《python数据分析与应用》 课件 史浩 第12、13章 实现量化交易策略、商业银行数据迁移案例

第12章实现量化交易策略Python数据分析与应用1CONTENTS12.1知识准备12.2任务介绍12.3代码演示12.4代码补全和知识拓展目录12.5实训任务2知识准备13在股票技术分析中经常会考虑复权的情形，以便于对股票价格走势进行更准确的分析判断。因为上市公司在经营过程中其价值会发生变化，同时会伴随进行股本价值的变化，比如由于送股、配股或转增资本等因素，会让公司的总股本增加，从而每股股价所代表的企业实际价值减少。比如除权当日，K线图形好像大跌一样，有明显的缺口位，但是投资者账户的资金是没有减少的。而进行复权就是消除这些指标的畸变。再比如一只股票在经过分红之后，因为每股的价值出现减少，所以在股价上也要做相应的减值。复权可以分为前复权和后复权。前复权、后复权量化交易起源于上世纪七十年代的股票市场，是指借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。量化交易用数量模型验证及固化这些规律和策略，然后严格执行策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。量化交易并没有一个精确的定义，广义上可以认为，凡是借助于数学模型和计算机实现的交易方法都可以称为量化交易。12.1.1量化交易简介股票的交易需要策略，而交易策略主要基于三个方面的信息：基本面、技术面和消息面，三个方面各有优缺点。市面上常见的交易策略类型可以分为趋势策略、量化对冲策略、套利策略和高频策略等。12.1.2量化交易策略知识准备任务介绍25本章任务要求选定一只股票用5日均线、20日均线实现均线交易策略，并且计算其在选定时间区间的收益率。任务介绍5日均线、20日均线交易策略：1）当5日均线上穿20日均线，买入。2）当5日均线下穿20日均线，卖出。比如选择上海证交所的浦发银行600000.SH，我们选取start_date='20180702',end_date='20190930'之间的数据，按照该均线交易策略进行交易，然后计算其收益率。代码演示372312代码演示从证券宝（）网站下载数据，导入到pandas的DataFrame中备用。12.3.1读取数据1importbaostockasbs2importpandasaspd34####登陆系统####5lg=bs.login()6#显示登陆返回信息7print('loginresponderror_code:'+lg.error_code)8print('loginresponderror_msg:'+lg.error_msg)910####获取沪深A股历史K线数据####11#“分钟线”参数与“日线”参数不同。“分钟线”不包含指数。12#分钟线指标：date,time,code,open,high,low,close,volume,amount,adjustflag13#周月线指标：date,code,open,high,low,close,volume,amount,adjustflag,turn,pctChg14rs=bs.query_history_k_data_plus("sh.600000",15"date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",16start_date='2017-07-01',end_date='2017-12-31',17frequency="d",adjustflag="3")#frequency="d"取日k线，adjustflag="3"默认不复权18print('query_history_k_data_plusresponderror_code:'+rs.error_code)19print('query_history_k_data_plusresponderror_msg:'+rs.error_msg)2021####打印结果集####22data_list=[]23while(rs.error_code=='0')&rs.next():24#获取一条记录，将记录合并在一起25data_list.append(rs.get_row_data())26result=pd.DataFrame(data_list,columns=rs.fields)2728####结果集输出到csv文件####29result.to_csv("history_A_stock_k_data.csv",index=False)30print(result)3132####登出系统####33bs.logout()342312代码演示1#--------------------------------------------------------2#MyBaoStock类:用来获取前复权股票数据3#--------------------------------------------------------4importbaostockasbs5importpandasaspd678classMyBaoStock(object):910def__init__(self):11super().__init__()1213defget_stock_daily(self,ts_code,start_date,end_date):1415#如果股票代码格式和时间格式是tushare的，将其转换为baostock格式16#'600000.SH'->'sh.600000'17#'20180702'->'2018-07-02'18ifts_code[0].isdigit():19ts_code=ts_code[-2:].lower()+'.'+ts_code[0:6]20ifnot('-'instart_date):21start_date=start_date[0:4]+'-'+start_date[4:6]+'-'+start_date[6:]22ifnot('-'inend_date):23end_date=end_date[0:4]+'-'+end_date[4:6]+'-'+end_date[6:]2425####登陆系统####26lg=bs.login()27#显示登陆返回信息28print('loginresponderror_code:'+lg.error_code)29print('loginresponderror_msg:'+lg.error_msg)3012.3.2编写证券宝数据接口类Tushare是一个免费、开源的Python财经数据接口包，我们可以采用Tushare作为股票交易数据源，也可以采用证券宝作为数据源。接下来我们将证券宝提取股市数据的功能写成一个类的形式，方便今后随时调用。未完下页继续2312代码演示31####获取沪深A股历史K线数据####32#详细指标参数，参见“股票数据分析可视化”章节11.3.1；“分钟线”参数与“日线”参数不同。“分钟线”不包含指数。33#分钟线指标：date,time,code,open,high,low,close,volume,amount,adjustflag34#周月线指标：date,code,open,high,low,close,volume,amount,adjustflag,turn,pctChg35rs=bs.query_history_k_data_plus(ts_code,36"date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",37start_date=start_date,end_date=end_date,38frequency="d",adjustflag="2")#frequency="d"取日k线，adjustflag="3"默认不复权39#默认不复权：3；1：后复权；2：前复权。40print('query_history_k_data_plusresponderror_code:'+rs.error_code)41print('query_history_k_data_plusresponderror_msg:'+rs.error_msg)4243####打印结果集####44data_list=[]45while(rs.error_code=='0')&rs.next():46#获取一条记录，将记录合并在一起47data_list.append(rs.get_row_data())48df=pd.DataFrame(data_list,columns=rs.fields)4950#为保持和tushare数据兼容，修改数据列名称51df.rename(52columns={'date':'trade_date','code':'ts_code','volume':'vol'},53inplace=True)54#为保持和tushare数据兼容，修改数据列数据类型从str到float55df['close']=df['close'].astype('float')56df['open']=df['open'].astype('float')57df['high']=df['high'].astype('float')58df['low']=df['low'].astype('float')59####结果集输出到csv文件####60#df.to_csv("history_A_stock_k_data.csv",index=False)61#print(df)6263####登出系统####64bs.logout()6566returndf6712.3.2编写证券宝数据接口类（续）2312代码演示12.3.3移动平均线交易策略（1）stock['ma5-20']=stock['ma5']-stock['ma20']#求差值stock['diff']=np.sign(stock['ma5-20’]) #取得差值的符号#绘制在图形上，图形上下边界为ylime从-2到2，#直线颜色color是黑色，线宽linewidth=2（图12-4）stock['diff'].plot(ylim=(-2,2)).axhline(y=0,color='black',lw=2)我们发现5日均线与K线图较为接近，而20日均线则更平坦，可见20日移动平均线具有抹平短期波动的作用，更能反映中长期的走势。比较5日均线和20日均线，特别是关注它们的交叉点，这些是交易的时机。移动平均线策略中最简单的方式就是：当5日均线从下方超越20日均线时，买入股票，当5日均线从上方跌落到20日均线之下时，卖出股票。为了找出交易的时机，我们计算5日均价和20日均价的差值，并取其正负号，作于下图。当图中水平线出现跳跃的时候就是交易时机。图12-4差值的符号（5日均线与20日均线求差）示意图2312代码演示12.3.3移动平均线交易策略（2）#当日与前一日相减，再取其符号作为交易信号（图12-5）stock['signal']=np.sign(stock['diff']-stock['diff'].shift(1))stock['signal'].plot(ylim=(-2,2))为了更方便观察，上述计算得到的均价差值，再取其相邻日期的差值，得到信号指标。当信号为1时，表示买入股票；当信号为-1时，表示卖出股票；当信号为0时，不进行任何操作。图12-5继续计算得到交易信号代码补全和知识拓展413231212.4.1代码补全（可以采用两种不同的写法来补全）我们尝试用刚才编写完成的证券宝类MyBaoStock来尝试提取数据，首先为了方便识别，我们将包含该类的文件名更名为mybaostock.py,然后在文件中可以通过importmybaostock来提取数据。1#代码补全2#--------------------------------------------------------3importpandasaspd4(__________)5(__________)6stock_code='600000.SH'7#读取数据8df=(__________).get_stock_daily(ts_code=stock_code,start_date='20180702',end_date='20190930')9df=df.loc[:,['trade_date','open','high','low','close','vol']]#选取需要的列10df.rename(11columns={'trade_date':'Date','open':'Open','high':'High',12'low':'Low','close':'Close','vol':'Volume'},13inplace=True)#把小写改首字母大写14#改变时间次序15df['Date']=pd.to_datetime(df['Date'])#转换日期列的格式，便于作图16df.set_index(['Date'],inplace=True)#将日期列作为行索引17df=df.sort_index()#倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。18print(df.head())19print(())231212.4.2知识拓展：通过alphavantage获取股票交易数据假设我们想要获得万科（000002.SHZ）股票的交易数据，可以参考下面的代码进行获取。其中key.txt保存有我们通过注册免费获取的APIKey。有兴趣的用户可以通过其官方网站索取AlphaVantageStockAPI©的免费密钥，终身使用。申请时建议使用合法的电子邮件地址，一旦丢失了API密钥，可以通过邮件找回。1fromalpha_vantage.timeseriesimportTimeSeries2importmatplotlib.pyplotasplt3importseabornassns45symbol='000002.SHZ'6api_key=open('key.txt').read()#os.environ['AV-Key']7ts=TimeSeries(key=api_key,output_format='pandas')8#outputsize='full'ornot,ifnotthenoneyearbackdata9data,metadata=ts.get_daily_adjusted(symbol,outputsize='full')10#print(metadata)11print()12sns.set_style('darkgrid')13sns.set_context('notebook')14data.describe()15data['4.close'].plot(figsize=(10,8))16plt.show()实训任务：Tushare数据演示移动平均线交易策略51612.5.1实训任务一获得均线量化交易策略的交易信号1#任务一：生成交易信号2#--------------------------------------------------------3importnumpyasnp4importpandasaspd5importmatplotlib.pyplotasplt6importmybaostockasmbs78stock_code='600000.SH'910#读取数据11df=mbs.MyBaoStock().get_stock_daily(ts_code=stock_code,start_date='20180702',end_date='20190930')12df=df.loc[:,['trade_date','open','high','low','close','vol']]#选取需要的列13df.rename(14columns={'trade_date':'Date','open':'Open','high':'High',15'low':'Low','close':'Close','vol':'Volume'},16inplace=True)#把小写改首字母大写17#改变时间次序18df['Date']=pd.to_datetime(df['Date'])#转换日期列的格式，便于作图19df.set_index(['Date'],inplace=True)#将日期列作为行索引20df=df.sort_index()#倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。2122#计算23stock=df24stock["ma5"]=np.round(stock['Close'].rolling(window=5,center=False).mean(),2)25stock["ma20"]=np.round(stock['Close'].rolling(window=20,center=False).mean(),2)2627importmatplotlibasmpl28通过下述代码可以获得交易信号12.5.1实训任务一获得均线量化交易策略的交易信号29mpl.use('TkAgg')30#我们发现5日均线与K线图较为接近，而20日均线则更平坦，可见移动平均线具有抹平短期波动的作用，更能反映长期的走势。31#比较5日均线和20日均线，特别是关注它们的交叉点，这些是交易的时机。移动平均线策略，最简单的方式就是：32#当5日均线从下方超越20日均线时，买入股票，当5日均线从上方越到20日均线之下时，卖出股票。33(__________)34plt.show()35#为了更方便观察，上述计算得到的均价差值，再取其相邻日期的差值，得到信号指标。36#当信号为1时，表示买入股票；当信号为-1时，表示卖出股票；当信号为0时，不进行任何操作。37(__________)38plt.show()39#计算在该时间区间内，经过该交易策略的收益率40trade=pd.concat([41pd.DataFrame({"price":stock.loc[stock["signal"]==1,"Close"],42"operation":"Buy"}),43pd.DataFrame({"price":stock.loc[stock["signal"]==-1,"Close"],44"operation":"Sell"})45])4647trade.sort_index(inplace=True)48print(trade)49通过下述代码可以获得交易信号12.5.2实训任务二模拟回测交易计算量化策略的收益率（1）1#任务二：根据交易信号，进行交易并计算该策略的收益。2#--------------------------------------------------------3importnumpyasnp4importpandasaspd5importmatplotlib.pyplotasplt6importmybaostockasmbs78stock_code='600000.SH'910#读取数据11df=mbs.MyBaoStock().get_stock_daily(ts_code=stock_code,start_date='20180702',end_date='20190930')12df=df.loc[:,['trade_date','open','high','low','close','vol']]#选取需要的列13df.rename(14columns={'trade_date':'Date','open':'Open','high':'High',15'low':'Low','close':'Close','vol':'Volume'},16inplace=True)#把小写改首字母大写17#改变时间次序18df['Date']=pd.to_datetime(df['Date'])#转换日期列的格式，便于作图19df.set_index(['Date'],inplace=True)#将日期列作为行索引20df=df.sort_index()#倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。2122#计算23stock=df24stock["ma5"]=np.round(stock['Close'].rolling(window=5,center=False).mean(),2)25stock["ma20"]=np.round(stock['Close'].rolling(window=20,center=False).mean(),2)26通过下述代码可以模拟回测交易，并计算打印量化策略的收益率。27importmatplotlibasmpl2829mpl.use('TkAgg')30#我们发现5日均线与K线图较为接近，而20日均线则更平坦，可见移动平均线具有抹平短期波动的作用，更能反映长期的走势。31#比较5日均线和20日均线，特别是关注它们的交叉点，这些是交易的时机。移动平均线策略，最简单的方式就是：32#当5日均线从下方超越20日均线时，买入股票，当5日均线从上方越到20日均线之下时，卖出股票。33stock['ma5-20']=stock['ma5']-stock['ma20']34stock['diff']=np.sign(stock['ma5-20'])#取得符号35stock['diff'].plot(ylim=(-2,2)).axhline(y=0,color='black',lw=2)#lw:linewidth36plt.show()37#为了更方便观察，上述计算得到的均价差值，再取其相邻日期的差值，得到信号指标。38#当信号为1时，表示买入股票；当信号为-1时，表示卖出股票；当信号为0时，不进行任何操作。39stock['signal']=np.sign(stock['diff']-stock['diff'].shift(1))40stock['signal'].plot(ylim=(-2,2))41plt.show()42#计算在该时间区间内，经过该交易策略的收益率43trade=pd.concat([44pd.DataFrame({"price":stock.loc[stock["signal"]==1,"Close"],45"operation":"Buy"}),46pd.DataFrame({"price":stock.loc[stock["signal"]==-1,"Close"],47"operation":"Sell"})48])4950trade.sort_index(inplace=True)51print(trade)通过下述代码可以模拟回测交易，并计算打印量化策略的收益率。12.5.2实训任务二模拟回测交易计算量化策略的收益率（2）52#buys=pd.DataFrame(trade.loc[trade['operation']=='Buy','price'])53#print(buys.index.min())54#price1=buys.loc[buys.index.min(),'price']55tradevol=100#每次交易一手56iftrade.loc[trade.index.min(),'operation']=='Buy':57account_cash=begin_cash=10000.058account_stock=begin_stock=0.059else:#Sell60account_cash=begin_cash=10000.061account_stock=begin_stock=10*tradevol62initvalue=account_cash+account_stock*trade.loc[trade.index.min(),'price']63print(f'initvalue={initvalue}')64i=065forkey,rowintrade.iterrows():66ifrow['operation']=='Buy'andaccount_cash>=row['price']*tradevol:67account_cash-=row['price']*tradevol68account_stock+=tradevol69elifrow['operation']=='Sell'andaccount_stock>=tradevol:70account_cash+=row['price']*tradevol71account_stock-=tradevol72else:73print('dataerror')74break75print(f'{i}:account_cash={account_cash}account_stock={account_stock}')76i+=17778finalvalue=account_cash+account_stock*trade.loc[trade.index.max(),'price']79print(f'finalvalue={finalvalue}')80print(f'收益率=(__________)')81通过下述代码可以模拟回测交易，并计算打印量化策略的收益率。12.5.2实训任务二模拟回测交易计算量化策略的收益率（3）课后习题622课后习题习题11.假定我们从https://www.alphavantage.co下载到的数据是json格式的,请编写程序将所有的交易日信息转换为numpy二维数组格式，数组的每行元素就是一个交易日，每一列就代表交易日中的开盘价、收盘价等交易信息。习题22.采用正态分布来模拟每年的252个交易日的收益情况。假设每天股价的收益为随机变量，其均值为0.001,收益波动为0.02，如果假定收益符合正态分布，则可以模拟一年之中252个交易日的日收益率分布情况。习题33.计算某支股票的累计收益率。比如请计算600000这只股票从20180702到20190930期间的累计收益率并绘图表示。课后习题23谢谢观赏24第13章商业银行数据迁移案例Python数据分析与应用25CONTENTS13.1知识准备13.2任务介绍13.3代码演示13.4代码补全和知识拓展目录13.5实训任务26知识准备127广度优先遍历，指的是从图的一个未遍历的节点出发，先遍历这个节点的相邻节点，再依次遍历每个相邻节点的相邻节点。13.1.2广度优先遍历算法使用普通的字典时，用法一般是dict={},添加元素的只需要：dict[element]=value即可，调用的时候也是如此：dict[element]=xxx,但前提是element字典里存在这个element，如果字典里没有这个键element就会报错keyError。这时就可以使用加强版的字典defaultdict。defaultdict的作用在于当字典里的key不存在但被查找时，返回的不是报错keyError而是能返回一个默认值，从而能让程序平滑运行。fromcollectionsimportdefaultdict#引入collections中定义的defaultdictdict=defaultdict(parameter)其中的参数parameter可以是list、str、set、int等等13.1.1defaultdict知识准备图中每个节点的值即为它们的遍历顺序。所以广度优先遍历也叫层序遍历，先遍历第一层(节点1)，再遍历第二层(节点2，3，4)，第三层(5，6，7，8)，第四层(9，10)。深度优先遍历一般用栈来实现，而广度优先遍历要用队列来实现任务介绍229某商业银行需要将4W+个任务按层级（只有先完成父任务，子任务才可以运行）从旧平台迁入新平台中。由于任务之间的关联非常复杂，比如有任务A和B，它们之间的关系是只有A执行了，才能执行B，也就是可以认为A任务是B任务的前提条件，也称A是B的父任务。因此要按照执行顺序整理好这些任务，使得所有的任务在执行之前，它们的父任务均已获得执行。也就是说我们的所有任务事实上可以看做是一颗树形结构。每个树节点都是一个单独的任务有它的父节点（根节点除外）。13.2.1任务背景比如root任务是完成任务A1、A2、A3的前提条件，然后A1这个任务又是完成B1、B2、B3任务的前提条件，我们可以将这样的关系表示为树结构。输入：一组json格式的任务文件（作为子节点其内容中含有各自的父节点）输出：建立2、3、4…等以数字命名的目录。把这组输入的json文件按照所属层级分别放入这些目录中。比如A1、A2、A3这些文件就放到2这个目录下，因为他们在数结构中处于第2层级。B1、B2、B3这些文件就放到3这个目录下，因为他们在数结构中处于第3层级,以此类推。只要采用广度优先遍历算法BFS就可以顺利完成这项工作，将所有的任务按需要被完成的先后次序进行分层即可。图13-6任务的关键：任务文件按所在层级进行分类代码演示3312312代码演示13.3.1BFS算法演示1importcollections23s={'root':['A1','A2','A3'],4'A1':['B1','B2','B3'],5'A3':['B4','B5'],6'B4':['C1'],7'A2':['D1'],8'C1':['D1']}9dict_a=collections.defaultdict(list)10fork,vins.items():11forwinv:12dict_a[k].append(w)13print(dict_a)14queue=['root']15whilequeue:16name=queue.pop(0)17nodes=dict_a[name]18print(name,'的子节点：',nodes)19forjinnodes:20queue.append(j)图13-9BFS遍历算法实现第1步：先写出若干节点的代码图13-10BFS遍历算法实现第2步：再提取公共部分的代码形成循环2312代码演示1importcollections23s={'root':['A1','A2','A3'],4'A1':['B1','B2','B3'],5'A3':['B4','B5'],6'B4':['C1'],7'A2':['D1'],8'C1':['D1']}9dict_a=collections.defaultdict(list)10fork,vins.items():11forwinv:12dict_a[k].append(w)13print(dict_a)14#=========================15queue=['root']16cj=[1]#root层级=117print('-'*20)18whilequeue:19name=queue.pop(0)20nodes=dict_a[name]21result=cj.pop(0)22print(name,'的子节点：',nodes)23print(name,'的层级：',result)24print('-'*20)25forjinnodes:26queue.append(j)27cj.append(result+1)13.3.2打印树上子节点的层级（root=1）下面我们对上述代码进行修改，使得程序能获得每个子节点的所在层级。假定root根节点的层级为1。2312代码演示13.3.3调整任务图的结构（1）即便是我们调整了任务图（图13-11）依然可以用相同的代码得到正确的结果。代码和结果在下页：图13-11调整任务图结构，但仍然保持D1的父节点是C1，不会改变程序结果2312代码演示1importcollections23s={'root':['A1','A2','A3'],4'A1':['B1','B2','B3'],5'A2':['B4','B5'],#注意数据根据任务图的不同而调整了6'B4':['C1'],7'A3':['D1'],#注意数据根据任务图的不同而调整了8'C1':['D1']}#不变的是始终保持着这对父子节点关系9dict_a=collections.defaultdict(list)10fork,vins.items():11forwinv:12dict_a[k].append(w)13print(dict_a)14#=========================15result_dict={}#加入一个搜集结果的普通字典16queue=['root']17cj=[1]#root层级=118print('-'*20)13.3.3调整任务图的结构（2）19whilequeue:20name=queue.pop(0)21nodes=dict_a[name]22result=cj.pop(0)23print(name,'的子节点：',nodes)24print(name,'的层级：',result)25print('-'*20)26forjinnodes:27queue.append(j)28cj.append(result+1)2930result_dict[j]=result+1313233print(result_dict)可以看到D1的层级最终依然为5。唯一的问题就是对于D1这个节点我们遍历了两次（使用下面的代码来更直观地演示D1被遍历2次）。2312代码演示1#完整的BFS算法演示2graph={3'5':['3','7'],4'3':['2','4'],5'7':['8'],6'2':[],7'4':['8'],8'8':[]9}1011visited=[]#Listforvisitednodes.用来保存已访问过节点的列表12queue=[]#Initializeaqueue.初始化一个队列1314#完整的BFS算法15defbfs(visited,graph,node):#functionforBFS16visited.append(node)17queue.append(node)1819whilequeue:#Creatinglooptovisiteachnode创建循环访问每个节点20m=queue.pop(0)21print(m,end="")2223forneighbouringraph[m]:24ifneighbournotinvisited:25visited.append(neighbour)26queue.append(neighbour)272829#调用BFS算法30print("FollowingistheBreadth-FirstSearch")31bfs(visited,graph,'5')#functioncalling调用函数bfs3213.3.4完整的BFS算法假设我们有一个图要进行广度优先遍历。图13-12进行BFS遍历，输出：537248上述代码中可以尝试去掉第24、25行，看看会发生什么？2312代码演示23forneighbouringraph[m]:24#ifneighbournotinvisited:25#visited.append(neighbour)26queue.append(neighbour)

13.3.4完整的BFS算法假设我们有一个图要进行广度优先遍历。图13-12进行BFS遍历，输出：537248上述代码中可以尝试去掉第24、25行，看看会发生什么？也就是说为了防止节点被遍历多次，代码中维持一个visited列表是很有必要的。代码补全和知识拓展438231213.4.1代码补全在商业银行数据迁移的真实任务中要求读取所有的json格式的任务文件。1#代码补全2#请在()填写代码3#-----------------------------------------------------4importos56file_path=(_____________)7fileList=[]8ifnotos.path.exists(file_path):9print('file_pathisnotexist!')10forroot,dirs,filesinos.walk(file_path):11forfileinfiles:12#只读取.json后缀名的文件，防止其他文件导致代码报错13(_____________)14print(fileList)231213.4.2知识拓展读取json文件夹下的json文件，该文件是以自己的节点名称命名的，比如A1.json，就是表示该任务名称为A1，文件内容包含有父任务名称。请编写程序获取其中的父任务名称，打印输出该文件名和其父节点名称。1#读取json文件2importjson3importcollections4dict_a=collections.defaultdict(list)5filename='A1.json'6originalPath='./json/'+filename78withopen(originalPath,'rb')asjson_file:910originalfileJson=json.load(json_file)11#获取依赖关系信息12parentActivities=originalfileJson['cdfTaskInfo']['parentActivities']13#print('所有的父节点：',parentActivities)1415foriinrange(len(parentActivities)):1617parent=parentActivities[i]['name']1819key=(_____________)20value=(_____________)21print(value,'--->',parent)22dict_a[key].append(value)23如果进一步拓展程序的功能，是否能把json目录下所有文件和其文件中的父节点名称全部打印出来，请编写程序完成。实训任务：某商业银行数据迁移案例5411#任务一：数据迁移工作的文件按层级分类2#--------------------------------------------------------3#该程序的作用是读入json目录下的所有文件，4#然后按照它在树上的节点层级进行分类。5#分类之后，按照不同的层级保存到result目录下的不同的子目录下。6#层级2的文件保存到result\2目录，层级3的保存到result\3目录等等。7importjson8importos9importshutil10importtime11fromcollectionsimportdefaultdict121314defgetFileName(file_path):15fileList=[]16ifnotos.path.exists(file_path):17print('file_pathisnotexist!')18forroot,dirs,filesinos.walk(file_path):19forfileinfiles:20#只读取.json后缀名的文件，防止其他文件导致代码报错21ifos.path.splitext(file)[1]=='.json':22#print(file)23fileList.append(file)24returnfileList252627#获取所有的一对一关系后汇总成图28defget_relation(path,name,dict_a):29#读取json文件30originalPath=path+name31file=open(originalPath,'rb')32originalfileJson=json.load(file)33