京公网安备 11010802034615号
经营许可证编号:京B2-20210330
来源:麦叔编程
作者:麦叔
作为一个搞技术的金融从业者,看到这个开源项目的时候,我的内心就两个字:卧槽!
从金融角度上,它涵盖了全面的股票数据,做数据分析和排行,并给出购买参考建议。
虽然市面上专业的App也有这些数据和功能,但这可是你自己用代码运行的项目。你可以在此基础上,实践你的想法,修改代码,做你的分析,建立自己的优势。
如果只是会用App和街上的大妈有什么区别?那个金融从业者不会自己做数据分析?
从技术角度上,这个开源项目非常综合,涵盖了:
如果一个人能把这个项目从头到尾学会,搞定。他找到一份Python开发的工作应该问题不大。
我觉得吧:
我们其实不缺好的开源项目,缺的是从头到尾去研究透一个项目的专注和决心!
你觉得呢?留言说说你的看法。
找到一个适合自己的好的项目,去把它研究透,好过泛泛的去看100个开源项目。
不要太在意技术是否主流,技术是相通的,同样都是Python,解决的问题也是一样的,学好一个很快就能学好另外一个。
这个项目就特别适合做金融分析,或者对金融,炒股有兴趣的,并且在学Python的人,可以一举三得:
特点提醒:这个项目主要是作为Python学习目的推荐给大家,也推荐给做金融分析的人!
但是我不建议小白盲目去炒股,尤其是现在大盘已经站上了3600点,已经到了街上大妈都在讨论股票的时候!如果现在进去,做炮灰的概率很大。
这是一个基于Python的全栈股票系统,先来上截两张图:
它每天定时(6点)抓取股票数据,计算指标,然后给出推荐。用户使用网页查看数据,看可视化报表,定制的自己的需求。
所谓全栈,一般指后端开发和网页开发通吃。我们来分的更细一点,这个项目涵盖这些内容:
我建议分几个步骤去学习:
从技术上,我们只要把别人打包好的Docker文件下载下来,直接运行就行了,不用安装Python,配置各种包。
这里有个例外,一般数据库是需要安装好的,这个项目也是的,需要先自己安装和启动MySQL数据库。
jobs文件夹 - 这个是抓取数据的文件夹,先有数据,才能分析和展示web文件夹 - 这个网站和数据展示部分
下面是我用Docker成功运行项目的步骤:
https://docs.docker.com/get-docker/
https://dev.mysql.com/downloads/
3. 下载最新的Docker文件
docker pull pythonstock/pythonstock:latest
mkdir -p /tmp/data/notebooks #创建临时目录
docker run -itd --name stock
-v /tmp/data/notebooks:/data/notebooks
-p 8888:8888
-p 9999:9999
-e MYSQL_HOST=host.docker.internal # for using Docker-for-mac or Docker-for-Windows 18.03+
-e MYSQL_USER=root
-e MYSQL_PWD=root
-e MYSQL_DB=stock_data
pythonstock/pythonstock:latest
网站系统: http://localhost:9999
用jupyter做分析: http://localhost:8888
系统也支持通过Jupyter做实时的数据分析:
但登录Jupyter需要先获取token:
docker exec -it stock bash
jupyter notebook list
下面这是项目链接,点击查看原文也可以跳转到项目页面:https://github.com/pythonstock/stock
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14