申万二级行业在最近1年、3个月、5个交易日的涨幅统计

来源：https://uqer.io/community/share/55401d69f9f06c1c3d687fa1

功能：运行此代码可知最近1年、3个月、5个交易日各个行业的涨幅

注意1：行业是采用申万二级行业分类

注意2：行业涨幅是个股涨幅加权平均成交金额所得

def GetEquIndustry(universe,field):    #获得行业信息
    num = 100
    cnt_num = len(universe)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.EquIndustryGet(secID=universe[i*num:(i+1)*num],field=field)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(universe):
            sub_df = DataAPI.EquIndustryGet(secID=universe[(i+1)*num:],field=field)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.EquIndustryGet(secID=universe,field=field)
    return df

def CountTime():    #获得可获得数据的最后一个交易日日期，返回的是datetime格式
    cal = Calendar('China.SSE')
    today = datetime.today()
    today_str = today.strftime("%Y%m%d")
    cal_date = Date.fromDateTime(today)       
    time1=" 17:05:00"
    ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S")
    if cal.isBizDay(cal_date) & (today>ben_time):    #如果是交易日，则判断当天是不是在15点前        
        date = today
    else:    #如果当天不是交易日，则获得前一个交易日
        cal_wd = cal.advanceDate(cal_date, '-1B', BizDayConvention.Following)    #Date格式
        date = cal_wd.toDateTime()    #datetime格式        
    return date

def GetMktEqud(tk_list,**kargs):
    num = 100
    cnt_num = len(tk_list)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.MktEqudGet(ticker=tk_list[i*num:(i+1)*num],**kargs)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(tk_list):
            sub_df = DataAPI.MktEqudGet(ticker=tk_list[(i+1)*num:],**kargs)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.MktEqudGet(ticker=tk_list,**kargs)


    list_info = GetSecID(tk_list = tk_list,field=['ticker','listDate'])    #获得上市日期信息，修改上市当天的数据中的preClosePrice为openPrice
    df.set_index(['ticker','tradeDate'],inplace=True)     
    df_gp = df.groupby(level='ticker')    
    df_new = pd.DataFrame({})    #储存新数据
    for tk,sub_info in df_gp:
        list_date = list_info['listDate'][list_info['ticker']==tk].iloc[0]
        try:
            sub_info.loc[(tk,list_date),'preClosePrice'] = sub_info.loc[(tk,list_date),'openPrice'] 
        except:
            pass
        list_info = list_info[list_info['ticker']!=tk]    
        df_new = pd.concat([df_new,sub_info])
    df_new.reset_index(inplace=True)
    return df_new
def GetSecID(tk_list,field):    #获取上市日期
    num = 100
    cnt_num = len(tk_list)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.SecIDGet(ticker=tk_list[i*num:(i+1)*num],field=field)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(tk_list):
            sub_df = DataAPI.SecIDGet(ticker=tk_list[(i+1)*num:],field=field)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.SecIDGet(ticker=tk_list,field=field)
    return df

def GetReturn(Mkt_Info_df):    #该函数是用来获得行业在一段时间内的收益，以及个股在这段时间内的收益（先计算成分股在一段时间内的涨幅，再加权成交金额得到主题的涨幅）

    Mkt_Info_df_gp = Mkt_Info_df.groupby('ticker')    
    tk_inc_dic = {'ticker':[],'return':[],'turnoverValue':[]}
    for tk,sub_info in Mkt_Info_df_gp:
        rtn = sub_info['increase'].prod()-1
        tnv = sub_info['turnoverValue'].sum()/len(sub_info)    #获得平均成交金额
        tk_inc_dic['ticker'].append(tk)
        tk_inc_dic['return'].append(rtn)
        tk_inc_dic['turnoverValue'].append(tnv)        
    tk_inc_df = pd.DataFrame(tk_inc_dic)
    tk_inc_df['secShortName'] = tk_inc_df['ticker'].apply(lambda x:tk2nm_dic[x])
    rtn_together = (tk_inc_df['return']*tk_inc_df['turnoverValue']).sum()/tk_inc_df['turnoverValue'].sum()    #获得该主题一段时间的涨幅，成交金额加权收益
    return rtn_together,tk_inc_df

import pandas as pd
cal = Calendar('China.SSE')

universe = DataAPI.EquGet(equTypeCD='A')['secID'].tolist()    #获得全A股的secID
id2nm = lambda x:x[0:6]
tk_list_A = map(id2nm,universe)    #获得全A股的ticker

Ind_info = GetEquIndustry(universe=universe,field=['ticker','secShortName','industryName2'])    #获得个股的申万行业分类
Ind_info_gp = Ind_info.groupby('industryName2')    #按照行业分组
Ind_tks_dic = {}    #获得每个行业包含的股票
for ind_nm,sub_info in Ind_info_gp:
    Ind_tks_dic[ind_nm] = sub_info['ticker'].tolist()

#获得统计的日期

#获得研究的结束时间，如果在当天收盘前，则为前一个交易日
endDate_dt = CountTime()
endDate_CAL = Date.fromDateTime(endDate_dt)

#前一季度的时间
beginDate_3M_CAL = cal.advanceDate(endDate_CAL,'-3M',BizDayConvention.Following)
beginDate_3M_dt = beginDate_3M_CAL.toDateTime()
#前5个交易日的时间
period_day = 5              ###################输入###################
period_CAL = '-'+str(period_day)+'B'
beginDate_5B_CAL = cal.advanceDate(endDate_CAL, period_CAL, BizDayConvention.Following) 
beginDate_5B_dt = beginDate_5B_CAL.toDateTime()

#获得全A股在过去1年的市场行情

field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue','marketValue']
Mkt_Info_df_1Y = GetMktEqud(tk_list=tk_list_A,field =field)     #获取市场行情，省略了beginDate和endDate，则获取最近1年的行情
Mkt_Info_df_1Y['tradeDate'] = pd.to_datetime(Mkt_Info_df_1Y['tradeDate'])    #将tradeDate这一列的格式由string改为datetime
Mkt_Info_df_1Y['increase'] = Mkt_Info_df_1Y['closePrice']/Mkt_Info_df_1Y['preClosePrice']    #获得个股每天的收益

tk_nm_dic = dict(zip(Mkt_Info_df_1Y['ticker'],Mkt_Info_df_1Y['secShortName']))    #获得个股ticker与名称的对应字典

Mkt_Info_df_3M = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_3M_dt]    #最近3个月的信息
Mkt_Info_df_5B = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_5B_dt]    #最近5个交易日的信息

#统计得到个股以下信息：1年收益inc_1Y、3个月收益inc_3M、5个交易日收益inc_5B，1年平均市值mkv_1Y、3个月平均市值mkv_3M、5个交易日平均市值mkv_5B

#获得一年的涨幅、平均成交金额数据
Mkt_Info_df_1Y_gp = Mkt_Info_df_1Y.groupby('ticker')    #按照ticker分类
tk_rtn_dic_1Y = {'ticker':[],'inc_1Y':[],'tnv_1Y':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_1Y_gp:
    inc_1Y = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_1Y = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_1Y['ticker'].append(tk)
    tk_rtn_dic_1Y['inc_1Y'].append(inc_1Y)
    tk_rtn_dic_1Y['tnv_1Y'].append(tnv_avg_1Y)    
tk_rtn_df_1Y = pd.DataFrame(tk_rtn_dic_1Y)
#获得3个月的涨幅、平均成交金额数据
Mkt_Info_df_3M_gp = Mkt_Info_df_3M.groupby('ticker')    #按照ticker分类
tk_rtn_dic_3M = {'ticker':[],'inc_3M':[],'tnv_3M':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_3M_gp:
    inc_3M = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_3M = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_3M['ticker'].append(tk)
    tk_rtn_dic_3M['inc_3M'].append(inc_3M)
    tk_rtn_dic_3M['tnv_3M'].append(tnv_avg_3M)    
tk_rtn_df_3M = pd.DataFrame(tk_rtn_dic_3M)

#获得5个交易日的涨幅、平均成交金额数据
Mkt_Info_df_5B_gp = Mkt_Info_df_5B.groupby('ticker')    #按照ticker分类
tk_rtn_dic_5B = {'ticker':[],'inc_5B':[],'tnv_5B':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_5B_gp:
    inc_5B = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_5B = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_5B['ticker'].append(tk)
    tk_rtn_dic_5B['inc_5B'].append(inc_5B)
    tk_rtn_dic_5B['tnv_5B'].append(tnv_avg_5B)    
tk_rtn_df_5B = pd.DataFrame(tk_rtn_dic_5B)

#计算1年、3个月、5个交易日的行业涨幅

Ind_tks_dic
ind_rtn_dic = {'industry':[],'rtn_1Y':[],'rtn_3M':[],'rtn_5B':[],'bigstk_1Y':[],'bigstk_3M':[],'bigstk_5B':[],'Num':[]}
for ind,tks in Ind_tks_dic.items():
    sub_info_1Y = tk_rtn_df_1Y[tk_rtn_df_1Y['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_1Y = (sub_info_1Y['inc_1Y']*sub_info_1Y['tnv_1Y']).sum()/sub_info_1Y['tnv_1Y'].sum()
    bigstk_1Y = sub_info_1Y.sort(columns='tnv_1Y',ascending=False)['ticker'][0:3].tolist()

    sub_info_3M = tk_rtn_df_3M[tk_rtn_df_3M['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_3M = (sub_info_3M['inc_3M']*sub_info_3M['tnv_3M']).sum()/sub_info_3M['tnv_3M'].sum()
    bigstk_3M = sub_info_3M.sort(columns='tnv_3M',ascending=False)['ticker'][0:3].tolist()

    sub_info_5B = tk_rtn_df_5B[tk_rtn_df_5B['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_5B = (sub_info_5B['inc_5B']*sub_info_5B['tnv_5B']).sum()/sub_info_5B['tnv_5B'].sum()
    bigstk_5B = sub_info_5B.sort(columns='tnv_5B',ascending=False)['ticker'][0:3].tolist()

    ind_rtn_dic['industry'].append(ind)
    ind_rtn_dic['Num'].append(len(sub_info_1Y))
    ind_rtn_dic['rtn_1Y'].append(rtn_ind_1Y)
    ind_rtn_dic['bigstk_1Y'].append(map(lambda x:tk_nm_dic[x],bigstk_1Y))
    ind_rtn_dic['rtn_3M'].append(rtn_ind_3M)
    ind_rtn_dic['bigstk_3M'].append(map(lambda x:tk_nm_dic[x],bigstk_3M))
    ind_rtn_dic['rtn_5B'].append(rtn_ind_5B)
    ind_rtn_dic['bigstk_5B'].append(map(lambda x:tk_nm_dic[x],bigstk_5B))

ind_rtn_df = pd.DataFrame(ind_rtn_dic)

ind_rtn_df_sort_1Y = ind_rtn_df.sort(columns='rtn_1Y',ascending=False).loc[:,['industry','rtn_1Y','bigstk_1Y','Num','rtn_3M','rtn_5B']]
ind_rtn_df_sort_1Y.columns = [u'行业名称',u'最近一年收益',u'一年内平均成交量最大的股票',u'该行业个股数目',u'最近3个月收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，1年内行业涨幅'
ind_rtn_df_sort_1Y

一共有103个申万二级行业 ，1年内行业涨幅

	行业名称	最近一年收益	一年内平均成交量最大的股票	该行业个股数目	最近3个月收益	最近5个交易日收益
99	运输设备	5.303234	[中国南车, 中国北车, 晋西车轴]	8	1.173940	-0.014448
90	基础建设	4.691083	[中国中铁, 中国铁建, 中国交建]	25	0.921275	0.093444
1	航空运输	3.131124	[海南航空, 南方航空, 春秋航空]	6	0.876162	0.056124
8	航运	3.057806	[中海集运, 中国远洋, 中海发展]	12	1.016439	0.270692
15	计算机应用	2.754977	[用友网络, 恒生电子, 华胜天成]	96	0.860180	0.011083
98	互联网传媒	2.651445	[乐视网, 鹏博士, 东方财富]	24	0.802981	0.062447
39	专业工程	2.625073	[中国中冶, 中国化学, 航天工程]	20	0.915729	0.247647
53	房屋建设	2.582405	[中国建筑, 上海建工, 龙元建设]	4	0.629508	0.091970
71	计算机设备	2.366100	[同方股份, 大华股份, 浪潮信息]	40	0.575884	0.014130
13	证券	2.361874	[中信证券, 东方证券, 海通证券]	23	0.523428	0.021711
34	通信运营	2.353681	[中国联通, 二六三]	2	1.195826	0.305338
11	仪器仪表	2.329112	[航天科技, 天和防务, 先河环保]	24	0.734938	0.069429
24	船舶制造	2.266239	[中国重工, 中国船舶, 广船国际]	8	0.602151	0.111529
7	专用设备	2.191821	[三一重工, 中国一重, 中联重科]	105	0.504312	0.083313
81	钢铁	2.183165	[包钢股份, 宝钢股份, 河北钢铁]	33	0.550343	0.035136
60	物流	2.115166	[怡亚通, 中储股份, 建发股份]	18	0.703845	0.008994
70	港口	2.063319	[天津港, 唐山港, 营口港]	17	0.389900	0.018574
33	农产品加工	1.938949	[中粮屯河, 中粮生化, 朗源股份]	17	0.646614	0.078169
94	通用机械	1.894176	[中核科技, 机器人, 晋亿实业]	96	0.604509	0.016274
52	高速公路	1.891902	[福建高速, 重庆路桥, 五洲交通]	18	0.645981	0.040706
23	化学纤维	1.821298	[中纺投资, 皖维高新, 华峰氨纶]	27	0.638380	0.085734
12	地面兵装	1.820928	[北方导航, 中航黑豹, 四创电子]	4	0.228236	-0.024187
44	服装家纺	1.805284	[雅戈尔, 际华集团, 探路者]	39	0.621356	0.002398
62	航空装备	1.793423	[中航飞机, 成飞集成, 洪都航空]	13	0.351965	0.005921
97	商业物业经营	1.791940	[小商品城, 农产品, 轻纺城]	15	0.638699	0.010417
36	多元金融	1.787572	[中航资本, 爱建股份, 安信信托]	11	0.330127	0.096928
41	景点	1.787031	[九华旅游, 宋城演艺, 长白山]	8	0.819598	0.030744
25	旅游综合	1.783006	[中青旅, 腾邦国际, 北部湾旅]	16	0.809576	0.005146
83	营销传播	1.779635	[蓝色光标, 省广股份, 腾信股份]	9	0.431896	-0.006486
56	电力	1.766792	[国电电力, 国投电力, 长江电力]	58	0.489520	0.050847
...	...	...	...	...	...	...
50	造纸	1.263068	[景兴纸业, 山鹰纸业, 冠豪高新]	23	0.480623	0.019398
95	化学制药	1.256582	[鲁抗医药, 恒瑞医药, 新和成]	62	0.478035	0.009671
69	综合	1.248448	[中国宝安, 中信国安, 东方集团]	53	0.444324	0.031787
65	公交	1.229096	[大众交通, 强生控股, 锦江投资]	8	0.451447	0.009324
75	饲料	1.216313	[新希望, 大北农, 禾丰牧业]	11	0.403494	0.000612
58	半导体	1.206561	[国民技术, 长电科技, 华天科技]	22	0.471403	0.030992
32	畜禽养殖	1.177174	[罗牛山, 大康牧业, 仙坛股份]	16	0.529071	0.011948
26	机场	1.166775	[上海机场, 白云机场, 厦门空港]	4	0.275427	-0.039167
101	金属非金属新材料	1.131387	[烯碳新材, 方大炭素, 中科三环]	24	0.404832	0.009488
22	水泥制造	1.112418	[海螺水泥, 金隅股份, 亚泰集团]	19	0.411717	-0.003110
30	中药	1.090465	[康美药业, 吉林敖东, 云南白药]	59	0.506922	0.023478
28	医疗服务	1.086574	[恒康医疗, 爱尔眼科, 金陵药业]	8	0.770956	-0.007666
40	石油化工	1.062722	[中国石化, 广汇能源, 上海石化]	15	0.458994	0.155356
45	动物保健	1.061414	[中牧股份, 金宇集团, 升华拜克]	7	0.397987	0.002755
10	采掘服务	1.059690	[海油工程, 中海油服, 中矿资源]	11	0.391112	-0.026253
9	农业综合	1.047126	[大禹节水, 农发种业]	2	0.215880	-0.004511
49	银行	1.031171	[兴业银行, 浦发银行, 民生银行]	16	0.243698	0.031925
46	汽车服务	1.024574	[庞大集团, 申华控股, 国机汽车]	6	0.572989	0.112366
43	稀有金属	1.023880	[北方稀土, 五矿稀土, 厦门钨业]	21	0.326484	0.028529
79	石油开采	0.999020	[中国石油]	1	0.169796	0.103156
77	种植业	0.997333	[亚盛集团, 海南橡胶, 隆平高科]	14	0.255847	-0.008357
76	玻璃制造	0.988161	[南玻A, 金刚玻璃, 金晶科技]	9	0.495342	0.117769
6	汽车整车	0.976699	[上汽集团, 比亚迪, 长安汽车]	22	0.300511	0.031516
91	光学光电子	0.960364	[京东方A, 三安光电, 东旭光电]	42	0.389974	-0.029134
21	食品加工	0.873128	[伊利股份, 双汇发展, 梅花生物]	33	0.383895	-0.016259
63	园林工程	0.856421	[东方园林, 蒙草抗旱, 棕榈园林]	7	0.421860	-0.027685
38	渔业	0.778087	[大湖股份, 好当家, 獐子岛]	10	0.389029	0.018921
93	饮料制造	0.774735	[五粮液, 贵州茅台, 泸州老窖]	36	0.267515	-0.024910
2	其他轻工制造	0.742366	[易尚展示]	1	0.742366	0.742366
55	餐饮	0.552202	[中科云网, 西安饮食, 零七股份]	4	0.192203	0.013139

103 rows × 6 columns

ind_rtn_df_sort_3M = ind_rtn_df.sort(columns='rtn_3M',ascending=False).loc[:,['industry','rtn_3M','bigstk_3M','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_3M.columns = [u'行业名称',u'最近3个月收益',u'3个月内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，3个月内行业涨幅'
ind_rtn_df_sort_3M

一共有103个申万二级行业 ，3个月内行业涨幅

	行业名称	最近3个月收益	3个月内平均成交量最大的股票	该行业个股数目	最近一年收益	最近5个交易日收益
34	通信运营	1.195826	[中国联通, 二六三]	2	2.353681	0.305338
99	运输设备	1.173940	[中国南车, 中国北车, 晋西车轴]	8	5.303234	-0.014448
8	航运	1.016439	[中海集运, 中国远洋, 中海发展]	12	3.057806	0.270692
90	基础建设	0.921275	[中国中铁, 中国铁建, 中国交建]	25	4.691083	0.093444
39	专业工程	0.915729	[中国中冶, 中国化学, 中工国际]	20	2.625073	0.247647
1	航空运输	0.876162	[南方航空, 海南航空, 中国国航]	6	3.131124	0.056124
15	计算机应用	0.860180	[大智慧, 用友网络, 恒生电子]	96	2.754977	0.011083
41	景点	0.819598	[宋城演艺, 九华旅游, 峨眉山A]	8	1.787031	0.030744
25	旅游综合	0.809576	[中青旅, 腾邦国际, 号百控股]	16	1.783006	0.005146
98	互联网传媒	0.802981	[乐视网, 掌趣科技, 鹏博士]	24	2.651445	0.062447
100	装修装饰	0.789720	[金螳螂, 洪涛股份, 亚厦股份]	12	1.460358	0.022219
28	医疗服务	0.770956	[迪安诊断, 恒康医疗, 爱尔眼科]	8	1.086574	-0.007666
51	电子制造	0.755818	[歌尔声学, 蓝思科技, 得润电子]	32	1.431560	-0.004972
2	其他轻工制造	0.742366	[易尚展示]	1	0.742366	0.742366
11	仪器仪表	0.734938	[航天科技, 先河环保, 雪迪龙]	24	2.329112	0.069429
57	环保工程及服务	0.722461	[万邦达, 碧水源, 桑德环境]	28	1.687707	0.021656
5	医疗器械	0.711224	[和佳股份, 千山药机, 新华医疗]	22	1.628250	0.044459
60	物流	0.703845	[怡亚通, 建发股份, 中储股份]	18	2.115166	0.008994
61	一般零售	0.669449	[文峰股份, 国际医学, 永辉超市]	49	1.501575	0.033214
89	电气自动化设备	0.647961	[国电南瑞, 许继电气, 汇川技术]	38	1.429676	0.017054
33	农产品加工	0.646614	[中粮屯河, 中粮生化, 东凌粮油]	17	1.938949	0.078169
52	高速公路	0.645981	[中原高速, 福建高速, 重庆路桥]	18	1.891902	0.040706
97	商业物业经营	0.638699	[小商品城, 农产品, 华联股份]	15	1.791940	0.010417
23	化学纤维	0.638380	[皖维高新, 中纺投资, 华峰氨纶]	27	1.821298	0.085734
29	包装印刷	0.637423	[劲嘉股份, 陕西金叶, 奥瑞金]	24	1.531204	0.042091
53	房屋建设	0.629508	[中国建筑, 上海建工, 龙元建设]	4	2.582405	0.091970
44	服装家纺	0.621356	[雅戈尔, 际华集团, 美邦服饰]	39	1.805284	0.002398
0	家用轻工	0.621297	[宜华木业, 威华股份, 明牌珠宝]	43	1.272965	0.081527
94	通用机械	0.604509	[中核科技, 机器人, 中航重机]	96	1.894176	0.016274
24	船舶制造	0.602151	[中国重工, 中国船舶, 广船国际]	8	2.266239	0.111529
...	...	...	...	...	...	...
63	园林工程	0.421860	[东方园林, 普邦园林, 蒙草抗旱]	7	0.856421	-0.027685
22	水泥制造	0.411717	[海螺水泥, 亚泰集团, 金隅股份]	19	1.112418	-0.003110
86	其他交运设备	0.411019	[隆鑫通用, 中国嘉陵, 深中华A]	7	1.294861	-0.028150
101	金属非金属新材料	0.404832	[烯碳新材, 中科三环, 沃尔核材]	24	1.131387	0.009488
75	饲料	0.403494	[新希望, 大北农, 海大集团]	11	1.216313	0.000612
45	动物保健	0.397987	[中牧股份, 金宇集团, 瑞普生物]	7	1.061414	0.002755
92	贸易	0.392636	[辽宁成大, 厦门国贸, 五矿发展]	23	1.607619	0.026065
10	采掘服务	0.391112	[海油工程, 中海油服, 恒泰艾普]	11	1.059690	-0.026253
91	光学光电子	0.389974	[京东方A, 东旭光电, 三安光电]	42	0.960364	-0.029134
70	港口	0.389900	[上港集团, 宁波港, 唐山港]	17	2.063319	0.018574
38	渔业	0.389029	[大湖股份, 獐子岛, 好当家]	10	0.778087	0.018921
21	食品加工	0.383895	[伊利股份, 梅花生物, 双汇发展]	33	0.873128	-0.016259
62	航空装备	0.351965	[中航飞机, 中航动力, 洪都航空]	13	1.793423	0.005921
84	园区开发	0.349786	[张江高科, 陆家嘴, 浦东金桥]	9	1.700588	0.059708
85	燃气	0.332420	[深圳燃气, 陕天然气, 金鸿能源]	7	1.489302	-0.018759
36	多元金融	0.330127	[中航资本, 大众公用, 爱建股份]	11	1.787572	0.096928
43	稀有金属	0.326484	[北方稀土, 五矿稀土, 锡业股份]	21	1.023880	0.028529
14	电机	0.325072	[卧龙电气, 佳电股份, 通达动力]	8	1.455971	-0.022692
47	航天装备	0.323204	[中国卫星, 航天电子, 航天动力]	6	1.422559	0.032242
6	汽车整车	0.300511	[上汽集团, 比亚迪, 一汽轿车]	22	0.976699	0.031516
26	机场	0.275427	[上海机场, 深圳机场, 白云机场]	4	1.166775	-0.039167
93	饮料制造	0.267515	[五粮液, 贵州茅台, 泸州老窖]	36	0.774735	-0.024910
77	种植业	0.255847	[亚盛集团, 海南橡胶, 隆平高科]	14	0.997333	-0.008357
49	银行	0.243698	[兴业银行, 中国银行, 浦发银行]	16	1.031171	0.031925
12	地面兵装	0.228236	[北方导航, 中航黑豹, 四创电子]	4	1.820928	-0.024187
9	农业综合	0.215880	[大禹节水, 农发种业]	2	1.047126	-0.004511
55	餐饮	0.192203	[中科云网, 零七股份, 全聚德]	4	0.552202	0.013139
79	石油开采	0.169796	[中国石油]	1	0.999020	0.103156
18	林业	0.151489	[平潭发展, 吉林森工, 福建金森]	5	1.573602	-0.054994
72	保险	0.122277	[中国平安, 中国人寿, 中国太保]	5	1.480924	0.001178

103 rows × 6 columns

ind_rtn_df_sort_5B = ind_rtn_df.sort(columns='rtn_5B',ascending=False).loc[:,['industry','rtn_5B','bigstk_5B','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_5B.columns = [u'行业名称',u'最近5个交易日收益',u'5个交易日内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近3个月收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，5个交易日内行业涨幅'
ind_rtn_df_sort_5B

一共有103个申万二级行业 ，5个交易日内行业涨幅

	行业名称	最近5个交易日收益	5个交易日内平均成交量最大的股票	该行业个股数目	最近一年收益	最近3个月收益
2	其他轻工制造	0.742366	[易尚展示]	1	0.742366	0.742366
34	通信运营	0.305338	[中国联通, 二六三]	2	2.353681	0.305338
8	航运	0.270692	[中国远洋, 中海集运, 中海发展]	12	3.057806	0.270692
39	专业工程	0.247647	[中国中冶, 中国化学, 中工国际]	20	2.625073	0.247647
40	石油化工	0.155356	[中国石化, 广汇能源, 上海石化]	15	1.062722	0.155356
76	玻璃制造	0.117769	[南玻A, 金晶科技, 耀皮玻璃]	9	0.988161	0.117769
46	汽车服务	0.112366	[庞大集团, 申华控股, 中国汽研]	6	1.024574	0.112366
24	船舶制造	0.111529	[中国重工, 中国船舶, 广船国际]	8	2.266239	0.111529
79	石油开采	0.103156	[中国石油]	1	0.999020	0.103156
36	多元金融	0.096928	[中航资本, 大众公用, 渤海租赁]	11	1.787572	0.096928
90	基础建设	0.093444	[中国中铁, 中国铁建, 中国交建]	25	4.691083	0.093444
53	房屋建设	0.091970	[中国建筑, 上海建工, 龙元建设]	4	2.582405	0.091970
35	酒店	0.091441	[华天酒店, 锦江股份, 大东海A]	7	1.469323	0.091441
23	化学纤维	0.085734	[石化油服, 中纺投资, 华西股份]	27	1.821298	0.085734
7	专用设备	0.083313	[中国一重, 三一重工, 中联重科]	105	2.191821	0.083313
0	家用轻工	0.081527	[宜华木业, 威华股份, 乐凯胶片]	43	1.272965	0.081527
33	农产品加工	0.078169	[中粮屯河, 中粮生化, 国投中鲁]	17	1.938949	0.078169
3	铁路运输	0.074405	[大秦铁路, 广深铁路, 铁龙物流]	3	1.552497	0.074405
11	仪器仪表	0.069429	[航天科技, 雪迪龙, 天和防务]	24	2.329112	0.069429
42	其他采掘	0.063680	[攀钢钒钛, 西藏矿业, 金岭矿业]	9	1.334411	0.063680
98	互联网传媒	0.062447	[乐视网, 掌趣科技, 鹏博士]	24	2.651445	0.062447
84	园区开发	0.059708	[张江高科, 陆家嘴, 南京高科]	9	1.700588	0.059708
1	航空运输	0.056124	[海南航空, 南方航空, 中国国航]	6	3.131124	0.056124
73	文化传媒	0.055896	[百视通, 东方明珠, 电广传媒]	35	1.552490	0.055896
80	白色家电	0.053758	[格力电器, 青岛海尔, 美的集团]	44	1.321674	0.053758
16	化学原料	0.052725	[内蒙君正, 三友化工, 中泰化学]	23	1.363827	0.052725
56	电力	0.050847	[国电电力, 国投电力, 浙能电力]	58	1.766792	0.050847
68	工业金属	0.047487	[中国铝业, 南山铝业, 江西铜业]	42	1.603236	0.047487
5	医疗器械	0.044459	[千山药机, 新华医疗, 鱼跃医疗]	22	1.628250	0.044459
27	煤炭开采	0.042696	[中国神华, 中煤能源, 永泰能源]	42	1.308314	0.042696
...	...	...	...	...	...	...
65	公交	0.009324	[大众交通, 强生控股, 锦江投资]	8	1.229096	0.009324
60	物流	0.008994	[怡亚通, 建发股份, 中储股份]	18	2.115166	0.008994
66	其他建材	0.006497	[国栋建设, 国睿科技, 濮耐股份]	41	1.446100	0.006497
62	航空装备	0.005921	[中航飞机, 中航动力, 洪都航空]	13	1.793423	0.005921
25	旅游综合	0.005146	[号百控股, 中青旅, 腾邦国际]	16	1.783006	0.005146
45	动物保健	0.002755	[天康生物, 中牧股份, 金宇集团]	7	1.061414	0.002755
44	服装家纺	0.002398	[际华集团, 美邦服饰, 报喜鸟]	39	1.805284	0.002398
72	保险	0.001178	[中国平安, 中国太保, 中国人寿]	5	1.480924	0.001178
88	通信设备	0.001046	[中兴通讯, 网宿科技, 海格通信]	59	1.338543	0.001046
75	饲料	0.000612	[大北农, 新希望, 禾丰牧业]	11	1.216313	0.000612
59	橡胶	-0.002903	[黔轮胎A, 青岛双星, 赛轮金宇]	14	1.310560	-0.002903
22	水泥制造	-0.003110	[海螺水泥, 金隅股份, 冀东水泥]	19	1.112418	-0.003110
9	农业综合	-0.004511	[农发种业, 大禹节水]	2	1.047126	-0.004511
51	电子制造	-0.004972	[歌尔声学, 蓝思科技, 得润电子]	32	1.431560	-0.004972
83	营销传播	-0.006486	[蓝色光标, 省广股份, 华谊嘉信]	9	1.779635	-0.006486
28	医疗服务	-0.007666	[迪安诊断, 恒康医疗, 泰格医药]	8	1.086574	-0.007666
77	种植业	-0.008357	[亚盛集团, 海南橡胶, 隆平高科]	14	0.997333	-0.008357
99	运输设备	-0.014448	[中国南车, 中国北车, 晋西车轴]	8	5.303234	-0.014448
21	食品加工	-0.016259	[伊利股份, 梅花生物, 汤臣倍健]	33	0.873128	-0.016259
85	燃气	-0.018759	[国新能源, 长春燃气, 金鸿能源]	7	1.489302	-0.018759
14	电机	-0.022692	[江特电机, 卧龙电气, 佳电股份]	8	1.455971	-0.022692
12	地面兵装	-0.024187	[北方导航, 中航黑豹, 光电股份]	4	1.820928	-0.024187
17	视听器材	-0.024822	[TCL集团, 四川长虹, 海信电器]	9	1.427695	-0.024822
93	饮料制造	-0.024910	[贵州茅台, 五粮液, 泸州老窖]	36	0.774735	-0.024910
10	采掘服务	-0.026253	[海油工程, 中海油服, 恒泰艾普]	11	1.059690	-0.026253
63	园林工程	-0.027685	[东方园林, 普邦园林, 蒙草抗旱]	7	0.856421	-0.027685
86	其他交运设备	-0.028150	[中国嘉陵, 隆鑫通用, 深中华A]	7	1.294861	-0.028150
91	光学光电子	-0.029134	[京东方A, 三安光电, 东旭光电]	42	0.960364	-0.029134
26	机场	-0.039167	[上海机场, 厦门空港, 深圳机场]	4	1.166775	-0.039167
18	林业	-0.054994	[平潭发展, 永安林业, 吉林森工]	5	1.573602	-0.054994

103 rows × 6 columns

---

我们一直在努力

apachecn/AiLearning

---