Python 金融编程第二版（GPT 重译）（一）（1）https://developer.aliyun.com/article/1559380
使用 Python 进行性能计算
Python 本身不是一种高性能计算技术。然而，Python 已经发展成为访问当前性能技术的理想平台。从这个意义上说，Python 已经成为一种 性能计算的粘合语言。
后面的章节将详细介绍这三种技术。目前，我们希望使用一个简单但仍然现实的例子，涉及这三种技术。
在金融分析中，一个相当常见的任务是在大量数字数组上评估复杂的数学表达式。为此，Python 本身提供了一切所需的：
In [14]: loops = 2500000 import math a = range(1, loops) def f(x): return 3 * math.log(x) + math.cos(x) ** 2 %timeit r = [f(x) for x in a] 1.52 s ± 29.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
在这种情况下，Python 解释器需要 1.5 秒来评估函数 f 250 万次。
同样的任务可以使用NumPy来实现，它提供了优化（即，预编译）的函数来处理这种基于数组的操作：
In [15]: import numpy as np a = np.arange(1, loops) %timeit r = 3 * np.log(a) + np.cos(a) ** 2 83.3 ms ± 1.16 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
使用NumPy可以大大减少执行时间至 90 毫秒。
然而，甚至有一个专门致力于这种任务的库。它被称为 numexpr，表示“数值表达式”。它将表达式编译以改进NumPy的一般功能，例如，在此过程中避免数组的内存副本：
In [16]: import numexpr as ne ne.set_num_threads(1) f = '3 * log(a) + cos(a) ** 2' %timeit r = ne.evaluate(f) 78.2 ms ± 4.08 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
使用这种更专业的方法进一步将执行时间缩短到 80 毫秒。然而，numexpr 也具有内置功能来并行执行相应的操作。这使我们能够使用 CPU 的多个线程：
In [17]: ne.set_num_threads(4) %timeit r = ne.evaluate(f) 21.9 ms ± 113 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
这将执行时间进一步缩短到约 25 毫秒，在此情况下，使用了四个线程。总体而言，这是性能提升超过 50 倍。特别注意，这种改进是可能的，而不需要改变基本的问题/算法，也不需要了解编译或并行化问题。即使是非专家也可以从高层次访问这些功能。当然，必须意识到存在哪些功能和选项。
该示例显示了 Python 提供了许多选项，以充分利用现有资源——即，提高生产力。使用顺序方法，每秒完成大约 31 百万次评估，而并行方法允许每秒进行超过 100 百万次评估——在这种情况下，只需告诉 Python 使用所有可用的 CPU 线程，而不是只使用一个线程。
从原型设计到生产
在交互式分析中的效率以及在执行速度方面的性能无疑是考虑 Python 的两个好处。然而，使用 Python 进行金融交易的另一个主要好处乍一看可能似乎有点微妙；第二次看可能会表现为一个重要的战略因素。这就是可以从原型设计到生产都可以使用 Python 的可能性。
当涉及到金融开发流程时，全球金融机构的实践通常以分离的、两步的过程为特征。一方面，有量化分析师（“量化分析师”）负责模型开发和技术原型设计。他们喜欢使用像Matlab和R这样的工具和环境，这些工具和环境允许进行快速、交互式的应用程序开发。在开发工作的这个阶段，性能、稳定性、异常管理、数据访问和分析的分离等问题并不那么重要。主要是在寻找概念验证和/或展示算法或整个应用程序主要期望功能的原型。
一旦原型完成，IT 部门与其开发人员接管并负责将现有的原型代码转换为可靠、可维护和高性能的生产代码。通常，在这个阶段会发生范式转变，使用像C++或Java这样的语言来满足生产的要求。此外，还会应用正式的开发流程，包括专业工具、版本控制等。
这种两步法的做法通常会产生一些通常意义上不期而遇的后果：
低效
原型代码不可重用；算法必须实现两次；冗余的工作需要时间和资源。
多样化的技能组合
不同部门展示出不同的技能集，并使用不同的语言来实现“相同的事物”。
遗留代码
代码可用且必须用不同的语言进行维护，通常使用不同的实现风格（例如，从架构的角度来看）。
另一方面，使用 Python 可以实现从最初的交互式原型设计步骤到高度可靠且高效可维护的生产代码的简化端到端流程。不同部门之间的沟通变得更容易。员工培训也更加简化，因为只有一种主要语言涵盖了金融应用构建的所有领域。它还避免了在开发过程的不同步骤中使用不同技术时固有的低效和冗余。总而言之，Python 几乎可以为金融应用开发和算法实现的几乎所有任务提供一致的技术框架。
人工智能优先金融
数据可用性
机器学习和深度学习
传统与人工智能优先金融
结论
Python 作为一种语言——但更多作为一个生态系统——是金融行业的理想技术框架。它具有许多优点，如优雅的语法、高效的开发方法以及适用于原型设计和生产等方面的可用性。凭借其大量可用的库和工具，Python 似乎对金融行业的最新发展所提出的大多数问题都有答案，例如分析、数据量和频率、合规性和监管，以及技术本身。它有潜力提供一个单一、强大、一致的框架，可以使端到端的开发和生产工作流程变得更加顺畅，即使是在较大的金融机构之间也是如此。
进一步阅读
以下书籍由同一作者撰写，详细介绍了本章中只是简要提及的许多方面（例如衍生品分析）：
- Hilpisch, Yves (2015): Python 衍生品分析. Wiley Finance, Chichester, England. http://derivatives-analytics-with-python.com。
本章引用的语录来自以下资源：
- Crosman, Penny (2013): “银行将如何使用其 2014 年 IT 预算的 8 种方式。” 银行技术新闻。
- Deutsche Börse Group (2008): “全球衍生品市场——简介。” 白皮书。
- Ding, Cubillas (2010): “优化场外交易定价和估值基础设施。” Celent 研究。
- Lewis, Michael (2014): 闪电少年. W. W. Norton & Company, New York.
- Patterson, Scott (2010): 量化分析师. Crown Business, New York.
¹ 例如，Python 是纽约市立大学巴鲁克学院金融工程硕士课程中使用的主要语言（请参阅http://mfe.baruch.cuny.edu）。
² 请参阅http://wiki.python.org/moin/BeginnersGuide，在那里您将找到许多对于初学者和非开发人员来说开始使用 Python 非常有价值的资源链接。
³ [Link to Come]提供了在随机数生成的背景下使用现代 GPGPU 的好处的示例。
第二章：Python 基础设施
在建造房屋时，有木材选择的问题。
重要的是，木匠的目标是携带能够良好切割的设备，并在有时间时磨削这些设备。
宫本武藏（《五轮书》）
介绍
对于新接触 Python 的人来说，Python 部署似乎一切都不简单。对于可以选择安装的丰富库和包也是如此。首先，Python 不只有 一个 版本。 Python 有许多不同的版本，如 CPython，Jython，IronPython 或 PyPy。然后仍然存在 Python 2.7 和 3.x 世界之间的差异。[¹] 接下来，本章重点关注 CPython，迄今为止最流行的 Python 编程语言版本，以及 版本 3.6。
即使专注于 CPython 3.6（以下简称Python），部署也因许多其他原因变得困难：
- 解释器（标准 CPython 安装）只带有所谓的 标准库（例如，涵盖典型的数学函数）
- 可选的 Python 包需要单独安装 —— 而且有数百个
- 由于依赖关系和操作系统特定要求，编译/构建这些非标准包可能会很棘手
- 要注意这些依赖关系并保持版本一致性随着时间的推移（即维护）通常是繁琐且耗时的。
- 对某些包的更新和升级可能导致需要重新编译大量其他包
- 更改或替换一个包可能会在（许多）其他地方引起麻烦
幸运的是，有一些工具和策略可用于帮助解决 Python 部署问题。本章介绍了以下几种有助于 Python 部署的技术类型：
- 包管理器：像
pip或conda这样的包管理器有助于安装、更新和删除 Python 包；它们还有助于不同包的版本一致性 - 虚拟环境管理器：虚拟环境管理器如
virtualenv或conda允许并行管理多个 Python 安装（例如，在单个计算机上同时拥有 Python 2.7 和 3.6 安装，或者在不冒风险的情况下测试最新的流行 Python 包的开发版本） - 容器：Docker容器代表包含运行某个软件所需的所有系统部件的完整文件系统，如代码、运行时或系统工具；例如，你可以在运行 Mac OS 或 Windows 10 的机器上运行一个包含 Ubuntu 16.04 操作系统、Python 3.6 安装和相应 Python 代码的 Docker 容器中运行。
- 云实例：部署用于算法交易的 Python 代码通常需要高可用性、安全性和性能；这些要求通常只能通过使用现在以有吸引力条件提供的专业计算和存储基础设施来满足，这些基础设施形式可从相对较小到真正大型和强大的云实例；与长期租用的专用服务器相比，云实例，即虚拟服务器的一个好处是，用户通常只需支付实际使用的小时数；另一个优点是，如果需要，这些云实例可以在一两分钟内立即使用，这有助于敏捷开发和可扩展性。
本章的结构如下所示
“Conda 作为包管理器”
本节介绍了conda作为 Python 的包管理器。
“作为虚拟环境管理器的 Conda”
本节重点介绍conda作为虚拟环境管理器的功能。
“使用 Docker 容器化”
本节简要介绍 Docker 作为容器化技术，并侧重于构建具有 Python 3.6 安装的基于 Ubuntu 的容器。
“使用云实例”
本节展示了如何在云中部署 Python 和 Jupyter Notebook —— 作为强大的基于浏览器的工具套件 —— 用于 Python 开发。
本章的目标是在专业基础设施上具有正确的 Python 安装，并可用最重要的数值和数据分析包，然后这种组合作为在后续章节中实现和部署 Python 代码的骨干，无论是交互式的金融分析代码还是脚本和模块形式的代码。
Conda 作为包管理器
虽然conda可以单独安装，但高效的方式是通过 Miniconda，这是一个包括conda作为包和虚拟环境管理器的最小 Python 发行版。
安装 Miniconda 3.6
您可以在Miniconda 页面上下载不同版本的 Miniconda。在接下来的内容中，假定使用 Python 3.6 64 位版本，该版本适用于 Linux、Windows 和 Mac OS。本小节的主要示例是在基于 Ubuntu 的 Docker 容器中进行会话，通过 wget 下载 Linux 64 位安装程序，然后安装 Miniconda。如所示的代码应在任何其他基于 Linux 或 Mac OS 的机器上无需修改即可正常工作。
$ docker run -ti -h py4fi -p 9999:9999 ubuntu:latest /bin/bash root@py4fi:/# apt-get update; apt-get upgrade -y ... root@py4fi:/# apt-get install wget bzip2 gcc ... root@py4fi:/# wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh --2017-11-04 10:52:09-- https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh Resolving repo.continuum.io (repo.continuum.io)... 104.16.19.10, 104.16.18.10, 2400:cb00:2048:1::6810:120a, ... Connecting to repo.continuum.io (repo.continuum.io)|104.16.19.10|:443... connected. HTTP request sent, awaiting response... 200 OK Length: 54167345 (52M) [application/x-sh] Saving to: 'Miniconda3-latest-Linux-x86_64.sh' Miniconda3-latest-Lin 100%[=======================>] 51.66M 1.57MB/s in 32s 2017-11-04 10:52:41 (1.62 MB/s) - 'Miniconda3-latest-Linux-x86_64.sh' saved [54167345/54167345] root@py4fi:/# bash Miniconda3-latest-Linux-x86_64.sh Welcome to Miniconda3 4.3.30 In order to continue the installation process, please review the license agreement. Please, press ENTER to continue >>>
简单地按下ENTER键即可开始安装过程。在审查许可协议后，通过回答yes来批准条款。
Do you approve the license terms? [yes|no] >>> yes Miniconda3 will now be installed into this location: /root/miniconda3 - Press ENTER to confirm the location - Press CTRL-C to abort the installation - Or specify a different location below [/root/miniconda3] >>> PREFIX=/root/miniconda3 installing: python-3.6.3-hc9025b9_1 ... Python 3.6.3 :: Anaconda, Inc. installing: ca-certificates-2017.08.26-h1d4fec5_0 ... installing: conda-env-2.6.0-h36134e3_1 ... installing: libgcc-ng-7.2.0-h7cc24e2_2 ... installing: libstdcxx-ng-7.2.0-h7a57d05_2 ... installing: libffi-3.2.1-h4deb6c0_3 ... installing: ncurses-6.0-h06874d7_1 ... installing: openssl-1.0.2l-h077ae2c_5 ... installing: tk-8.6.7-h5979e9b_1 ... installing: xz-5.2.3-h2bcbf08_1 ... installing: yaml-0.1.7-h96e3832_1 ... installing: zlib-1.2.11-hfbfcf68_1 ... installing: libedit-3.1-heed3624_0 ... installing: readline-7.0-hac23ff0_3 ... installing: sqlite-3.20.1-h6d8b0f3_1 ... installing: asn1crypto-0.22.0-py36h265ca7c_1 ... installing: certifi-2017.7.27.1-py36h8b7b77e_0 ... installing: chardet-3.0.4-py36h0f667ec_1 ... installing: idna-2.6-py36h82fb2a8_1 ... installing: pycosat-0.6.2-py36h1a0ea17_1 ... installing: pycparser-2.18-py36hf9f622e_1 ... installing: pysocks-1.6.7-py36hd97a5b1_1 ... installing: ruamel_yaml-0.11.14-py36ha2fb22d_2 ... installing: six-1.10.0-py36hcac75e4_1 ... installing: cffi-1.10.0-py36had8d393_1 ... installing: setuptools-36.5.0-py36he42e2e1_0 ... installing: cryptography-2.0.3-py36ha225213_1 ... installing: wheel-0.29.0-py36he7f4e38_1 ... installing: pip-9.0.1-py36h8ec8b28_3 ... installing: pyopenssl-17.2.0-py36h5cc804b_0 ... installing: urllib3-1.22-py36hbe7ace6_0 ... installing: requests-2.18.4-py36he2e5f8d_1 ... installing: conda-4.3.30-py36h5d9f9f4_0 ... installation finished.
在您同意许可条款并确认安装位置之后，您应该允许 Miniconda 将新的 Miniconda 安装位置添加到 PATH 环境变量中，通过再次回答 yes。
Do you wish the installer to prepend the Miniconda3 install location to PATH in your /root/.bashrc ? [yes|no] [no] >>> yes
完成这个相当简单的安装过程后，现在既有一个基本的 Python 安装，也有conda可用。基本的 Python 安装已经包含了一些不错的功能，比如 SQLite3 数据库引擎。您可以尝试看看是否可以在新的 shell 实例中启动 Python，或者在追加相关路径到相应的环境变量后启动 Python。
root@py4fi:/# export PATH="/root/miniconda3/bin/:$PATH" root@py4fi:/# python Python 3.6.3 |Anaconda, Inc.| (default, Oct 13 2017, 12:02:49) [GCC 7.2.0] on linux Type "help", "copyright", "credits" or "license" for more information. >>> print('Hello Algo Trading World.') Hello Algo Trading World. >>> exit() root@py4fi:/#
Conda 基本操作
Conda 可以高效地处理，安装，更新和删除 Python 包，等等。以下列表提供了主要功能的概述。
安装 Python x.x
conda install python=x.x
更新 Python
conda update python
安装一个包
conda install $PACKAGE_NAME
更新一个包
conda update $PACKAGE_NAME
移除一个包
conda remove $PACKAGE_NAME
更新 conda 本身
conda update conda
搜索包
conda search $SEARCH_TERM
列出已安装的包
conda list
有了这些功能，例如，安装NumPy——作为所谓科学堆栈中最重要的库之一——只需一条命令。当在装有英特尔处理器的机器上进行安装时，该过程会自动安装英特尔数学核心库 mkl，这不仅加速了在英特尔机器上的NumPy的数值操作，还加速了其他几个科学 Python 包的数值操作。
root@py4fi:/# conda install numpy Fetching package metadata ........... Solving package specifications: . Package plan for installation in environment /root/miniconda3: The following NEW packages will be INSTALLED: intel-openmp: 2018.0.0-h15fc484_7 mkl: 2018.0.0-hb491cac_4 numpy: 1.13.3-py36ha12f23b_0 Proceed ([y]/n)? y intel-openmp-2 100% |######################################| Time: 0:00:00 1.78 MB/s mkl-2018.0.0-h 100% |######################################| Time: 0:01:27 2.08 MB/s numpy-1.13.3-p 100% |######################################| Time: 0:00:02 1.36 MB/s root@py4fi:/#
也可以一次性安装多个包。-y 标志表示所有（可能的）问题都应回答“是”。
conda install -y ipython matplotlib pandas pytables scipy seaborn
安装完成后，除了标准库之外，一些金融分析中最重要的库也可用。
一个改进的交互式 Python shell
Python 中的标准绘图库
高效处理数值数组
管理表格数据，如金融时间序列数据
用于HDF5库的 Python 封装
一组科学类和函数（作为依赖项安装）
一个绘图库，添加了统计功能和良好的绘图默认值
这提供了一套用于一般数据分析和金融分析的基本工具集。下面的示例使用 IPython 并使用 NumPy 绘制一组伪随机数。
root@py4fi:/# ipython Python 3.6.3 |Anaconda, Inc.| (default, Oct 13 2017, 12:02:49) Type 'copyright', 'credits' or 'license' for more information IPython 6.1.0 -- An enhanced Interactive Python. Type '?' for help. In [1]: import numpy as np In [2]: np.random.standard_normal((5, 4)) Out[2]: array([[-0.11906643, 0.65717731, 0.3763829 , 0.04928928], [-0.88728758, -0.41263027, -0.70284906, -0.42948971], [-0.43964908, -0.21453161, 0.63860994, -0.24972815], [-0.50119552, -0.68807591, -0.03928424, 3.03200697], [-0.19549982, 0.92946315, -1.86523627, 0.37608079]]) In [3]: exit root@py4fi:/#
执行 conda list 可以验证安装了哪些包。
root@py4fi:/# conda list # packages in environment at /root/miniconda3: # asn1crypto 0.22.0 py36h265ca7c_1 bzip2 1.0.6 h0376d23_1 ca-certificates 2017.08.26 h1d4fec5_0 certifi 2017.7.27.1 py36h8b7b77e_0 cffi 1.10.0 py36had8d393_1 chardet 3.0.4 py36h0f667ec_1 conda 4.3.30 py36h5d9f9f4_0 conda-env 2.6.0 h36134e3_1 cryptography 2.0.3 py36ha225213_1 cycler 0.10.0 py36h93f1223_0 ... matplotlib 2.1.0 py36hba5de38_0 mkl 2018.0.0 hb491cac_4 ncurses 6.0 h06874d7_1 numexpr 2.6.2 py36hdd3393f_1 numpy 1.13.3 py36ha12f23b_0 openssl 1.0.2l h077ae2c_5 pandas 0.20.3 py36h842e28d_2 ... python 3.6.3 hc9025b9_1 python-dateutil 2.6.1 py36h88d3b88_1 pytz 2017.2 py36hc2ccc2a_1 qt 5.6.2 h974d657_12 readline 7.0 hac23ff0_3 requests 2.18.4 py36he2e5f8d_1 ruamel_yaml 0.11.14 py36ha2fb22d_2 scipy 0.19.1 py36h9976243_3 seaborn 0.8.0 py36h197244f_0 setuptools 36.5.0 py36he42e2e1_0 simplegeneric 0.8.1 py36h2cb9092_0 sip 4.18.1 py36h51ed4ed_2 six 1.10.0 py36hcac75e4_1 sqlite 3.20.1 h6d8b0f3_1 statsmodels 0.8.0 py36h8533d0b_0 tk 8.6.7 h5979e9b_1 tornado 4.5.2 py36h1283b2a_0 traitlets 4.3.2 py36h674d592_0 urllib3 1.22 py36hbe7ace6_0 wcwidth 0.1.7 py36hdf4376a_0 wheel 0.29.0 py36he7f4e38_1 xz 5.2.3 h2bcbf08_1 yaml 0.1.7 h96e3832_1 zlib 1.2.11 hfbfcf68_1 root@py4fi:/#
如果一个包不再需要，则可以使用 conda remove 高效地移除它。
root@py4fi:/# conda remove seaborn Fetching package metadata ........... Solving package specifications: . Package plan for package removal in environment /root/miniconda3: The following packages will be REMOVED: seaborn: 0.8.0-py36h197244f_0 Proceed ([y]/n)? y root@py4fi:/#
作为包管理器的conda已经非常有用。但是，只有在添加虚拟环境管理时，其全部功能才会显现出来。
提示
conda 作为一个包管理器，使得安装、更新和移除 Python 包变得愉快。不再需要自行构建和编译包 — 有时候这可能会很棘手，因为一个包指定了一长串依赖项，而且还要考虑到在不同操作系统上的特定情况。
Conda 作为虚拟环境管理器
安装了包含 conda 的 Miniconda 后，会根据选择的 Miniconda 版本提供一个默认的 Python 安装。conda 的虚拟环境管理功能允许在 Python 3.6 默认安装中添加一个完全独立的 Python 2.7.x 安装。为此，conda 提供了以下功能。
创建一个虚拟环境
conda create --name $ENVIRONMENT_NAME
激活一个环境
source activate $ENVIRONMENT_NAME
停用一个环境
source deactivate $ENVIRONMENT_NAME
移除一个环境
conda-env remove --name $ENVIRONMENT_NAME
导出到一个环境文件
conda env export > $FILE_NAME
从文件创建一个环境
conda env create -f $FILE_NAME
列出所有环境
conda info --envs
作为一个简单的示例，接下来的示例代码创建了一个名为 py27 的环境，安装了 IPython 并执行了一行 Python 2.7.x 代码。
root@py4fi:/# conda create --name py27 python=2.7 Fetching package metadata ........... Solving package specifications: . Package plan for installation in environment /root/miniconda3/envs/py27: The following NEW packages will be INSTALLED: ca-certificates: 2017.08.26-h1d4fec5_0 certifi: 2017.7.27.1-py27h9ceb091_0 libedit: 3.1-heed3624_0 libffi: 3.2.1-h4deb6c0_3 libgcc-ng: 7.2.0-h7cc24e2_2 libstdcxx-ng: 7.2.0-h7a57d05_2 ncurses: 6.0-h06874d7_1 openssl: 1.0.2l-h077ae2c_5 pip: 9.0.1-py27ha730c48_4 python: 2.7.14-h89e7a4a_22 readline: 7.0-hac23ff0_3 setuptools: 36.5.0-py27h68b189e_0 sqlite: 3.20.1-h6d8b0f3_1 tk: 8.6.7-h5979e9b_1 wheel: 0.29.0-py27h411dd7b_1 zlib: 1.2.11-hfbfcf68_1 Proceed ([y]/n)? y Fetching package metadata ........... Solving package specifications: . ... # # To activate this environment, use: # > source activate py27 # # To deactivate an active environment, use: # > source deactivate # root@py4fi:/#
注意，在激活环境后提示符如何变为 (py27)。²
root@py4fi:/# source activate py27 (py27) root@py4fi:/# conda install -y ipython Fetching package metadata ........... Solving package specifications: . ...
最后，使用 Python 2.7 语法的 IPython。
(py27) root@py4fi:/# ipython Python 2.7.14 |Anaconda, Inc.| (default, Oct 27 2017, 18:21:12) Type "copyright", "credits" or "license" for more information. IPython 5.4.1 -- An enhanced Interactive Python. ? -> Introduction and overview of IPython's features. %quickref -> Quick reference. help -> Python's own help system. object? -> Details about 'object', use 'object??' for extra details. In [1]: print "Hello Algo Trading World!" Hello Algo Trading World! In [2]: exit (py27) root@py4fi:/#
正如这个例子所示，conda 作为一个虚拟环境管理器允许在一起安装不同的 Python 版本。它还允许安装某些包的不同版本。默认 Python 安装不受这种过程的影响，也不受同一台机器上可能存在的其他环境的影响。所有可用的环境可以通过 conda info --envs 显示。
(py27) root@py4fi:/# conda info --envs # conda environments: # py27 * /root/miniconda3/envs/py27 root /root/miniconda3 (py27) root@py4fi:/#
有时需要与他人共享环境信息或在多台机器上使用环境信息。为此，可以使用 conda env export 将安装的包列表导出到一个文件中。
(py27) root@py4fi:/# conda env export > py27env.yml (py27) root@py4fi:/# cat py27env.yml name: py27 channels: - defaults dependencies: - backports=1.0=py27h63c9359_1 - backports.shutil_get_terminal_size=1.0.0=py27h5bc021e_2 - ca-certificates=2017.08.26=h1d4fec5_0 - certifi=2017.7.27.1=py27h9ceb091_0 - decorator=4.1.2=py27h1544723_0 - enum34=1.1.6=py27h99a27e9_1 - ipython=5.4.1=py27h36c99b6_1 - ipython_genutils=0.2.0=py27h89fb69b_0 - libedit=3.1=heed3624_0 - libffi=3.2.1=h4deb6c0_3 - libgcc-ng=7.2.0=h7cc24e2_2 - libstdcxx-ng=7.2.0=h7a57d05_2 - ncurses=6.0=h06874d7_1 - openssl=1.0.2l=h077ae2c_5 - pathlib2=2.3.0=py27h6e9d198_0 - pexpect=4.2.1=py27hcf82287_0 - pickleshare=0.7.4=py27h09770e1_0 - pip=9.0.1=py27ha730c48_4 - prompt_toolkit=1.0.15=py27h1b593e1_0 - ptyprocess=0.5.2=py27h4ccb14c_0 - pygments=2.2.0=py27h4a8b6f5_0 - python=2.7.14=h89e7a4a_22 - readline=7.0=hac23ff0_3 - scandir=1.6=py27hf7388dc_0 - setuptools=36.5.0=py27h68b189e_0 - simplegeneric=0.8.1=py27h19e43cd_0 - six=1.11.0=py27h5f960f1_1 - sqlite=3.20.1=h6d8b0f3_1 - tk=8.6.7=h5979e9b_1 - traitlets=4.3.2=py27hd6ce930_0 - wcwidth=0.1.7=py27h9e3e1ab_0 - wheel=0.29.0=py27h411dd7b_1 - zlib=1.2.11=hfbfcf68_1 - pip: - backports.shutil-get-terminal-size==1.0.0 - ipython-genutils==0.2.0 - prompt-toolkit==1.0.15 prefix: /root/miniconda3/envs/py27 (py27) root@py4fi:/#
通常，虚拟环境（从技术上讲，不过是一种特定的（子）文件夹结构）是为了进行一些快速测试而创建的。在这种情况下，通过 conda env remove 轻松删除环境。
(py27) root@py4fi:/# source deactivate root@py4fi:/# conda env remove --name py27 Package plan for package removal in environment /root/miniconda3/envs/py27: The following packages will be REMOVED: backports: 1.0-py27h63c9359_1 backports.shutil_get_terminal_size: 1.0.0-py27h5bc021e_2 ca-certificates: 2017.08.26-h1d4fec5_0 certifi: 2017.7.27.1-py27h9ceb091_0 ... traitlets: 4.3.2-py27hd6ce930_0 wcwidth: 0.1.7-py27h9e3e1ab_0 wheel: 0.29.0-py27h411dd7b_1 zlib: 1.2.11-hfbfcf68_1 Proceed ([y]/n)? y #
这就结束了 conda 作为虚拟环境管理器的概述。
提示
conda 不仅帮助管理包，还是 Python 的虚拟环境管理器。它简化了不同 Python 环境的创建，允许在同一台机器上有多个 Python 版本和可选包可用，而且它们之间互不影响。conda 还允许将环境信息导出，以便在多台机器上轻松复制它或与他人共享。
使用 Docker 容器化
Docker 容器已经风靡了 IT 世界。尽管技术仍然很年轻，但它已经确立了自己作为几乎任何类型软件应用的高效开发和部署的基准之一。
对于我们的目的，将 Docker 容器视为一个分离的（“容器化的”）文件系统足以包含操作系统（例如服务器上的 Ubuntu 16.04），一个（Python）运行时，额外的系统和开发工具以及根据需要的其他（Python）库和软件包。这样的 Docker 容器可以在具有 Windows 10 的本地机器上运行，也可以在具有 Linux 操作系统的云实例上运行，例如。
本节不允许深入探讨 Docker 容器的有趣细节。它更多地是对 Docker 技术在 Python 部署上的简要说明。⁴
Docker 镜像和容器
然而，在进入说明之前，谈论 Docker 时需要区分两个基本术语。第一个是Docker 镜像，可以类比为 Python 类。第二个是Docker 容器，可以类比为相应 Python 类的实例。
在更技术层面上，在Docker 术语表中找到了对Docker 镜像的以下定义：
Docker 镜像是容器的基础。一个镜像是一组有序的根文件系统更改和相应的执行参数，用于容器运行时。一个镜像通常包含叠加在彼此上面的分层文件系统的联合。镜像没有状态，永远不会改变。
同样，您可以在Docker 术语表中找到对Docker 容器的以下定义，它将类比为 Python 类和这些类的实例：
容器是 Docker 镜像的运行时实例。Docker 容器包括：一个 Docker 镜像，一个执行环境和一组标准指令。
根据操作系统的不同，安装 Docker 的方式略有不同。这就是为什么本节不涉及相应细节的原因。详细信息请参阅安装 Docker 引擎页面。
构建一个 Ubuntu 和 Python Docker 镜像
本小节说明了基于最新版本的 Ubuntu 构建 Docker 镜像的过程，该镜像包含 Miniconda 以及一些重要的 Python 包。此外，它还通过更新 Linux 软件包索引，必要时升级软件包，并安装某些额外的系统工具来进行一些 Linux 的维护工作。为此，需要两个脚本。一个是在 Linux 级别执行所有工作的bash脚本。⁵另一个是所谓的Dockerfile，它控制镜像本身的构建过程。
示例 2-1 中的 bash 脚本负责安装，由三个主要部分组成。第一部分处理 Linux 的基本事务。第二部分安装 Miniconda，而第三部分安装可选的 Python 包。内联还有更详细的注释。
示例 2-1. 安装 Python 和可选包的脚本
#!/bin/bash # # Script to Install # Linux System Tools and # Basic Python Components # # Python for Finance # (c) Dr. Yves J. Hilpisch # # GENERAL LINUX apt-get update # updates the package index cache apt-get upgrade -y # updates packages # installs system tools apt-get install -y bzip2 gcc git htop screen vim wget apt-get upgrade -y bash # upgrades bash if necessary apt-get clean # cleans up the package index cache # INSTALL MINICONDA # downloads Miniconda wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -O Miniconda.sh bash Miniconda.sh -b # installs it rm -rf Miniconda.sh # removes the installer export PATH="/root/miniconda3/bin:$PATH" # prepends the new path # INSTALL PYTHON LIBRARIES conda install -y pandas # installs pandas conda install -y ipython # installs IPython shell
示例 2-2 中的 Dockerfile 使用 示例 2-1 中的 bash 脚本构建新的 Docker 镜像。它还将其主要部分作为注释内联。
示例 2-2. 构建镜像的 Dockerfile
# # Building a Docker Image with # the Latest Ubuntu Version and # Basic Python Install # # Python for Finance # (c) Dr. Yves J. Hilpisch # # latest Ubuntu version FROM ubuntu:latest # information about maintainer MAINTAINER yves # add the bash script ADD install.sh / # change rights for the script RUN chmod u+x /install.sh # run the bash script RUN /install.sh # prepend the new path ENV PATH /root/miniconda3/bin:$PATH # execute IPython when container is run CMD ["ipython"]
如果这两个文件在同一个文件夹中，并且已安装 Docker，则构建新的 Docker 镜像就很简单。在这里，标签 ubuntupython 用于该镜像。这个标签在需要引用镜像时很重要，例如在基于它运行容器时。
macbookpro:~/Docker$ docker build -t py4fi:basic . Sending build context to Docker daemon 29.7kB Step 1/7 : FROM ubuntu:latest ---> 747cb2d60bbe ... Step 7/7 : CMD ["ipython"] ---> Running in fddb07301003 Removing intermediate container fddb07301003 ---> 60a180c9cfa6 Successfully built 60a180c9cfa6 Successfully tagged py4fi:basic macbookpro:~/Docker$
可以通过 docker images 列出现有的 Docker 镜像。新镜像应该位于列表的顶部。
macbookpro:~/Docker$ docker images REPOSITORY TAG IMAGE ID CREATED SIZE py4fi basic 60a180c9cfa6 About a minute ago 1.65GB ubuntu python 9fa4649d110f 4 days ago 2.46GB <none> <none> 5ac1e7b7bd9f 4 days ago 2.46GB ubuntu base bcee12a18154 6 days ago 2.29GB <none> <none> 032acb2af94c 6 days ago 122MB tpq python a9dc75f040f6 12 days ago 2.55GB ubuntu latest 747cb2d60bbe 3 weeks ago 122MB macbookpro:~/Docker$
成功构建 ubuntupython 镜像后，可以使用 docker run 运行相应的 Docker 容器。参数组合 -ti 用于在 Docker 容器中运行交互式进程，比如 shell 进程（参见 Docker Run 参考页）。
macbookpro:~/Docker$ docker run -ti py4fi:basic Python 3.6.3 |Anaconda, Inc.| (default, Oct 13 2017, 12:02:49) Type 'copyright', 'credits' or 'license' for more information IPython 6.1.0 -- An enhanced Interactive Python. Type '?' for help. In [1]: import numpy as np In [2]: a = np.random.standard_normal((5, 3)) In [3]: import pandas as pd In [4]: df = pd.DataFrame(a, columns=['a', 'b', 'c']) In [5]: df Out[5]: a b c 0 0.062129 0.040233 0.494589 1 -0.681517 -0.307187 -0.476016 2 0.861527 0.438467 -1.656811 3 -1.402893 0.611978 0.238889 4 0.876606 0.746728 0.840246 In [6]:
退出 IPython 也将退出容器，因为它是容器中唯一运行的应用程序。然而，你可以通过
Ctrl+p --> Ctrl+q
从容器中分离后，docker ps 命令显示运行的容器（可能还有其他当前正在运行的容器）：
macbookpro:~/Dropbox/Platform/algobox/algobook/book/code/Docker$ docker ps CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES 98b95440f962 py4fi:basic "ipython" 3 minutes ago Up 3 minutes wonderful_neumann 4b85dfc94780 ubuntu:latest "/bin/bash" About an hour ago Up About an hour 0.0.0.0:9999->9999/tcp musing_einstein macbookpro:~/Docker$
通过 docker attach $CONTAINER_ID（注意，容器 ID 的几个字母就足够了）连接到 Docker 容器：
macbookpro:~/Docker$ docker attach 98b95 In [6]: df.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 5 entries, 0 to 4 Data columns (total 3 columns): a 5 non-null float64 b 5 non-null float64 c 5 non-null float64 dtypes: float64(3) memory usage: 200.0 bytes In [7]: exit macbookpro:~/Docker$
exit 命令终止 IPython，从而终止 Docker 容器。它可以通过 docker rm 删除。
macbookpro:~/Docker$ docker rm 98b95 d9efb macbookpro:~/Docker$
类似地，如果不再需要，可以通过 docker rmi 删除 Docker 镜像 ubuntupython。虽然容器相对轻量级，但单个镜像可能会消耗大量存储空间。在 py4fi:basic 镜像的情况下，其大小超过 1 GB。这就是为什么你可能想定期清理 Docker 镜像列表的原因。
macbookpro:~/Docker$ docker rmi 60a180
当然，关于 Docker 容器及其在某些应用场景中的优势还有很多值得说的。对于本书和在线培训课程而言，它们提供了一种现代化的方法，用于部署 Python，在完全分离的（容器化）环境中进行 Python 开发，并为算法交易提供代码。
提示
如果你还没有使用 Docker 容器，应考虑开始使用它们。在 Python 部署和开发工作中，它们提供了许多好处，不仅在本地工作时，而且在使用远程云实例和服务器部署算法交易代码时尤其如此。
Python 金融编程第二版（GPT 重译）（一）（3）https://developer.aliyun.com/article/1559386
