Python金融数据分析与挖掘（微课版） 教案全套 黄恒秋

Python金融数据分析与挖掘课程教案一、课程教学安排总览课程内容教学方法学时安排理论讲授实践教学第二章科学计算包Numpy讲授法、实验教学法32第三章数据处理包Pandas讲授法、实验教学法55第四章数据可视化包Matplotlib讲授法、实验教学法23第五章机器学习与实现讲授法、实验教学法55第六章金融数据基础讲授法、实验教学法41第七章基础案例讲授法、实验教学法105第八章综合案例一：上市公司综合评价讲授法、实验教学法32第九章综合案例二：股票价格涨跌趋势预测讲授法、实验教学法55第十章综合案例三：股票价格形态聚类与收益分析讲授法、实验教学法55第十一章综合案例四：行业联动与轮动分析讲授法、实验教学法32合计4535二、课程教学内容计划第二章科学计算包Numpy【教学目标】1.了解Numpy及导入使用；2.理解数组的创建、切片、连接、存取、排序及搜索相关技能；

3.掌握数组灵活切片的方法及数组连接、排序、搜索相关知识。【教学重点】数组的切片、连接、改变形态。数组的相关方法。【教学难点】数组的切片及改变形态、线性代数运算。【教学时数】3学时【教学方法】讲授法【教学内容】1.导入并使用Numpy创建数组；2.数组的运算、切片、连接及存取、排序与搜索；数组相关属性与方法；3.矩阵及线性代数运算第三章数据处理包Pandas【教学目标】1.了解Pandas导入及创建数据框和序列；2.理解数据框和序列的访问、切片及方法；

3.掌握数据框和序列相关方法的灵活应用，数据框、序列、数组、列表之间的相关转换及运用。4.熟练掌握常用时间处理函数、合并函数与关联函数，以及滚动计算、时间元素提取、映射与离散化、分组统计等相关数据处理与计算任务。【教学重点】数据框、序列相关属性、方法的应用，数据框和序列数据的访问、切片及相互之间的转换。常用外部数据文件的读取、数据关联与合并、滚动计算、时间元素提取与分组统计计算。【教学难点】数据框、序列的访问及切片。数据框、序列、数组、列表相关数据结构之间的相互转换。数据关联和分组统计的函数理解与应用。【教学时数】5学时【教学方法】讲授法【教学内容】1.导入并使用Pandas创建数据框和序列；2.数据框和序列相关属性、方法的介绍及使用；3.数据框和序列的访问、切片及运算；4.外部数据文件的读取及滚动计算函数的使用；5.时间处理函数、合并函数与关联函数，以及滚动计算、时间元素提取、映射与离散化、分组统计等相关数据处理与计算任务。第四章数据可视化包Matplotlib【教学目标】1.了解Matplotlib中的pyplot模块导入及简单使用方法；2.理解利用Matplotlib中的pyplot模块绘图的基本流程及原理；

3.掌握利用Matplotlib中的pyplot模块绘制散点图、线性图、柱状图、直方图、饼图、箱线图和子图的方法，以及中文字符的显示、横轴字符刻度和子图的布局排列。【教学重点】利用Matplotlib中的pyplot模块进行散点图、线性图、柱状图、直方图、饼图、箱线图和子图的绘制。懂得图形中文字符的显示及横轴字符刻度，子图的布局排列。【教学难点】Matplotlib绘图的基本流程及原理。【教学时数】2学时【教学方法】讲授法【教学内容】1.导入并使用Matplotlib中的pyplot模块进行简单绘图；2.Matplotlib中的pyplot模块绘图基本流程及原理；3.利用Matplotlib中的yplot模块绘制常见的图形，包括散点图、线性图、柱状图、直方图、饼图、箱线图和子图。第五章机器学习与实现【教学目标】1.了解Scikit-learn包及相关模块导入及简单使用方法；2.理解均值、中位数、最频繁值的缺失值填充策略，均值-方差、极差数据规范化或标准化，主成分分析降维及综合评价，线性回归、神经网络非线性回归预测，逻辑回归、神经网络、支持向量机分类，K-mean聚类、关联规则相关的基本原理与方法；

3.掌握均值、中位数、最频繁值的缺失值填充策略，均值-方差、极差数据规范化或标准化，主成分分析降维及综合评价，线性回归、神经网络非线性回归预测，逻辑回归、神经网络、支持向量机分类，K-mean聚类、关联规则的程序实现及案例应用。【教学重点】均值、中位数、最频繁值的缺失值填充策略，均值-方差、极差数据规范化或标准化，主成分分析降维及综合评价，线性回归、神经网络非线性回归预测，逻辑回归、神经网络、支持向量机分类，K-mean聚类、关联规则相关原理的理解及程序实现。【教学难点】主成分分析降维及综合评价，线性回归、神经网络非线性回归预测，逻辑回归、神经网络、支持向量机分类，K-mean聚类、关联规则相关原理的理解。【教学时数】5学时【教学方法】讲授法【教学内容】1.导入Scikit-learn包及相关模块；2.缺失值填充、数据规范化或标准化、主成分分析降维及综合评价、线性回归、逻辑回归、神经网络、支持向量机、K-均值聚类、关联规则相关的模型、算法与原理；3.利用Scikit-learn包相关模块，完成案例教学，包括均值、中位数、最频繁值的缺失值填充策略，均值-方差、极差数据规范化或标准化，主成分分析降维及综合评价，线性回归、神经网络非线性回归预测，逻辑回归、神经网络、支持向量机分类，K-mean聚类、关联规则第六章金融数据基础【教学目标】1.了解公司治理结构、财务报表、财务分析指标、股票高频、股票日频交易和股票价格指数相关数据及产生情景；2.理解上述金融数据的重要指标及数据形态；

3.了解开源数据接口。【教学重点】公司治理结构、财务报表、财务分析指标、股票高频、股票日频交易和股票价格指数相关核心指标数据。【教学难点】股票高频数据的生成加工及理解。【教学时数】4学时【教学方法】讲授法【教学内容】1.公司治理结构、财务报表、财务分析指标相关数据及重要指标数据的解读；2.股票高频数据生产场景及数据加工、核心指标数据的理解；3.开源数据接口第七章基础案例【教学目标】1.了解案例实现的基本思路。2.理解案例实现的具体算法及程序实现，各种数据结构的相互转换并实现程序计算；3.掌握案例实现的具体过程，包括思路、算法、数据处理、程序计算及结果展现。【教学重点】案例的实现思路、算法及程序具体实现。【教学难点】案例的实现算法、程序实现过程中各类数据结构的相互转换。【教学时数】10学时【教学方法】讲授法【教学内容】1.股票价格指数周收益率和月收益率的计算；2.上市公司净利润增长率的计算；3.股票价、量走势图绘制；4.股票价格移动平均线的绘制；5.沪深300指数走势预测；6.基于主成分聚类的上市公司盈利能力分析7.国际股票指数关联分析第八章综合案例一：上市公司综合评价【教学目标】1.了解上市公司综合评价的基本概念及模型。2.理解业务数据、指标数据选取、预处理、量化投资设计的基本原理、原则及流程；3.掌握指标数据选取、预处理、程序实现、量化投资策略设计实现的全部流程。【教学重点】业务数据理解、指标数据的选择、预处理、程序实现。【教学难点】业务数据理解、数据预处理、模型的理解。【教学时数】3学时【教学方法】讲授法【教学内容】1.上市公司综合评价模型及方法基本介绍；2.基于投资规模与效率指标的综合评价方法；3.基于成长与价值指标的综合评价方法；4.指标数据选取及数据预处理；5.主成分分析模型及程序实现；6.量化投资策略设计实现及结果分析第九章综合案例二：股票价格涨跌趋势预测【教学目标】1.了解股票价格涨跌趋势的基本概念。2.理解业务数据、技术分析指标数据计算、模型实现及验证相关原理、方法及流程；3.掌握技术分析指标数据计算、模型检验、量化投资策略设计实现的全部流程。【教学重点】业务数据理解、指标概念及公式理解、程序实现及模型检验。【教学难点】业务数据理解、指标公式理解及量化投资策略设计实现。【教学时数】5学时【教学方法】讲授法【教学内容】1.了解股票价格涨跌趋势的基本概念。2.理解业务数据、技术分析指标数据计算、模型实现及验证相关原理、方法及流程；3.掌握技术分析指标数据计算、模型检验、量化投资策略设计实现的全部流程第十章综合案例三：股票价格形态聚类与收益分析【教学目标】1.了解股票价格形态分析的基本概念、关键价格点概念2.理解业务数据、关键价格点提取算法、形态特征表示、K-最频繁值聚类算法；3.掌握关键价格点提取算法、形态特征表示方法、K-最频繁值聚类算法的基本流程及程序实现，以及量化投资策略设计与实现。【教学重点】业务数据理解、关键价格点提取算法、K-最频繁值聚类算法。【教学难点】关键价格点提取算法、K-最频繁值聚类算法、量化投资策略设计实现。【教学时数】5学时【教学方法】讲授法【教学内容】1.股票价格形态分析的基本概念；2.股票关键价格点的概念及提取算法；3.形态特征的表示及计算4.K-最频繁值算法及程序实现；5.量化投资策略设计实现及结果分析第十一章综合案例四：行业联动与轮动分析【教学目标】1.解行业联动与轮动的基本概念。2.理解行业联动与轮动的指标表示、关联规则挖掘算法及量化投资策略设计原理3.掌握行业联动与轮动关联规则挖掘算法及量化投资策略设计实现的全流程。【教学重点】业务数据理解、行业轮动规则挖掘及量化投资策略设计实现。【教学难点】行业轮动关联规则挖掘及量化投资策略设计实现。【教学时数】3学时【教学方法】讲授法【教学内容】1.行业联动与轮动的基本概念；2.行业联动与轮动的指标表示与计算；3.日、周、月频率的行业联动与轮动关联规则挖掘；4.量化投资策略设计实现及结果分析点三、实验教学内容计划实验一：NumPy数组操作（头歌平台配套的实验课程第2章实验）【实验目的和要求】掌握NumPy数组的定义及操作方法。【实验内容】赋值定义较复杂数据结构请完成以下问题：将列表L1定义为一维数组l1，将嵌套列表L2定义为二维数组l22.内嵌函数定义较复杂数据结构请完成以下任务:1）定义一个3行3列元素全为1的数组A2）定义一个3行3列元素全为0的数组B3）定义一个初始值为2、末值为9、步长为2的数组C4）定义一个默认初始值0，步长为1的,末值为9的一维数组D3.数组运算现给出数组A和B，请按顺序完成以下任务：1）求解A的最大值、最小值、余弦值、正弦值、长度2）求A乘B3）返回计算结果Max_A,Min_A,cos_A,sin_A,le_A,result4.数组切片5.数组链接【教学方法】实验法【教学时数】2实验二：Pandas数据处理操作（头歌平台配套的实验课程第3章实验）【实验目的和要求】掌握Pandas数据结构的定义及操作方法。【实验内容】1.序列和数据框请完成以下任务：1）导入pandas包2）定义列表L1、L2，元组T1、T2L1=[1,-2,2.3,'hq']L2=['kl','ht','as','km']T1=(1,8,8,9)T2=(2,4,7,'hp')3）基于定义的列表和元组构造数据框，默认索引，列名依次为a,b,c,d，返回计算结果A4）基于定义的列表和元组构造数据框，索引为a,b,c,d,列名为L1,L2,T1,T2，返回计算结果B2.外部数据文件读取请完成以下任务：1）导入pandas包2）read_excel()函数读取“一、车次上车人数统计表.xlsx”数据表，用数据框df1来存储3）通过read_table()函数读取"txt1.txt"文件中的数据（不带表头），用数据框df2来表示4）通过read_csv()函数分块读取的方式读取“data.csv”文件，每次读取20000行，并输出每次读取的数据集行数和数据集的尺寸，其格式为：“第n次读取数据规模为：数据集行数（举例：第1次读取数据集规模为：20000）”“数据集尺寸（举例：(20000,13)）3.逻辑索引、切片方法，groupby分组计算函数应用请完成以下任务：1）请读取地铁站点进出站客流数据表(Data.xlsx)，表结构字段如下：站点编号、日期、时刻、进站人数、出站人数2）取出第0列，通过去重的方式获得地铁站点编号列表，记为code3）采用数据框中的groupby分组计算函数，统计出每个地铁站点每天的进站人数和出站人数，计算结果采用一个数据框sat_num来表示，其中列标签依次为：站点编号、日期、进站人数和出站人数；4）计算出每个站点国庆节期间（10.1~10.7）的进站人数和出站人数，计算结果用一个数据框sat_num2来表示，其中列标签依次为:A1_站点编号、A2_进站人数、A3_出站人数。4.数据框关联操作5.数据框合并操作6.序列移动计算方法应用7.数据框切片（iloc、loc）方法请完成以下任务：1）导入pdndas包2）读取地铁站点进出站客流数据表（Data.xlsx）,字段依次为：站点编号、日期、时刻、进站人数、出站人数3）采用索引（iloc）实现的方式，获取135站点10月1日-10月2日早上9-11点3个时刻的进站客流量数据(取所有字段)，记为A4）采用列标签（loc)实现方式，获取135站点10月1日-10月2日早上9-11点3个时刻的进站客流量数据（取所有字段）,记为B。8.数据框排序请完成以下任务：1）导入pandas包2）用read_excel()函数读取“data.xlsx"表，用数据框read表示3）提取600000.SH代码交易数据，并按交易日期从小到大进行排序,记为data4）对整个数据框read,按代码、交易日期从小到大进行排序9.数据框综合应用案例请完成以下任务：读取地铁站点进出站客流数据表（Data.xlsx），统计计算获得每个站点每个时刻（除去国庆期间）的总进站客流量和总出站客流量，用一个数据框来R表示，结果返回R，列名依次为：A1_站点编号、A2_时刻、A3_总进站客流、A4_总出站客流10.序列及简单随机抽样请完成以下任务：1）定义一个列表code,编号为1~302）对code，按30个元素一次随机抽样，记为A3）返回结果，为序列s，其中index为编号，值为抽样结果11.序列及较复杂抽样题目背景：某题库有选择、填空、判断、计算和应用5种题型，每种题型题号从1开始依次按顺序编号，其中选择题70道，填空题80道，判断题50道，计算题30道，应用题20道。现有40个同学参加考试，要求每个同学从5种题型中随机抽取1道题目组成试卷，请编程实现给出每个同学试卷的具体题目编号。请完成以下任务：1）定义一个数据框A，index为默认序号（0~39），代表每一位同学2）数据框A的第0列表示每位同学随机抽签的第1种题型的序号，第1、2、3、4列依次类推【教学方法】实验法【教学时数】5实验三：数据可视化包Matplotlib应用（头歌平台配套的实验课程第4章实验）【实验目的和要求】掌握数据可视化的基本使用方法。【实验内容】1.散点图绘制请完成以下任务：1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点155各时刻进站客流散点图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.1/155各时刻进站客流散点图.png"。2.线性图绘制请完成以下任务1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点155各时刻进站客流线性图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.2/155各时刻进站客流线性图.png"。3.柱状图绘制请完成以下任务1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点155各时刻进站客流柱状图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.3/155各时刻进站客流柱状图.png"。4.直方图绘制请完成以下任务：1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点155各时刻进站客流直方图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.4/155各时刻进站客流直方图.png"。5.饼图绘制请完成以下任务：1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点157各时刻进站客流饼图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.5/157各时刻进站客流饼图.png"。6.箱线图绘制请完成以下任务：1）读取“各站点各时刻进出站客流数据.xlsx”，绘制站点9时刻的进站客流箱线图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.6/9时刻各站点进站客流箱线图.png"。7.子图绘制请完成以下任务：1）读取“各站点各时刻进出站客流数据.xlsx”，获得155、157、151、123四个站点在各时刻的进站客流，用一个2*2的子图，绘制其线性图；2）最后，采用plt.savefig函数保存图片，文件路径如下："学员4.7/4个站点各时刻进站客流子图.png"。【教学方法】实验法【教学时数】3实验四：scikit-learn应用（头歌平台配套的实验课程第5章实验1-10）【实验目的和要求】掌握机器学习包scikit-learn的基本使用方法。【实验内容】1．缺失值填充请完成以下任务：1）读取“银行贷款审批数据.xlsx”表，自变量为x1~x15，决策变量为y（1-同意贷款，0-不同意贷款），其中x1~x6为数值变量，x7~x15为名义变量2）请对x1~x6中存在的缺失值用均值策略填充，x7~x15用最频繁值策略填充3）最后返回填充处理后的X（即x1~x15），以及决策变量Y(即y)2.数据标准化请完成以下任务：1）在上一个实验的基础上，对自变量X中的数值变量（x1~x6）作均值-方差标准化处理，需要注意的是x7~x15名义变量不需要作标准化处理。2）返回结果X1，数据结构为数组形式，X1中含有标准化后的x1~x6和未标准化的x7~x15。3.缺失值填充请完成以下任务：1）在上一个实验基础上，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据，构建支持向量机分类模型；2）返回计算结果为模型准确率rv和预测准确率r。4.逻辑回归模型及其应用请完成以下任务：1）在第2个实验基础上，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据，构建逻辑回归模型；2）返回计算结果为模型准确率rv和预测准确率r。5.神经网络分类模型及其应用请完成以下任务：1）在第2个实验基础上，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据，构建神经网络分类模型；2）返回计算结果为模型准确率rv和预测准确率r。6.线性回归模型及其应用在发电场中电力输出（PE）与AT（温度）、V（压力）、AP（湿度）、RH（压强）有关，相关测试数据见“发电场数据.xlsx”文件，请完成以下任务：1）求出PE与AT、V、AP、RH之间的线性回归关系式系数向量,用列表b表示，其元素依次为常数项、AT回归系数、V回归系数、AP回归系数、RH回归系数；2）求出回归方程的拟合优度（判定系数），用变量r表示；3）今有某次测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，试利用构建的线性回归模型预测其PE值。7.神经网络回归模型及其应用请完成以下任务：1）基于上一个实验数据集，构建神经网络回归模型，返回计算结果模型准确率r；2）并针对测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，预测其PE值。8.支持向量机回归模型及其应用请完成以下任务：1）基于上一个实验数据集，构建支持向量机回归模型（采用线性核函数），返回计算结果模型的拟合优度r；2）并针对测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，预测其PE值。9.基于主成分分析的综合评价读取“农村居民人均可支配收入来源2016.xlsx”数据表，其中数据来源于2016年《中国统计年鉴》，首先对指标数据进行均值方差标准化处理；其次对标准化处理后的指标数据做主成分分析，要求提取累计贡献率在95%以上；再次基于提取的主成分计算综合得分，综合得分=提取的各主成分与对应贡献率之和；最后基于综合得分获得各地区的排名，得分按从高到低排序，用一个序列Rs来表示，其中index为地区名称，值为综合得分。10.K均值聚类算法及其应用读取“农村居民人均可支配收入来源2016.xlsx”数据表，数据来源于2016年《中国统计年鉴》，首先对指标数据作均值-方差标准化处理，注意首列为地区名称，不用标准化；其次对标准化后的指标数据，作K-均值聚类分析（K=4）；最后，给出聚类分析结果，用一个序列Fs来表示，其中index为地区名称，值为所属类别的标签值（0、1、2、3）。【教学方法】实验法【教学时数】4实验五：关联规则基础（头歌平台配套的实验课程第5章实验11-12）【实验目的和要求】掌握一对一和多对一关联规则的基本使用方法。【实验内容】1.布尔数据集构建将以下超市的购买记录（已用一个"超市购买记录.txt"来存放，读取该文件即可），文件内容存放与下列展示一致，即顿号分隔，文件编码为utf-8）：I1、西红柿、排骨、鸡蛋、毛巾、水果刀、苹果I2、西红柿、茄子、水果刀、香蕉I3、鸡蛋、袜子、毛巾、肥皂、苹果、水果刀I4、西红柿、排骨、茄子、毛巾、水果刀I5、西红柿、排骨、酸奶、苹果I6、鸡蛋、茄子、酸奶、肥皂、苹果、香蕉I7、排骨、鸡蛋、茄子、水果刀、苹果I8、土豆、鸡蛋、袜子、香蕉、苹果、水果刀I9、西红柿、排骨、鞋子、土豆、香蕉、苹果将其转换为布尔数据集，其中数据集用数据框Data来表示，数据框中的字段名称即为商品名称，如果商品在某个购买记录中出现用1来表示，否则为0。2.基于布尔数据集的一对一和多对一关联规则挖掘针对以下布尔数据集(已用一个“test12.xlsx”表格来存取，直接读取即可，字段名称为A、B、C):A B C1 1 00 1 11 0 01 1 11 1 11 0 01 1 10 1 11 0 01 1 11 1 01 1 11 1 0请编程计算规则“A->B”和“A,B->C”的支持度和置信度，分别用sp1和co1,sp2和co2来表示【教学方法】实验法【教学时数】1实验六：金融数据基础（头歌平台配套的实验课程第6章实验）【实验目的和要求】掌握股票高频数据的加工及分时计算。【实验内容】今有基本行情（简称level-1）部分数据，见配套数据表“SHL1_600000.xlsx”，字段依次为：证券代码、交易日期、昨收盘价、当前时间、（开、高、低、最新）价、累计成交量、分笔期间成交量、累计成交额、分笔期间成交额、累计成交笔数、分笔期间成交笔数、卖方委托价格5-1，买方委托价格1-5，卖方委托量5-1，买方委托量1-5。根据该基本行情交易数据表，计算获得1分时交易数据表，其基本字段及计算思路如下：静态字段：证券代码、交易日期时间字段：分时点成交字段：分时期间（开、高、低、收）价格、分时期间成交量、分时期间成交金额计算思路：1分时数据是由基本行情（level-1）数据统计计算获得。分时计算主要有两种计算方式：一种是时间前置，一种是时间后置。比如后置计算1分时0931这个时间点，其行情统计时间区间为[093000.000,093059.999]；前置计算1分时0931这个时间点，其行情统计时间区间为[093100.000,093159.999]。计算的规则主要有4个方式：取区间头、取区间未、取区间最大、取区间最小。比如计算600000，20130301，0931这个分时点的分时数据，其对应的分笔数据区间范围为093002-093052（需要按时间排序），则：开盘价为：样本范围内的CP的第一个价格11.070最高价为：样本范围内的CP的最大的价格11.080最低价为：样本范围内的CP的最小的价格11.060收盘价为：样本范围内的CP的最后的价格11.070分时期间成交量为：样本范围内最后的TQ-上一个样本范围内的最后的TQ=sum(样本范围内的CQ)=10559900-4190571=6369329。分时期间成交额为：样本范围内最后的TM-上一个样本范围内的最后的TM=sum(样本范围内的CM)=116929015-46389621=70539394。【教学方法】实验法【教学时数】1实验七：金融基础数据分析（教材配套的第7章练习）【实验目的和要求】掌握基础的金融数据分析及挖掘方法。【实验内容】今有2017-2018年每个季度的每股指标数据，共22720条数据记录，数据全部来源于国泰安CSMAR数据库，部分数据记录及表结构如表下所示：2017-2018每个季度的每股指标数据StkcdAccperF090301BF090601BF091001AF091301AF091501AF091801B0000012017-03-310.361911.57722812.098953.2885854.046768-6.69820000012017-06-300.7311593.0986612.315323.2885854.258008-7.465350000012017-09-301.1154924.58782812.703033.2885854.642341-9.201340000012017-12-311.3505536.10768812.932673.2885854.639546-6.917880000012018-03-310.38411.59330213.010543.2885854.6852072.4136280000012018-06-300.77883.2314513.287193.2885854.944030.4341880000012018-09-301.191384.56482213.700123.2885855.35661-0.658710000012018-12-311.4454286.18590613.980323.2885855.535061-3.338560000022017-03-310.0629951.68393614.673770.7570195.606924-0.86274…………其中Stkcd-股票代码、Accper-截止日期、F090301B-归属于母公司每股收益、F090601B-每股营业收入、F091001A-每股净资产、F091301A-每股资本公积、F091501A-每股未分配利润、F091801B-每股经营活动产生的现金流量净额。问题如下：1.对每个股票代码，计算每个季度每股收益同比增长率，并找出连续4个季度每股收益同比增长率大于20%的股票代码。