在上一篇文章可转债打新能赚钱吗？Python数据分析告诉你！中，对可转债打新的收益率进行了比较详细的分析，在这个基础上，本文研究与可转债投资相关的抢权配售行为的收益率情况，研究样本为2019年9月到目前共71只新上市的可转债。

进行金融数据分析或量化研究时，总避免不了时间序列数据的处理，时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。常见的时间序列数据有一天内随着时间变化的温度序列，又或者交易时间内不断波动的股票价格序列。Pandas也因其强大的时序处理能力而被广泛应用于金融数据分析，这篇文章为大家介绍一下Pandas...

为了方便维护，一般公司的数据在数据库内都是分表存储的，比如用一个表存储所有用户的基本信息，一个表存储用户的消费情况。所以，在日常的数据处理中，经常需要将两张表拼接起来使用，这样的操作对应到SQL中是join，在Pandas中则是用merge来实现。这篇文章就讲一下merge的主要原理。

Python中的集合和数学上的集合是一个概念，基本功能包括关系测试和消除重复元素，对于集合还可以进行数学上的交、并、差运算。定义一个集合的方式，见下面的代码：

微信公众号：「Python读财」如有问题或建议，请公众号留言 Python基础入门的第三篇文章，为大家介绍Python中的字典及其常见的操作。 字典（dict） 字典也是用来存储数据的，只是存储方式和之前介绍的列表和元组不一样，先看看Python中字典的格式 {代码...} key是键，value是值，'key':'value'被称为一个键值对，根据提供...

在接触一个新的事物之前，我习惯先大概了解这个东西是什么，这个东西有什么用。在我的理解中，列表就是一个数据容器，用途自然就是存储各种各样的数据，例如上一篇文章中介绍的数值型、布尔型以及浮点型数据。

最近想着出一个Python小白零基础入门系列的文章，希望能对入门的小伙伴有所帮助，内容会囊括简单的数据类型、列表、字典、循环以及函数的定义，对于一些概念会以图解的方式进行讲解。今天这篇文章就介绍一下Python中的变量以及简单的数据类型，文末还列了一些练手的题目，大家可以边学边练！

Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

Pandas是Python中用于数据处理与分析的屠龙刀，想必大家也都不陌生，但Pandas在使用上有一些技巧和需要注意的地方，尤其是对于较大的数据集而言，如果你没有适当地使用，那么可能会导致Pandas的运行速度非常慢。

作为一个从超级菜鸟阶段过来的人，也曾迷茫，也曾面对一大堆资料不知所措，从无到有踩过太多的坑，在这里分享一下我总结出来的数据分析学习路径，为了让你少走弯路，避免选择困难，能用一本书搞定的我绝不会给你推荐其他多的书。即使是超级菜鸟，只要你认真按照下面的路径进行学习，我保证你能够有所收获。

在日常的数据分析中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介...

在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求。这篇文章就以案例附带图解的方式，为大家详细介绍一下这三个方法的实现原理，相信读完本文后，不论是小白还是Pandas的进阶学习者，都会对这三个方法有更深入...

伴随着移动互联网的飞速发展，越来越多用户被互联网连接在一起，用户所积累下来的数据越来越多，市场对数据方面人才的需求也越来越大，由此也带火了如数据分析、数据挖掘、算法等职业，而作为其中入门门槛相对较低、工资高于大多传统行业岗位的数据分析一职，则成为了许多想转行进入数据领域的同学的首要选择。

伴随着移动互联网的飞速发展，越来越多用户被互联网连接在一起，用户所积累下来的数据越来越多，市场对数据方面人才的需求也越来越大，由此也带火了如数据分析、数据挖掘、算法等职业，而作为其中入门门槛相对较低、工资高于大多传统行业岗位的数据分析一职，则成为了许多想转行进入数据领域的同学的首要选择。

乔丹是联盟上下公认的历史第一人，芝加哥公牛在他带领下几乎统治了上世纪90年代NBA整整10年，包括分别在91-93赛季和96-98赛季拿下的两次三连冠，要知道，NBA72年历史上一共只出现过4次三连冠，而乔帮主一人便承包一半。下面就带大家从数据的角度回顾一下乔丹的职业生涯。