第03讲 按标签取数 字典与结构化数组

📎 配套代码：第03讲_按标签取数.py
📊 配套数据：本讲用课件内的小样本（2024-01-02 真实收盘快照），无需外部数据

🎬 开场：位置是会变的

本讲的样本是 2024-01-02 的真实收盘数据（取自本地 tushare pro_bar），只取四五只股票是为了每个值都看得清。

上一讲用位置取数，close[0] 取第一只股票的价格。看这段代码：

codes = ["600519", "000858", "601318", "000001"]
close = np.array([1685.01, 136.00, 39.47, 9.21])

close[0]        # 1685.01  —— 贵州茅台

现在你要按价格排个序（研究里再常见不过的动作）：

order  = np.argsort(close)          # 升序
codes  = [codes[i] for i in order]
close  = close[order]

close[0]        # 9.21   ← 变成平安银行了

代码一个字没改，close[0] 指向的股票变了。

位置只是数据当前排列顺序的一个副产品。排序、插入、删除、合并、筛选——这些动作都会重排位置。而你真正想指的那个东西（贵州茅台）从来没变过，变的只是它排第几。

这就是标签取数存在的理由：你说的是”茅台”，不是”第 0 个”。

在量化里，这个问题格外要命，因为你几乎总在做重排数据的动作：

只要你的代码里写着”第 3 列”，任何一次重排都可能让它悄悄指向别的东西。而且不报错。

一、🧰 字典：最基本的标签取数

Python 里最常用的标签容器就是字典——用名字存，用名字取：

close = {"600519": 1685.01, "000858": 136.00, "601318": 39.47}

close["600519"]      # 1685.01

不管字典里的键是什么顺序，close["600519"] 永远给你茅台的价格。

取不到怎么办

直接用 [] 取一个不存在的键会报 KeyError。多数时候你不希望程序就这么停掉：

close["999999"]                 # ❌ KeyError
close.get("999999")             # None      —— 取不到给 None
close.get("999999", 0.0)        # 0.0       —— 取不到给你指定的默认值

.get() 在处理真实数据时很有用：一批股票里有几只当天停牌、数据源没给，用 .get(code, np.nan) 可以让流程继续走下去，同时把缺失标记成 NaN，而不是让整个脚本崩掉。

WARNING: ⚠️ 但”不崩掉”不等于”没问题”
.get(code, 0.0) 把缺失填成 0，代码不报错了——可 0 元的股价是个荒谬的数字，它会一路流进你的收益率计算。默认值填什么，是个需要想清楚的决定：填 np.nan 通常比填 0 安全，因为 NaN 会在后续计算里保持”缺失”这个状态，而 0 会伪装成一个正常数字。

常用操作

"600519" in close          # True    —— 判断有没有
close.keys()               # 所有标签
close.values()             # 所有值
close.items()              # 成对拿出来，常用来遍历

for code, px in close.items():
    print(code, px)

用推导式批量取

给定一个股票池，把它们的价格都取出来：

pool = ["600519", "601318"]
{code: close[code] for code in pool}              # 假设都存在
{code: close.get(code, np.nan) for code in pool}  # 更稳妥

🎮 随堂快练

QUESTION: 你有一个字典 mktcap（代码 → 市值），和一个股票池列表 pool。写代码取出池子里所有股票的市值，池子里可能有几只不在字典中。
TIP: 👉 答案

{c: mktcap.get(c, np.nan) for c in pool}

用 .get(c, np.nan) 而不是 mktcap[c]——后者遇到不存在的代码会直接 KeyError 中断。填 np.nan 而不是 0，因为市值为 0 的股票在后续排序、分组里会被当成”最小市值”，而 NaN 会被正确识别为缺失。

二、🧰 结构化数组：给数组的列起名字

字典解决了”按名字取”，但它有个短板：装不了二维表格。

行情数据是这样的：每一行是一条记录，每条记录有代码、收盘价、成交量几个字段。用字典表示会很别扭。

numpy 的结构化数组正好补这个位置——给数组的每一列起个名字：

dt = np.dtype([("code", "U6"), ("close", "f8"), ("vol", "i8")])
arr = np.array([("600519", 1685.01, 32156),
                ("000858",  136.00, 215269)], dtype=dt)

dtype 在这里描述了一条记录的结构：code 是 6 个字符的字符串、close 是 8 字节浮点、vol 是 8 字节整数。

取数就有了两个方向：

arr["close"]     # 按字段名取一整列  → [1685.01  136.  ]
arr["code"]      # → ['600519' '000858']
arr[0]           # 按位置取一整行    → ('600519', 1685.01, 32156)
arr[0]["close"]  # 先取行再取字段    → 1685.01

这已经很接近 DataFrame 了：按名字取列、按位置取行。区别在于 DataFrame 的行也有标签，而且功能多得多。

按字段取是视图

np.shares_memory(arr, arr["close"])    # True

取一整列不复制数据，改它会改到原数组。这和上一讲的规律一致：字段在内存里是等间隔排列的（每条记录占固定字节数，同一字段每次跳过一条记录的长度），所以能用窗口表达。

🎮 随堂快练

QUESTION: 用上面的 arr，写出：① 所有股票的成交量　② 第二条记录的代码　③ 判断 arr["close"] 改动后会不会影响 arr
TIP: 👉 答案
① arr["vol"]　② arr[1]["code"]（或 arr["code"][1]）　③ 会影响，因为按字段取返回的是视图，np.shares_memory 返回 True。要独立副本得写 arr["close"].copy()。

三、🤔 位置还是标签：怎么选

两种方式都能取到同一个数，但适用场景不同。

最后一行很关键：标签取数错了会报错，位置取数错了不会。

close["600520"]（代码写错一位）立刻 KeyError，你马上知道。而 close[3]（本该是 2）安静地返回一个数字，你可能到最后都发现不了。

什么时候该用哪个

用位置：维度本身就是有序的，且顺序有含义。

• 时间序列的”最近 250 天”：px[-250:]
• 训练集/测试集切分：px[:split] / px[split:]

用标签：这个维度只是”一堆东西”，顺序是任意的。

• 哪只股票：d["600519"]
• 哪个字段：arr["close"]

行情矩阵正好是这两者的组合——行（时间）用位置，列（股票）用标签。这正是 pandas 的 DataFrame 要做的事：给行和列都配上标签，同时保留按位置取的能力。

IMPORTANT: 🔑 pandas 的设计动机
到第 05–07 讲你会看到，pandas 把这两套方式做成了两个明确的入口：

• df.iloc[0] —— 按位置（i = integer）
• df.loc["600519"] —— 按标签

分成两个名字，就是为了不让你搞混。numpy 只有一套 []，你得自己记住方括号里的东西是位置还是别的什么；pandas 强迫你说清楚。

🎮 随堂快练

QUESTION: 下面两个需求，各该用位置还是标签？
① 取某只股票最近 60 个交易日的收盘价
② 从一张有 30 个字段的行情表里取出”收盘价”和”成交量”两列
TIP: 👉 答案
① 两者都用：股票用标签（哪只）、时间用位置（最近 60 天）。
② 标签。字段的排列顺序是任意的——数据源换个版本、多加一个字段，位置就变了。写 arr"close","vol" 而不是 arr[:, [3, 7]]。

🏋️ 训练营

QUESTION: 🟢 训练 1：你有 close = {"600519": 1685.01, "000858": 136.00}。写出：① 取茅台的价格　② 取一个可能不存在的代码，取不到时返回 NaN　③ 判断 “601318” 在不在里面
TIP: 👉 参考
① close["600519"]　② close.get(code, np.nan)　③ "601318" in close

QUESTION: 🟡 训练 2：下面这段代码想”取出市值最大的 3 只股票的代码”，但有个隐患。指出来。

order = np.argsort(mktcap)[::-1]     # 按市值降序
top3  = codes[:3]                     # 取前 3 个代码

TIP: 👉 参考
order 算出来了，但根本没用上。codes[:3] 取的还是原始顺序的前三只，和市值毫无关系。
正确写法要用 order 去重排 codes：

top3 = [codes[i] for i in order[:3]]

这个 bug 不报错，还会给你三个看起来很正常的股票代码——这正是位置取数最典型的出错方式：你以为位置反映了某种顺序，其实没有。

QUESTION: 🔴 训练 3：你要把两个数据源的价格对上——A 源是字典 {代码: 价格}，B 源是两个平行的列表 codes_b 和 prices_b（第 i 个代码对应第 i 个价格）。写代码找出两边价格差异超过 1% 的股票。
TIP: 👉 参考

b = dict(zip(codes_b, prices_b))        # 先把 B 源也变成字典
diff = {c: abs(a_price[c] - b[c]) / b[c]
        for c in a_price.keys() & b.keys()    # 只比较两边都有的
        if abs(a_price[c] - b[c]) / b[c] > 0.01}

关键有两点：
① 先把平行列表转成字典（dict(zip(...))）。两个平行列表靠位置对应，非常脆弱——任何一方排序变了，对应关系就全错，而且不报错。
② 用 keys() & keys() 取交集，只比较两边都有的股票。直接遍历 A 的键去查 B 会 KeyError。

🐛 常见坑

• ⚠️ 算了排序却没用上：np.argsort 返回的是位置数组，你得拿它去重排数据，光算不用等于没做。
• ⚠️ 两个平行列表靠位置对应：任何一方重排，对应关系全错且不报错。及早转成字典或结构化数组。
• ⚠️ .get() 的默认值填 0：0 会伪装成正常数字流进后续计算。填 np.nan 更安全。
• ⚠️ 字段位置写死：arr[:, 3] 在数据源加一个字段后就指向别处。用字段名。
• ⚠️ 结构化数组按字段取是视图：改它会改原数组，要独立副本得 .copy()。

✍️ 作业

1. 把开场那段代码跑一遍：建 codes 和 close，打印 close[0]；然后按价格升序重排，再打印 close[0]，确认它变了。
2. 用 dict(zip(codes, close)) 把它们转成字典，重复上面的排序操作，验证 d["600519"] 不受影响。
3. 造一个有 code / close / vol 三个字段的结构化数组，分别按字段名和按行位置取数，并用 np.shares_memory 验证按字段取是不是视图。
4. 思考题：既然标签取数更安全，为什么不干脆全部用标签、彻底抛弃位置？（提示：想想”最近 20 个交易日”这个需求——你知道那 20 天分别是哪天吗？如果知道，写起来方便吗？）

🔮 下讲预告：第 04 讲——按条件取数。前两讲你都得先知道”要第几个”或”叫什么名字”。但研究里更多的情况是：你不知道是哪些，只知道它们满足什么条件——涨幅超过 5% 的、市值前 20% 的、剔除掉 ST 的。下一讲讲布尔掩码，以及一个在 pandas 里会反复出现的陷阱。