查看全课大纲（第 4 / 52 节）

量化数据类型：数值型与类别型数据

约 8 分钟

小象实战讲义 · 量化交易Python入门：从咖啡馆到华尔街

量化分析的一切结论都建立在数据之上，而数据的第一课是分清类型。本节讲数值型与类别型这两大数据类型的区别：连续的收益率、成交量、波动率为什么是数值型；股票代码、行业板块、涨跌状态为什么是类别型；以及类型判断如何直接决定后续能用哪些统计方法与可视化方式。这是读懂后面所有数据操作代码的前提。

💡 核心导读

数据类型是数据分析的基础单元，决定了数据的存储方式与操作规则。本节将系统讲解Python中核心的数据类型及其应用场景，包括数值型、文本型、布尔型等基础类型，以及Pandas中的Series和DataFrame扩展类型。通过本章学习，您将掌握：1) 类型识别与转换方法 2) Pandas特殊类型处理技巧 3) 类型相关的内存优化策略。所有知识点均通过可运行的代码示例演示。

基础数据类型体系

标量类型

Python原生支持的四种核心类型：

price = 99.5
quantity = 3
product = "显示器"
in_stock = True

print(f"类型检查:\n{type(price)=}\n{type(quantity)=}\n{type(product)=}\n{type(in_stock)=}")

类型检查:
type(price)=<class 'float'>
type(quantity)=<class 'int'>
type(product)=<class 'str'>
type(in_stock)=<class 'bool'>

容器类型

复合数据结构的典型代表：

specs = ["4K分辨率", "HDR10", "Type-C接口"]
inventory = {"A001": 15, "B205": 3}

print(f"列表 specs: {specs}")
print(f"字典 inventory: {inventory}")
print(f"浮点转字符串: {str(3.14)}")
print(f"字符串转整型: {int('1024')}")
print(f"字符串转列表: {list('ABCD')}")

列表 specs: ['4K分辨率', 'HDR10', 'Type-C接口']
字典 inventory: {'A001': 15, 'B205': 3}
浮点转字符串: 3.14
字符串转整型: 1024
字符串转列表: ['A', 'B', 'C', 'D']

Pandas扩展类型

Series类型

一维带标签数组的创建与操作：

import pandas as pd

stock_data = {"苹果公司仓": 42, "谷歌公司仓": 37, "亚马逊仓": 59}
series = pd.Series(stock_data, name="库存量")

print("Series数据类型:")
print(series.dtype)
print("\n值数组:")
print(series.values)
print("\n索引数组:")
print(series.index)

Series数据类型:
int64

值数组:
[42 37 59]

索引数组:
Index(['苹果公司仓', '谷歌公司仓', '亚马逊仓'], dtype='str')

DataFrame类型

二维表格数据的核心操作：

import pandas as pd

data = {
    "产品ID": ["P1001", "P1002", "P1003"],
    "单价(元)": [2999, 1599, 899],
    "库存状态": ["充足", "缺货", "充足"],
    "是否新品": [True, False, True]
}
df = pd.DataFrame(data)

print("DataFrame概览:")
print(df)
print("\n数据类型明细:")
print(df.dtypes)

执行后输出示例：

DataFrame概览:
    产品ID  单价(元) 库存状态   是否新品
0  P1001   2999   充足   True
1  P1002   1599   缺货  False
2  P1003    899   充足   True

数据类型明细:
产品ID       str
单价(元)    int64
库存状态       str
是否新品      bool
dtype: object

类型优化技巧

内存节省策略

import pandas as pd

data = {
    "产品ID": ["P1001", "P1002", "P1003"],
    "单价(元)": [2999, 1599, 899],
    "库存状态": ["充足", "缺货", "充足"],
    "是否新品": [True, False, True]
}
df = pd.DataFrame(data)

print("优化前内存使用:")
print(df.memory_usage(deep=True))

df["产品ID"] = df["产品ID"].astype('category')
df["是否新品"] = df["是否新品"].astype('int8')

print("\n优化后内存使用:")
print(df.memory_usage(deep=True))

优化前内存使用:
Index    132
产品ID     162
单价(元)     24
库存状态     210
是否新品       3
dtype: int64

优化后内存使用:
Index    132
产品ID     165
单价(元)     24
库存状态     210
是否新品       3
dtype: int64

时间类型处理

import pandas as pd

date_str = ["2023-01-15", "2023-02-20", "2023-03-10"]
dates = pd.to_datetime(date_str)

delta = dates.max() - dates.min()
print(f"最早与最晚日期相差: {delta.days}天")

最早与最晚日期相差: 54天

📝 动手练一练

第 1 题 · 概念应用

在构建一个简单的股票筛选模型时，你需要处理以下数据字段。请判断每个字段在 Pandas 中应优先使用哪种数据类型进行存储，并说明理由。

stock_code：股票代码，如 ‘000001.SZ’。
close_price：每日收盘价，如 18.56。
industry：所属行业，如 ‘银行’、‘医药生物’，共有 30 个不同的行业。
is_st：是否为 ST 股票，取值为 True 或 False。
trade_date：交易日期，如 ‘2024-05-10’。

请从以下选项中选择最合适的组合：

A. object, float64, object, bool, object
B. category, float32, category, int8, datetime64[ns]
C. object, float64, category, bool, datetime64[ns]
D. category, float64, object, int8, object

👉 点击查看参考答案

答案：C

推理过程：

stock_code：股票代码虽然是文本，但每个代码通常唯一，类别数量巨大（与股票数量相当）。将其转换为 category 类型的内存收益可能不大，甚至可能增加开销，因此保留为字符串类型即可（pandas 3 中字符串列的 dtype 显示为 str；早期版本显示为 object，本题选项沿用 object 这一历史写法，指的就是普通字符串列）。
close_price：收盘价是连续的数值，需要进行算术运算（如计算收益率），因此应使用数值型。float64 是 Pandas 默认的浮点类型，精度足够。
industry：行业是典型的类别型数据，且类别数量有限（仅30个）。使用 category 类型可以显著节省内存并提升某些分组操作的性能。
is_st：这是一个二值标签，bool 类型是最直接、最语义化的选择。
trade_date：日期数据应转换为 datetime64[ns] 类型，以便进行时间序列分析、计算时间差等操作。

选项 C 完美匹配了上述分析。选项 B 将 close_price 设为 float32 虽可省内存，但可能引入精度损失，非优先推荐；将 is_st 设为 int8 虽也可行，但不如 bool 直观。选项 A 和 D 未将 industry 或 trade_date 转换为更高效的类型。

第 2 题 · 代码填空

在分析股票估值时，我们常将市净率（PB）进行离散化处理，以便按估值水平分组。以下代码尝试使用等频分箱（即每个箱内数据量大致相等）将 PB 值分为“低”、“中”、“高”三组。请填入正确的 Pandas 分箱函数名。

import pandas as pd
import numpy as np

# 模拟10只股票的PB数据
pb_data = pd.Series([0.8, 1.2, 2.5, 3.8, 0.9, 1.5, 5.1, 2.2, 1.8, 4.0])
labels = ['低估值', '中等估值', '高估值']

# 使用等频分箱，将数据分为3组
pb_group = pd.______(pb_data, q=3, labels=labels)

print(pb_group.value_counts().sort_index())

👉 点击查看参考答案

空位应填：qcut

完整可运行代码：

import pandas as pd
import numpy as np

# 模拟10只股票的PB数据
pb_data = pd.Series([0.8, 1.2, 2.5, 3.8, 0.9, 1.5, 5.1, 2.2, 1.8, 4.0])
labels = ['低估值', '中等估值', '高估值']

# 使用等频分箱，将数据分为3组
pb_group = pd.qcut(pb_data, q=3, labels=labels)

print(pb_group.value_counts().sort_index())

输出结果：

低估值     4
中等估值    3
高估值     3
Name: count, dtype: int64

解释：

pd.qcut 根据样本分位数进行分箱，确保每个箱内的数据量尽可能相等。参数 q=3 表示分成3个等频区间。
由于总数据点数为10，无法完全平均分配，所以分组结果为低估值组4个，中、高估值组各3个。
与之相对的 pd.cut 是根据指定的数值边界进行分箱，常用于等宽分箱。本题要求等频，故应使用 qcut。

本章小结

📋 行动清单

使用pd.to_numeric()将字符串列”销售数量”转换为数值型，处理其中可能存在的无效字符
创建包含1000个随机整数的Series，对比astype('int32')与astype('int8')的内存占用差异
用pd.Categorical()优化包含重复文本（如省份名称）的DataFrame列，记录内存节省比例

—— 小象教研组