数组切片：提取特定股票与交易日数据

数组切片：提取特定股票与交易日数据

小象量化极客小册 · 华尔街量化分析先锋系列

欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

小象量化极客小册 · 华尔街量化分析先锋系列 欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

💡 核心导读

本节将深入探讨 NumPy 多维数组的核心操作技术。通过本节学习，您将掌握数组变形、轴向操作、高级索引等关键技能，并能熟练运用广播机制实现高效计算。重点包括：数组维度变换的物理意义、基于布尔/整数数组的索引技巧、以及使用 einsum 进行张量运算的范式。所有技术点均通过工业级代码示例演示。

数组变形与轴向操作

维度变换基础

import numpy as np

arr = np.arange(12).reshape(3, 4)
print("原始数组:\n", arr)

reshaped = arr.reshape(2, 6)
print("变形后:\n", reshaped)

transposed = arr.T
print("转置矩阵:\n", transposed)

执行效果对比：

原始数组:     转置后:
[[ 0  1  2  3]  [[ 0  4  8]
 [ 4  5  6  7]   [ 1  5  9]
 [ 8  9 10 11]]  [ 2  6 10]
                 [ 3  7 11]]

轴向计算

arr_3d = np.random.randint(0, 10, (2, 3, 4))
print("三维数组形状:", arr_3d.shape)

sum_axis0 = arr_3d.sum(axis=0)
print("轴0求和结果形状:", sum_axis0.shape)  # (3, 4)

💡 概念小测：切片复制还是视图

在对 NumPy 数组（如股票价格矩阵）进行切片操作时（例如 sub_prices = prices[0:2, 1]），如果随后修改了 sub_prices 中的某个价格，会发生什么？

• 只有 sub_prices 中的值会被修改，原始 prices 数组不受影响。
• 原始 prices 数组中对应位置的值也会被同时修改，因为切片返回的是原数组的**视图（View）**而非复制。
• Python 会抛出 ReadOnlyError，因为切片是只读的。
• 两个数组都会消失，需要重新加载。

📝 选择题

💡 概念小测：切片复制还是视图 在对 NumPy 数组（如股票价格矩阵）进行切片操作时（例如 sub_prices = prices[0:2, 1]），如果随后修改了 sub_prices 中的某个价格，会发生什么？

• A. 只有 sub_prices 中的值会被修改，原始 prices 数组不受影响。
• B. 原始 prices 数组中对应位置的值也会被同时修改，因为切片返回的是原数组的**视图（View）**而非复制。
• C. Python 会抛出 ReadOnlyError，因为切片是只读的。
• D. 两个数组都会消失，需要重新加载。

答案：B（原始 prices 数组中对应位置的值也会被同时修改，因为切片返回的是原数组的**视图（View）**而非复制。）

高级索引技术

布尔索引

temps = np.array([18.5, 22.1, 19.8, 25.3, 17.6])
days = np.array(['Mon', 'Tue', 'Wed', 'Thu', 'Fri'])

hot_days = days[temps > 20]
print("高温日:", hot_days)  # 输出: ['Tue' 'Thu']

整数数组索引

matrix = np.arange(25).reshape(5, 5)
selected = matrix[[0, 1, 3], [0, 2, 4]]
print("选择结果:", selected)  # 输出: [ 0  7 19]

广播机制实战

vector = np.array([1, 2, 3])
matrix = np.array([[4, 5, 6], [7, 8, 9]])

result = matrix + vector
print("广播加法结果:\n", result)
"""
输出:
[[ 5  7  9]
 [ 8 10 12]]
"""

张量运算进阶

einsum 应用

A = np.random.rand(3, 4)
B = np.random.rand(4, 5)

matmul = np.dot(A, B)

einsum = np.einsum('ij,jk->ik', A, B)

print("结果是否一致:", np.allclose(matmul, einsum))  # 输出: True

💡 代码填空：切片定位

补全代码，提取包含 3 只股票 5 天收盘价的矩阵中，前 2 只股票（行索引 0 和 1）最后 3 天（列索引 2, 3, 4）的价格数据：

import numpy as np

prices = np.random.rand(3, 5)
sub_prices = prices[{blank}, 2:5]
print(sub_prices.shape) # 输出应为 (2, 3)

• 0:1
• 0:2
• :1

✏️ 填空题

💡 代码填空：切片定位 补全代码，提取包含 3 只股票 5 天收盘价的矩阵中，前 2 只股票（行索引 0 和 1）最后 3 天（列索引 2, 3, 4）的价格数据：

import numpy as np
prices = np.random.rand(3, 5)
# 提取特定范围的切片
sub_prices = prices[___, 2:5]
print(sub_prices.shape) # 输出应为 (2, 3)

答案：0:2

本章小结

行动清单

• 创建一个 4x5 的随机矩阵，分别沿行方向和列方向计算标准差，观察结果差异
• 使用布尔索引从 100x100 的随机数组中筛选出值大于 0.9 的元素，统计其数量
• 用 einsum 实现三维张量（形状 2x3x4）与二维矩阵（形状 4x5）的收缩运算

「小象量化教研组」