本阶段主要介绍Python基本数据类型、数据结构、基本数据操作、条件语句、循环语句、函数
上一章主要介绍了Python的基本知识，对于从事数据挖掘分析工作的人员来说，这些知识是远远不够的，需要引入第三方Python数据挖掘与分析包，这些包专门为某种特定的数据挖掘或者分析而开发，能够极大地提高开发效率。本章主要介绍用于科学计算和数据分析的基础包Numpy（Numerical Python），它是绝大部分数据挖掘分析包的基础。下面介绍Numpy的主要内容。
前一章中我们介绍了数组的基本概念及相关数据操作方法。从数组的定义可以看出，数组中的元素要求同质，即数据类型相同，这对数据处理与分析来说具有较大的局限性。本章介绍数据处理与分析挖掘中功能更加强大的另外一个包：Pandas，它基于Numpy而构建，可以处理不同数据类型，同时又含有非常利于数据处理分析的数据结构：序列（Series）和数据框（DataFrame）。下面进行详细介绍Pandas包相关的主要内容。
数据可视化是数据分析与挖掘中一个非常重要的任务。数据可视化是通过各种类型的图像来展现数据的分析结果或者分析过程，从而提高分析的效率和可读性。本章将介绍Python中用于数据可视化的一个非常重要的包：Matplotlib，并通过Matplotlib包中的pyplot模块，实现常见图像的绘制，如散点图、线性图、柱状图、直方图、饼图、箱线图及子图。
Python之所以能在数据科学与人工智能应用领域中占有重要位置，不仅是因为其免费、开源，易数据处理，更重要的是它还提供了丰富且功能强大的机器学习模型与算法程序包。本章主要介绍Python中的机器学习包Scikit-learn，包括其经典模型的原理及实现方法，可帮助读者掌握其基本理论，并在实践中应用。
本案例属于基础指标的计算，涉及外部数据文件读取、数据框与数组的操作及切片、序列计算、字符串操作、循环语句、数学函数及公式计算等知识点的综合运用。在编程思想方面，也体现了由点到线，再到面的简单到复杂的程序演化编程思想。下面从案例内容、案例分析及指标计算三方面进行介绍，特别在指标计算方面，详细地展现了如何由点到线，再到面的程序演化编程思想，希望读者通过本案例的学习能对编程思维有所帮助。
前面已经对金融数据挖掘分析中的一些基础案例进行了介绍，通过这些案例的学习，可以掌握Python金融数据处理的一些基本技能，了解金融数据挖掘中的一些基础任务，从而为本章及后续章节内容的学习积累基础。从本章开始，我们将学习更为复杂的应用案例，这些案例均为金融大数据挖掘分析中的典型应用问题，也更加切近市场实际应用，希望这些案例对读者有帮助。本章主要学习如何从众多的候选上市公司中，利用财务报表及财务指标数据，基于数量化的分析方法，选择出优质的上市公司，并从市场表现情况来对这些候选公司进行实证检验及评价，从而为进一步的投资分析提供基础。下面将从案例背景、案例目标及实现思路、评价方法、指标选择、数据处理、
上一章我们主要是通过财务报表及财务指标数据，采用数量化的方法，对上市公司基本面情况进行综合评价，从而选出质地较好的上市公司。事实上，选出较为优质的上市公司进行投资能有效地降低投资风险，特别是对长线投资者或者价值投资者来说尤为重要。然而对于短线的投资者来说也同样不可忽视，如果上市公司存在一定的财务危机或者经营风险，也同样会波及到其交易市场，所谓“在好股上投机”就是这个道理。本章将介绍另外一种证券投资分析方法——技术指标分析法。
上一章介绍了证券投资技术分析的重要分支——技术指标分析法，并设计了基本面与技术指标相结合的量化投资模型及策略实现。本章我们介绍证券投资技术分析的另外一个分支，即形态分析。本章首先介绍了股票价格走势中的关键价格点概念及提取方法、基于关键价格点的形态特征计算方法，其次介绍了基于形态特征的自动聚类技术和投资收益分析，最后给出了结合基本面与形态聚类技术的量化投资模型及策略实现。
上市公司是基本的分析单元，股票依附于上市公司，且上市公司经营优劣会直接影响到股票市场。前面三个综合案例分别从上市公司基本面、技术指标分析、技术形态分析对公司和个股进行了量化分析，但是这三个案例均假定公司与公司之间、股票与股票之间是相互独立的，即公司及股票均作为独立的个体进行分析。事实上，不同上市公司的经营业务、所处市场环境和竞争关系有可能存在相似性，在经济上它们往往被划分为同一行业。由于受到国家行业政策、经济环境、经济产业链、行业周期等影响，不同行业之间的发展可能存在极大的差异。对投资者来说，如何选择好的行业进行投资，或者如何优化行业资产配置，或者如何利用行业之间的关联性进行投资等均是一个非常