第2章 Python基础速通（一）

第二课：Python基础速通（一）——环境搭建与核心数据结构

各位同学，欢迎来到第二课。

说实话，每次带新人入门，我最怕的就是环境配置这一步。明明代码逻辑没问题，结果卡在装包上，一卡就是半天。我自己当年也踩过这个坑——装Python的时候选了官网的原始版本，结果后面装科学计算库的时候，依赖冲突搞得我差点想砸电脑。

所以这节课，我直接带你用Anaconda。这是量化圈最主流的Python发行版，没有之一。你想想看，它把Python解释器、常用库、包管理器全打包好了，省去你一个个手动装的痛苦。

2.1 Anaconda安装：一步到位

Anaconda是什么？说白了就是一个「全家桶」。你装完它，就等于同时拥有了Python、Jupyter Notebook、以及200多个常用的数据科学库。

安装步骤：

去Anaconda官网下载对应系统的安装包（Windows/Mac/Linux都支持）
双击安装，一路默认选项即可
安装完成后，打开终端（或CMD），输入 conda --version 验证

💡 我的小习惯：安装时记得勾选「Add Anaconda to my PATH environment variable」。虽然安装程序会提醒你不推荐，但我个人觉得加上更方便，省得后面还要手动配环境变量。

验证成功后，你会看到类似这样的输出：

conda 23.7.4

看到版本号，说明环境已经就绪。

2.2 Jupyter Notebook：量化分析的交互式利器

Jupyter Notebook是我在量化交易中最常用的工具。它不像传统IDE那样需要写完整脚本才能运行，而是可以一句一句地执行代码，实时看到结果。

启动方式：

# 在终端输入
jupyter notebook

命令执行后，浏览器会自动打开一个页面。你点右上角的「New」→「Python 3」，就能新建一个Notebook文件。

核心快捷键（记牢这3个）：

Shift + Enter：运行当前单元格，并跳到下一个
Ctrl + Enter：运行当前单元格，不跳转
Esc + M：把当前单元格切换为Markdown模式（写注释用）

我在做策略回测时，习惯把数据加载、清洗、回测、可视化分别放在不同的单元格里。这样哪一步出问题，一眼就能定位到。嗯，这个习惯帮我省了不少排查时间。

2.3 变量与数据类型：量化数据的基石

Python的变量不需要提前声明类型。你直接赋值，它自动识别。这一点对量化交易来说特别友好——你从交易所API拿到数据，直接塞进变量就行，不用操心类型转换。

常见数据类型：

类型	示例	说明
int（整数）	`volume = 10000`	成交量、持仓量
float（浮点数）	`price = 3.1415`	价格、收益率
str（字符串）	`symbol = "BTC/USDT"`	交易对名称
bool（布尔值）	`is_market_open = True`	条件判断

# 实战示例：模拟获取行情数据
symbol = "ETH/USDT"
bid_price = 2345.60
ask_price = 2345.80
volume_24h = 1250000

print(f"交易对：{symbol}")
print(f"买一价：{bid_price}，卖一价：{ask_price}")
print(f"24小时成交量：{volume_24h}")

⚠️ 我曾经踩过的坑：浮点数精度问题。在计算累计收益率时，0.1 + 0.2 的结果并不是精确的0.3，而是0.30000000000000004。做资金计算时，建议用 Decimal 模块，或者直接保留两位小数。

2.4 列表：有序的数据容器

列表是量化交易中最常用的数据结构之一。你可以把它想象成一个「购物车」，什么都能往里装，而且顺序固定。

# 创建一个价格列表
prices = [3.25, 3.26, 3.24, 3.27, 3.28]

# 常用操作
prices.append(3.29)        # 尾部追加
prices.insert(0, 3.23)     # 头部插入
last_price = prices.pop()  # 弹出最后一个元素
length = len(prices)       # 获取长度

print(f"最新价格：{prices[-1]}")
print(f"最高价：{max(prices)}")
print(f"最低价：{min(prices)}")

列表切片（量化必备技能）：

# 取最近3个价格
recent_3 = prices[-3:]

# 每隔一个取一个
every_other = prices[::2]

# 反转列表
reversed_prices = prices[::-1]

💡 实战经验：我在做移动平均线策略时，经常用 prices[-5:] 取最近5个收盘价来计算均值。切片操作比循环快得多，尤其是处理百万级数据时，性能差距很明显。

2.5 字典：键值对的映射关系

字典在量化交易中用来存储「有标签」的数据。比如一个交易对的完整信息，用字典存起来，比用列表清晰得多。

# 存储一个交易对的完整信息
symbol_info = {
    "name": "BTC/USDT",
    "bid": 50000.00,
    "ask": 50001.50,
    "volume_24h": 25000,
    "high_24h": 51000,
    "low_24h": 49000
}

# 访问数据
print(f"当前买一价：{symbol_info['bid']}")
print(f"24小时最高：{symbol_info['high_24h']}")

# 修改数据
symbol_info['bid'] = 50010.00

# 新增字段
symbol_info['change_pct'] = 2.5

# 遍历字典
for key, value in symbol_info.items():
    print(f"{key}: {value}")

字典推导式（一行代码搞定复杂操作）：

# 假设有多个交易对，提取所有买一价
symbols = ["BTC/USDT", "ETH/USDT", "SOL/USDT"]
bids = [50000, 2345, 150]

bid_dict = {sym: bid for sym, bid in zip(symbols, bids)}
print(bid_dict)
# 输出：{'BTC/USDT': 50000, 'ETH/USDT': 2345, 'SOL/USDT': 150}

2.6 本章知识体系总览

下面这张图，帮你把今天学的内容串起来。你想想看，从环境搭建到数据操作，其实就这三步：

说白了，今天这节课就是帮你把「工具箱」准备好。Anaconda是工作台，Jupyter是操作面板，变量和数据结构就是你的零件。零件用熟了，后面组装策略就快了。

💡 课后小练习：打开Jupyter Notebook，创建一个字典存储你关注的3个交易对信息（名称、当前价格、24h涨跌幅），然后用列表把它们的价格存起来，试试切片取出前两个价格。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

第二课：Python基础速通（一）——环境搭建与核心数据结构

2.1 Anaconda安装：一步到位

2.2 Jupyter Notebook：量化分析的交互式利器

2.3 变量与数据类型：量化数据的基石

2.4 列表：有序的数据容器

2.5 字典：键值对的映射关系

2.6 本章知识体系总览