3、Python基础速通（下）：条件判断与循环，函数定义与使用，文件读写操作，第三方库的安装（pip）

好，咱们接着聊。上一节我们把Python的数据类型和运算符过了一遍，算是把「食材」备齐了。这一节，咱们要开始学「怎么做菜」——也就是控制流程、封装逻辑、读写数据，还有怎么用别人的轮子。

我个人习惯把这一节叫做「实战前的最后一块拼图」。你想想看，一个量化选股系统，无非就是：拿到数据 → 做判断 → 循环处理 → 输出结果。这些操作，全靠今天的内容撑起来。

条件判断：让代码学会「看情况办事」

写量化策略的时候，最常用的就是条件判断。比如：如果市盈率低于15倍，就买入；如果高于30倍，就卖出。这就是典型的 if-elif-else 场景。

pe_ratio = 12.5

if pe_ratio < 15:
    print("估值偏低，考虑买入")
elif pe_ratio < 30:
    print("估值合理，继续持有")
else:
    print("估值偏高，注意风险")

这里有个细节我想强调一下：Python 用缩进来表示代码块，而不是花括号。我刚开始学的时候，经常因为缩进不对报错，气得想砸键盘。后来养成了一个习惯——统一用4个空格，不用Tab键。嗯，这个习惯一直用到现在。

循环：批量处理数据的利器

做量化分析，你不可能一只股票一只股票地手动分析。你得让程序帮你批量处理。这时候循环就派上用场了。

Python 有两种循环：for 和 while。我个人90%的场景都用 for，因为它更直观。

# 遍历股票列表
stocks = ["贵州茅台", "宁德时代", "招商银行", "比亚迪"]

for stock in stocks:
    print(f"正在分析：{stock}")
    # 这里可以写具体的分析逻辑

说到 for 循环，有个函数我必须提一下——range()。它用来生成一个整数序列，配合循环特别方便。

# 生成1到10的数字
for i in range(1, 11):
    print(f"第{i}次迭代")

我曾经在写回测框架时，因为 range() 的结束值没搞清楚，导致回测结果少了一天数据。排查了半天才发现——range(1, 11) 生成的是1到10，不包括11。这个坑，你记住就好。

函数：把你的逻辑「封装」起来

写代码最忌讳的就是「一坨屎山」——所有逻辑堆在一起，看着就头疼。函数就是用来解决这个问题的。它把一段逻辑打包成一个「黑盒子」，你只管调用，不用关心内部实现。

def calculate_pe_ratio(price, earnings_per_share):
    """
    计算市盈率
    :param price: 当前股价
    :param earnings_per_share: 每股收益
    :return: 市盈率
    """
    if earnings_per_share == 0:
        return None  # 避免除零错误
    return price / earnings_per_share

# 调用函数
pe = calculate_pe_ratio(150.0, 8.5)
print(f"市盈率为：{pe:.2f}")

这里有个概念叫「作用域」。函数内部定义的变量，外面是访问不到的。说白了，就是函数有自己的「小世界」。我刚开始写的时候，经常在函数外面想用函数里面的变量，结果报 NameError。后来我记住了：函数内部的东西，想带出来就用 return。

文件读写：把数据存下来

量化系统离不开数据。你从网上爬下来的股票数据，总得存到文件里吧？分析完的结果，总得输出吧？这就涉及到文件读写。

Python 的文件操作很简单，核心就是 open() 函数。但我强烈建议你用 with 语句，它会自动帮你关闭文件，省心省力。

# 写入文件
with open("stock_data.txt", "w", encoding="utf-8") as f:
    f.write("股票代码, 名称, 收盘价\n")
    f.write("600519, 贵州茅台, 1500.00\n")
    f.write("300750, 宁德时代, 220.50\n")

# 读取文件
with open("stock_data.txt", "r", encoding="utf-8") as f:
    content = f.read()
    print(content)

文件模式有几种：r（读取）、w（写入，会覆盖）、a（追加）。我曾经犯过一个错误——用 w 模式打开一个已有数据的文件，结果里面的内容全没了。嗯，从那以后，我每次写文件前都会确认一下模式。

第三方库安装：站在巨人的肩膀上

Python 之所以强大，很大程度上是因为它有海量的第三方库。你想做数据分析？有 pandas。你想做科学计算？有 numpy。你想做量化回测？有 backtrader。这些库，都是通过 pip 来安装的。

# 安装第三方库
pip install pandas numpy matplotlib

# 安装指定版本
pip install pandas==1.5.3

# 查看已安装的库
pip list

这里我要特别强调一下虚拟环境。你想想看，项目A需要 pandas 1.5，项目B需要 pandas 2.0，如果装在一起就会冲突。虚拟环境就是给每个项目一个独立的「小房间」，互不干扰。

# 创建虚拟环境
python -m venv myenv

# 激活虚拟环境（Windows）
myenv\Scripts\activate

# 激活虚拟环境（Mac/Linux）
source myenv/bin/activate

# 退出虚拟环境
deactivate

综合示例：一个简单的股票筛选器

好了，知识点都讲完了。咱们来写一个综合的小例子，把今天的内容串起来。

# 模拟股票数据
stocks = [
    {"name": "贵州茅台", "pe": 35.2, "pb": 8.1},
    {"name": "宁德时代", "pe": 28.5, "pb": 5.3},
    {"name": "招商银行", "pe": 6.8, "pb": 0.9},
    {"name": "比亚迪", "pe": 45.0, "pb": 6.7},
]

def filter_stocks(stock_list, max_pe=20, max_pb=3):
    """筛选低估值股票"""
    result = []
    for stock in stock_list:
        if stock["pe"] < max_pe and stock["pb"] < max_pb:
            result.append(stock)
    return result

# 执行筛选
selected = filter_stocks(stocks)
print("筛选结果：")
for s in selected:
    print(f"{s['name']} - PE:{s['pe']} PB:{s['pb']}")

# 保存结果到文件
with open("selected_stocks.txt", "w", encoding="utf-8") as f:
    for s in selected:
        f.write(f"{s['name']},{s['pe']},{s['pb']}\n")

print("结果已保存到 selected_stocks.txt")

这个例子虽然简单，但已经包含了条件判断、循环、函数定义、文件读写这些核心知识点。你想想看，如果把这个逻辑扩展一下，加上从网络获取真实数据的功能，是不是就是一个迷你版的选股系统了？

好了，这一节的内容就到这儿。代码多敲几遍，手感自然就来了。下一节我们开始接触真正的量化数据——用 pandas 处理表格数据，那才是真正好戏的开始。

---