户损失，这也是我损失的原因。

（4）近一个月的涨幅对比


def data_extraction_month(df,col): #df_avg的col=3，其余为6
    df = df[0:32]
    df_flashback = df.reindex(index=df.index[::-1])
    cumulative_growth = []
    sum_up = 0
    for i in range(0,32):
        cod = float(df_flashback.iloc[i,col])
        cumulative_growth.append(sum_up)
        sum_up += cod
    data = {
        "FSRQ":pd.Series(df_flashback["FSRQ"].values),
        "DWJZ":pd.Series(df_flashback["DWJZ"].values),
        "JZZZL":pd.Series(df_flashback["JZZZL"].values),
        "DWZZL":pd.Series(cumulative_growth)
    }
    new_df = pd.DataFrame(data)
    return new_df

from pyecharts.charts  import Line #导入折线图
x = data_extraction_month(df_base,6)["FSRQ"].values.tolist()
y1 = data_extraction_month(df_base,6)["DWZZL"].values.tolist()
y2 = data_extraction_month(df_300,6)["DWZZL"].values.tolist()
y3 = data_extraction_month(df_avg,3)["DWZZL"].values.tolist()
line=(
    Line()
    .set_global_opts(
        tooltip_opts=opts.TooltipOpts(is_show=False),
        xaxis_opts=opts.AxisOpts(type_="category"),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True),
        ),
    )
    .add_xaxis(xaxis_data=x)
    .add_yaxis(
        series_name="中欧医疗",
        y_axis=y1,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="沪深300",
        y_axis=y2,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .add_yaxis(
        series_name="同类均值",
        y_axis=y3,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()


从图可见医疗板块在本次市场下跌中是下跌比较严重的板块，并且中欧医疗的抗跌能力非常差，由此可以推出这只基金最大回撤率非常的高。这是股票型基金的特点——大涨大跌。根据我稳健型的投资风格，我可能会放弃这只基金，转站债券、指数基金等具有相对稳定收益的理财产品。

文章标签：
Python
数据挖掘
数据采集
数据可视化
关键词：
医疗数据分析
Python数据分析
数据分析python
基金Python
数据分析医疗
蓝色是天
目录
相关文章
游客moiomvrp3vyac2
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析，从安装必要的库到执行基础的数据操作和可视化。通过本文的学习，你将能够开始自己的数据分析之旅，并掌握如何利用Python来揭示数据背后的故事。
游客moiomvrp3vyac2
100 5
shuj
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
【10月更文挑战第42天】本文是一篇技术性文章，旨在为初学者提供一份关于如何使用Python进行数据分析的入门指南。我们将从安装必要的工具开始，然后逐步介绍如何导入数据、处理数据、进行数据可视化以及建立预测模型。本文的目标是帮助读者理解数据分析的基本步骤和方法，并通过实际的代码示例来加深理解。
shuj
81 3
小空门123-30335
|
2天前
|
机器学习/深度学习 数据采集 人工智能
设计文档：智能化医疗设备数据分析与预测维护系统
本系统的目标是构建一个基于人工智能的智能化医疗设备的数据分析及预测维护平台，实现对医疗设备运行数据的实时监控、高效处理和分析，提前发现潜在问题并进行预防性维修，从而降低故障率，提升医疗服务质量。
小空门123-30335
24 5
长梦
|
19天前
|
存储 数据采集 数据可视化
Pandas数据应用：医疗数据分析
Pandas是Python中强大的数据操作和分析库，广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案，涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题，结合Matplotlib等工具实现数据可视化，并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
长梦
64 22
冷冻工厂
|
2月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
冷冻工厂
137 4
数据分析的 10 个最佳 Python 库
天下无贼001
|
2月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始，逐步深入到数据处理和分析的方法，最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者，这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界，发现隐藏在数字背后的故事！
天下无贼001
107 5
小白学大数据
|
2月前
|
存储 数据可视化 数据挖掘
Python数据分析项目：抖音短视频达人粉丝增长趋势
Python数据分析项目：抖音短视频达人粉丝增长趋势
小白学大数据
74 1
众所周知
|
2月前
|
机器学习/深度学习 数据采集 算法
机器学习在医疗诊断中的前沿应用，包括神经网络、决策树和支持向量机等方法，及其在医学影像、疾病预测和基因数据分析中的具体应用
医疗诊断是医学的核心，其准确性和效率至关重要。本文探讨了机器学习在医疗诊断中的前沿应用，包括神经网络、决策树和支持向量机等方法，及其在医学影像、疾病预测和基因数据分析中的具体应用。文章还讨论了Python在构建机器学习模型中的作用，面临的挑战及应对策略，并展望了未来的发展趋势。
众所周知
209 1
小白学大数据
|
2月前
|
数据采集 存储 数据可视化
Python数据分析：揭秘"黑神话：悟空"Steam用户评论趋势
Python数据分析：揭秘"黑神话：悟空"Steam用户评论趋势
小白学大数据
265 1
游客qf4jmczx4xu2y
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测，以及结果的可视化展示等方面展开讲解。通过这篇文章，你将了解到Python在数据处理和分析中的强大功能，以及如何利用这些工具来提升你的工作效率。
游客qf4jmczx4xu2y
55 1

热门文章

最新文章

  • 1
    数据分析经典案例重现：使用DataWorks Notebook 实现Kaggle竞赛之房价预测，成为数据分析大神！
  • 2
    Pandas数据应用：电子商务数据分析
  • 3
    Pandas数据应用：天气数据分析
  • 4
    欢迎使用Quick BI，开启您的智能数据分析之旅！
  • 5
    OLAP技术：数据分析的修仙秘籍初探
  • 6
    手把手进行数据分析，解锁游戏行为画像
  • 7
    常用电商商品数据API接口（item get）概述，数据分析以及上货
  • 8
    Pandas数据应用：医疗数据分析
  • 9
    Pandas数据应用：股票数据分析
  • 10
    公司监控软件：SAS 数据分析引擎驱动网络异常精准检测
  • 1
    随机的暴力美学蒙特卡洛方法 | python小知识
    37
  • 2
    Python 在企业级应用中的两大硬伤
    19
  • 3
    如何使用 Python 进行文件读写操作？
    61
  • 4
    使用 OpenCV 和 Python 轻松实现人脸检测
    26
  • 5
    U 盘管控情境下 Python 二叉搜索树算法的深度剖析与探究
    12
  • 6
    金融波动率的多模型建模研究：GARCH族与HAR模型的Python实现与对比分析
    87
  • 7
    【03】做一个精美的打飞机小游戏，规划游戏项目目录-分门别类所有的资源-库-类-逻辑-打包为可玩的exe-练习python打包为可执行exe-优雅草卓伊凡-持续更新-分享源代码和游戏包供游玩-1.0.2版本
    46
  • 8
    Python执行Shell命令并获取结果：深入解析与实战
    39
  • 9
    python安装、vscode安装、conda安装：一文搞定Python的开发环境（史上最全）
    48
  • 10
    深度解密：员工飞单需要什么证据之Python算法洞察
    26

    • 相关课程

    更多
  • Python 脚本进阶
  • Python入门 2020年版
  • Quick BI在业务数据分析中的实战应用
  • Python 数据分析库 Pandas 快速入门
  • 深入理解数据分析
  • 场景实践-通过阿里云数据分析工具实现共享单车骑行分析

    • 相关电子书

    更多
  • Python第四讲——使用IPython/Jupyter Notebook与日志服务玩转超大规模数据分析与可视化
  • 互联网下半场的角逐，玩转轻资产的大数据服务—图（关系网络）数据分析与阿里应用
  • 如何使用大数据计算服务 MaxCompute进行数据分析

    • 相关实验场景

    更多
  • 用Python画圣诞树
  • 倚天大数据电商数据分析快速实践
  • 玩转MaxCompute SQL! 30分钟搞定数据分析挖掘
  • AnalyticDB MySQL游戏行业数据分析实践
  • Github实时数据分析与可视化
  • 云端Python及基本操作

    • 推荐镜像

    更多
  • python-release
  • nodejs-release
  • debian-cd
    • 下一篇
    阿里云oss简介和如何对接使用