3、Python基础速通（上）：变量、数据类型、列表、字典、字符串操作

各位同学，欢迎来到第三章。

说实话，很多做量化的人，一上来就急着写策略、调参数，结果连个字符串都拼接不好，最后跑出来的数据全是乱码。我见过太多这样的案例了。所以，咱们先把地基打牢。

这一章，我带你快速过一遍Python最核心的基础知识。别担心，我不会让你死记硬背。咱们的目标是：够用就行，实战优先。

3.1 变量与数据类型：Python的"收纳盒"

变量是什么？说白了，就是给数据贴个标签。你不需要告诉计算机「这个数据要放在内存的哪个位置」，你只需要给它起个名字就行。

我个人习惯用snake_case命名变量，比如news_title、sentiment_score。别用拼音，也别用a、b、c这种毫无意义的命名。你想想看，三个月后回头看自己的代码，看到a = 0.85，你还能记得它代表什么吗？

Python里最常用的数据类型就这几种：

类型	例子	说明
int	100	整数，比如新闻的阅读量
float	3.14159	浮点数，比如情感得分
str	"今天股市大涨"	字符串，新闻文本的主力
bool	True / False	布尔值，判断条件用

# 实战中的变量声明
news_title = "美联储加息预期升温"
sentiment_score = -0.35
is_positive = False
print(type(sentiment_score))  # 输出：<class 'float'>

3.2 列表：有序的"购物车"

列表就是一组有序的数据集合。在量化分析里，我们经常用它来存储一系列新闻标题、一组股票代码，或者一段时间内的情感得分。

# 创建一个新闻标题列表
headlines = ["股市收评", "科技板块领涨", "北向资金流入"]
print(headlines[0])   # 输出：股市收评
print(headlines[-1])  # 输出：北向资金流入（负索引从末尾开始）

嗯，这里要注意。列表的索引是从0开始的。很多新手会犯这个错，我刚开始学的时候也踩过这个坑。

列表的常用操作：

# 增
headlines.append("新能源政策利好")  # 末尾添加
headlines.insert(1, "金融板块异动")  # 指定位置插入

# 删
headlines.remove("股市收评")  # 按值删除
popped = headlines.pop()      # 弹出最后一个元素

# 改
headlines[0] = "科技板块领涨A股"

# 查
if "北向资金流入" in headlines:
    print("这条新闻在列表中")

# 切片（取前两条）
top_two = headlines[:2]
print(top_two)

3.3 字典：键值对的"通讯录"

如果说列表是按位置查找，那字典就是按名字查找。每个元素都有一个唯一的"键"（key）和对应的"值"（value）。

我个人觉得，字典是Python里最优雅的数据结构之一。它特别适合存储有明确属性的数据，比如一条新闻的完整信息。

# 用字典存储一条新闻
news_item = {
    "title": "美联储加息预期升温",
    "source": "财联社",
    "sentiment": -0.35,
    "publish_time": "2024-01-15 09:30",
    "keywords": ["加息", "美联储", "货币政策"]
}

# 访问字典的值
print(news_item["title"])      # 输出：美联储加息预期升温
print(news_item.get("author", "未知"))  # 安全访问，不存在时返回默认值

字典的增删改查：

# 增
news_item["author"] = "张三"

# 删
del news_item["keywords"]

# 改
news_item["sentiment"] = -0.42

# 查
if "source" in news_item:
    print(f"来源：{news_item['source']}")

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

3.4 字符串操作：文本处理的基本功

做新闻量化分析，字符串操作是躲不开的。你要清洗文本、提取关键词、拼接报告……这些全都离不开字符串。

字符串拼接：

# 老式拼接（不推荐）
title = "今日股市"
result = title + "：上证指数上涨0.5%"

# f-string（推荐，Python 3.6+）
index_name = "上证指数"
change = 0.5
result = f"{title}：{index_name}上涨{change}%"
print(result)  # 输出：今日股市：上证指数上涨0.5%

我个人强烈推荐使用f-string。它比+拼接更清晰，比%格式化更直观。你想想看，如果要在字符串里嵌入五六个变量，用+拼起来得多痛苦？

字符串分割与替换：

# 分割
text = "苹果,微软,谷歌,亚马逊"
companies = text.split(",")
print(companies)  # 输出：['苹果', '微软', '谷歌', '亚马逊']

# 替换
raw_text = "今天股市大跌，投资者恐慌"
cleaned = raw_text.replace("大跌", "波动")
print(cleaned)  # 输出：今天股市波动，投资者恐慌

去除空白与大小写转换：

# 去除首尾空格
user_input = "  美联储   "
clean_input = user_input.strip()
print(clean_input)  # 输出：美联储

# 大小写转换（处理英文新闻时常用）
headline = "fed raises interest rates"
print(headline.upper())  # 输出：FED RAISES INTEREST RATES
print(headline.title())  # 输出：Fed Raises Interest Rates

3.5 综合实战：构建一条新闻的情感记录

好了，我们把今天学的知识串起来，写一个完整的例子。

# 模拟从API获取的原始新闻数据
raw_data = "  美联储加息预期升温,财联社,2024-01-15,-0.35  "

# 1. 清洗字符串
cleaned_data = raw_data.strip()

# 2. 分割成列表
fields = cleaned_data.split(",")
print(fields)  # 输出：['美联储加息预期升温', '财联社', '2024-01-15', '-0.35']

# 3. 构建字典
news_record = {
    "title": fields[0],
    "source": fields[1],
    "date": fields[2],
    "sentiment": float(fields[3])  # 字符串转浮点数
}

# 4. 判断情感倾向
if news_record["sentiment"] > 0:
    news_record["label"] = "正面"
elif news_record["sentiment"] < 0:
    news_record["label"] = "负面"
else:
    news_record["label"] = "中性"

# 5. 用f-string输出报告
report = f"""
新闻标题：{news_record['title']}
来源：{news_record['source']}
日期：{news_record['date']}
情感得分：{news_record['sentiment']}
情感标签：{news_record['label']}
"""
print(report)

这个例子虽然简单，但它涵盖了变量、列表、字典、字符串操作的所有核心知识点。你在后续的课程中会反复用到这个模式。

好了，这一章的内容就到这里。别急着往下走，先把上面的代码自己敲一遍。代码这东西，看十遍不如写一遍。

---