量化数据类型：数值型与类别型数据

量化数据类型：数值型与类别型数据

小象量化极客小册 · 华尔街量化分析先锋系列

欢迎来到华尔街量化分析先锋：从咖啡销量到量化策略的第1章。作为一名在小象咖啡馆摸爬滚打的数据侦探，你即将迈出转型量化交易员的关键一步。本节我们将部署量化计算沙盒，并理解基础的数据分析科学模型。

小象量化极客小册 · 华尔街量化分析先锋系列 欢迎来到华尔街量化分析先锋：从咖啡销量到量化策略的第1章。作为一名在小象咖啡馆摸爬滚打的数据侦探，你即将迈出转型量化交易员的关键一步。本节我们将部署量化计算沙盒，并理解基础的数据分析科学模型。

💡 核心导读

数据类型是数据分析的基础单元，决定了数据的存储方式与操作规则。本节将系统讲解Python中核心的数据类型及其应用场景，包括数值型、文本型、布尔型等基础类型，以及Pandas中的Series和DataFrame扩展类型。通过本章学习，您将掌握：1) 类型识别与转换方法 2) Pandas特殊类型处理技巧 3) 类型相关的内存优化策略。所有知识点均通过可运行的代码示例演示。

基础数据类型体系

标量类型

Python原生支持的四种核心类型：

price = 99.5          # 浮点型(float)
quantity = 3          # 整型(int)
product = "显示器"    # 字符串(str)
in_stock = True       # 布尔型(bool)

print(f"类型检查:\n{type(price)=}\n{type(quantity)=}\n{type(product)=}\n{type(in_stock)=}")

容器类型

复合数据结构的典型代表：

specs = ["4K分辨率", "HDR10", "Type-C接口"]  # 列表(list)
inventory = {"A001": 15, "B205": 3}         # 字典(dict)

str(3.14)      # 浮点转字符串
int("1024")    # 字符串转整型
list("ABCD")   # 字符串转列表

💡 概念小测：数据特征

在多因子策略中，股票的“申万一级行业分类”（如医药、电子）与“近20日年化波动率”（如18.5%）分别属于什么数据类型？

• 行业分类属于数值型（Numerical），年化波动率属于类别型（Categorical）。
• 行业分类属于类别型（Categorical），年化波动率属于数值型（Numerical）。
• 两者都是数值型，因为类别型数据无法被计算机识别。
• 两者都是类别型，因为波动率可以进行分箱打标签。

📝 选择题

💡 概念小测：数据特征 在多因子策略中，股票的“申万一级行业分类”（如医药、电子）与“近20日年化波动率”（如18.5%）分别属于什么数据类型？

• A. 行业分类属于数值型（Numerical），年化波动率属于类别型（Categorical）。
• B. 行业分类属于类别型（Categorical），年化波动率属于数值型（Numerical）。
• C. 两者都是数值型，因为类别型数据无法被计算机识别。
• D. 两者都是类别型，因为波动率可以进行分箱打标签。

答案：B（行业分类属于类别型（Categorical），年化波动率属于数值型（Numerical）。）

Pandas扩展类型

Series类型

一维带标签数组的创建与操作：

import pandas as pd

stock_data = {"苹果公司仓": 42, "谷歌公司仓": 37, "亚马逊仓": 59}
series = pd.Series(stock_data, name="库存量")

print("Series数据类型:\n", series.dtypes)
print("\n值数组:\n", series.values)
print("\n索引数组:\n", series.index)

DataFrame类型

二维表格数据的核心操作：

data = {
    "产品ID": ["P1001", "P1002", "P1003"],
    "单价(元)": [2999, 1599, 899],
    "库存状态": ["充足", "缺货", "充足"],
    "是否新品": [True, False, True]
}
df = pd.DataFrame(data)

print("DataFrame概览:")
print(df)
print("\n数据类型明细:")
print(df.dtypes)

执行后输出示例：

        产品ID  单价(元) 库存状态  是否新品
0    P1001   2999   充足   True
1    P1002   1599   缺货  False
2    P1003    899   充足   True

数据类型明细:
产品ID       object
单价(元)      int64
库存状态      object
是否新品       bool

类型优化技巧

内存节省策略

print("优化前内存使用:", df.memory_uspe_ratio(deep=True))

df["产品ID"] = df["产品ID"].astype('category')  # 分类类型
df["是否新品"] = df["是否新品"].astype('int8')   # 8位整型

print("\n优化后内存使用:", df.memory_uspe_ratio(deep=True))

时间类型处理

date_str = ["2023-01-15", "2023-02-20", "2023-03-10"]
dates = pd.to_datetime(date_str)  # 转为datetime64类型

delta = dates.max() - dates.min()
print(f"\n最早与最晚日期相差: {delta.days}天")

💡 代码填空：分箱操作

量化分析中，我们常用分箱操作将连续的市盈率（PE）转化为高、中、低估值三个级别。请填入 Pandas 对应的分箱函数名：

import pandas as pd
import numpy as np

pe_series = pd.Series([12.5, 45.1, 22.3, 85.0])
bins = [0, 20, 50, np.inf]
labels = ['低估值', '合理估值', '高估值']
groups = pd.{blank}(pe_series, bins=bins, labels=labels)
print(groups)

• qcut
• cut
• split

✏️ 填空题

💡 代码填空：分箱操作 量化分析中，我们常用分箱操作将连续的市盈率（PE）转化为高、中、低估值三个级别。请填入 Pandas 对应的分箱函数名：

import pandas as pd
import numpy as np
pe_series = pd.Series([12.5, 45.1, 22.3, 85.0])
# 将PE进行分箱
bins = [0, 20, 50, np.inf]
labels = ['低估值', '合理估值', '高估值']
groups = pd.___(pe_series, bins=bins, labels=labels)
print(groups)

答案：cut

本章小结

行动清单

• 使用pd.to_numeric()将字符串列”销售数量”转换为数值型，处理其中可能存在的无效字符
• 创建包含1000个随机整数的Series，对比astype('int32')与astype('int8')的内存占用差异
• 用pd.Categorical()优化包含重复文本（如省份名称）的DataFrame列，记录内存节省比例

—— 小象量化教研组