W tym rozdziale nauczysz się tworzyć obiekty datetime w Pythonie i nimi manipulować, aby identyfikować kluczowe zdarzenia finansowe. Dowiesz się też, jak przechowywać dane i efektywnie je wyszukiwać za pomocą słowników Pythona.

Reprezentowanie czasu za pomocą obiektów datetime

Tworzenie obiektów datetime dla dat

Obiekty datetime z ciągów znaków

Konwersja formatu dat z użyciem datetime

Praca z obiektami datetime

Dostęp do atrybutów obiektu datetime

Porównywanie obiektów datetime

Tworzenie względnych obiektów datetime

Słowniki

Tworzenie słowników i dostęp do nich

Bezpieczny dostęp i usuwanie

Daty i słowniki

Dzięki ćwiczeniom praktycznym poznasz logikę boolowską i nauczysz się używać operatorów porównania oraz równości do sterowania wykonywaniem kodu w instrukcjach warunkowych i pętlach.

Operatory porównania

Równość między typami

Przypisanie i równość

Porównywanie dywidend

Operatory logiczne

Podejmowanie decyzji z operacjami logicznymi

Przypisywanie zmiennych za pomocą operatorów boolowskich

Negowanie za pomocą operatorów logicznych

Instrukcje warunkowe if

Instrukcje sterujące

Porównywanie sprzedaży i zakupów

Rozgałęzianie z elif i else

Pętle for i while

Wychodzenie z pętli for

Sterowanie wykonaniem pętli

Sterowanie przepływem i logika

Dowiesz się, jak tworzyć ramki danych i uzyskiwać do nich dostęp za pomocą biblioteki pandas, korzystając z danych finansowych zapisanych w różnych strukturach – słownikach, listach i plikach CSV. Nauczysz się też agregować dane według wierszy i kolumn, obliczać średnie oraz rozszerzać zbiory danych przy użyciu funkcji.

Tworzenie DataFrame

Odczyt historii rynkowej

Dostęp do danych

Dostęp za pomocą nazw

Dostęp za pomocą indeksów

Agregowanie i podsumowywanie danych

Średnie ceny

Mediany cen

Rozszerzanie i przekształcanie danych

Tworzenie nowych kolumn

Usuwanie kolumn z ramki danych

Manipulowanie danymi w Pandas

Ramki danych pandas

W tym ostatnim rozdziale zmierzysz się z prawdziwymi danymi giełdowymi NASDAQ. Nauczysz się interpretować nowe dane, tworzyć maski do filtrowania danych i wizualizować wyniki na wykresach.

Podgląd danych z head, tail i describe

Po co używać describe

Zajrzyj na początek i koniec

Opisywanie danych

Filtrowanie danych

Kiedy warto filtrować dane

Filtrowanie danych giełdowych.

Wybieranie danych z zakresu dat

Wizualizacja danych

Rozpoznawanie typu wykresu

Tworzenie wykresu liniowego

Wybierz rodzaj wykresu

Podsumowanie

Praca z danymi giełdowymi NASDAQ

Alphabet stock

Czy pracujesz jako analityk finansowy lub biznesowy, a może chcesz łatwiej zarządzać swoim portfelem akcji? Python pomoże ci zautomatyzować zadania finansowe – obliczanie ryzyka, ocenę kondycji rynku i wizualizację trendów cenowych akcji – oszczędzając czas i pieniądze.

W tym kursie nauczysz się korzystać ze struktur danych Pythona, instrukcji sterujących i ramek danych (DataFrame), by efektywnie przetwarzać dane finansowe. Następnie użyjesz biblioteki pandas i danych z Banku Rezerwy Federalnej, aby analizować krajowe trendy gospodarcze – kluczowy element każdej strategii inwestycyjnej. Obliczysz też ryzyko na podstawie danych o cenach akcji i przedstawisz wyniki w przejrzystych wykresach. Po ukończeniu kursu będziesz gotowy, by zmierzyć się z prawdziwymi wyzwaniami finansowych rynków.

Introduction to Python for Finance

Rozwijaj umiejętności Python w finansach, ucząc się datetime, instrukcji if, DataFrames i więcej.

Python dla finansów – poziom średniozaawansowany

Rozwiń umiejętności Python w finansach, ucząc się używać datetime, instrukcji if, DataFrames i nie tylko.

Podstawy finansów w Pythonie

Podstawy finansów z CFI

Kiedy warto filtrować dane

Python dla finansów – poziom średniozaawansowany

Interaktywne ćwiczenie praktyczne