gugu 正在参加 2020 年度 OSC 中国开源项目评选,请投票支持!
gugu 在 2020 年度 OSC 中国开源项目评选 中已获得 {{ projectVoteCount }} 票,请投票支持!
投票让它出道
已投票

软件简介

gugu(股估)

0.1.8版本已于2020年4月20日发布

gugu(股估)是适用于金融/投资领域数据分析及量化工程的开源项目,通过对互联网上的公开数据进行采集、清洗和存储,完成了对股票/债券/基金等金融数据的统一调用和分析。其优点是速度快、可定制及高度的可复用性。您不仅可以将其作为单独的数据接口使用,还可以将其集成在您的项目中作为数据获取api进行调用。

大家可能之前用过类似的开源项目,本人之前在进行金融数据分析时也是使用其他开源项目获取数据的。然而现在很多开源项目变成了半开源甚至闭源,您需要获取许可才能使用或者需要累积积分才能获得更多的权限,这对于喜欢自己动手并自由定制的朋友会有很多的不便。为了充分发扬开源精神倡导自由软件理念本人开发了gugu,作为开源社区版的金融数据api,我们承诺gugu将永远开源并不做任何限制以提供给广大金融/投资数据分析及量化爱好者自由使用!


使用前提:

  • python 2.x/3.x

安装方式:

  • 方式1: pip install gugu or pip3 install gugu
  • 方式2: python setup.py install
  • 方式3:访问 https://pypi.python.org/pypi/gugu/ 下载安装

版本升级:

  • pip install gugu --upgrade or pip3 install gugu --upgrade
  • 查看当前版本的方法:
    import gugu

    print(gugu.__version__)

Quick Start 

Example 1: 获取大盘指数行情

    import gugu as gg

    obj = gg.MarketData()       # 创建市场数据类对象
    data = obj.index()          # 获取大盘指数行情


    获取结果:
    obj.output()                # 输出结果
    
              
          code       name    change       open   preclose      close       high  \
    0   sh000001    上证指数    1.30  2597.7777  2584.5724  2618.2323  2618.4765   
    1   sh000002    A股指数    1.30  2720.4606  2706.5853  2741.8442  2742.1007   
    2   sh000003    B股指数    1.18   271.9034   272.1140   275.3162   275.3162   
    3   sh000008    综合指数    0.61  2557.2054  2543.6348  2559.2362  2561.5066   
    4   sh000009   上证380    2.47  3892.8231  3880.0032  3975.8523  3976.0933   
    5   sh000010   上证180    1.07  7293.4790  7241.9589  7319.4839  7320.2873   
    6   sh000011    基金指数    0.90  5642.7602  5629.3801  5679.8086  5679.8339   
    7   sh000012    国债指数    0.01   170.9805   170.9642   170.9819   170.9892   
    8   sh000016    上证50    0.65  2502.1044  2483.4709  2499.6442  2503.5526   
    9   sh000017     新综指    1.30  2193.5148  2182.3286  2210.7524  2210.9592   
    10  sh000300   沪深300    1.43  3225.7335  3201.6331  3247.3971  3247.4956   
    11  sh000905   中证500    2.82  4189.1098  4176.4739  4294.2696  4295.0379   
    12  sz399001    深证成指    2.74  7524.6650  7479.2150  7683.9970  7684.1120   
    13  sz399002    深成指R    2.74  9097.7900  9042.8390  9290.4330  9290.5710   
    14  sz399003    成份B指    1.99  4442.0740  4445.4680  4534.0600  4534.0600   
    15  sz399004  深证100R    2.49  4063.9900  4029.3260  4129.5800  4130.6630   
    16  sz399005    中小板指    3.47  4866.8680  4836.6130  5004.4890  5004.4890   
    17  sz399006    创业板指    3.53  1233.3840  1227.9880  1271.2750  1272.1930   
    18  sz399008   中小300    3.27   947.0020   942.1740   973.0090   973.0090   
    19  sz399100   新 指 数    2.69  5850.7930  5819.9190  5976.5880  5976.5880   
    20  sz399101    中小板综    3.03  7393.8140  7358.2710  7581.1830  7581.1830   
    21  sz399106    深证综指    2.77  1281.1620  1274.7440  1309.9910  1309.9910   
    22  sz399107    深证A指    2.77  1339.4990  1332.7690  1369.6510  1369.6510   
    23  sz399108    深证B指    2.09   857.4780   856.8890   874.7950   874.7950   
    24  sz399333    中小板R    3.47  5412.0040  5378.3600  5565.0400  5565.0400   
    25  sz399606    创业板R    3.53  1292.0270  1286.3740  1331.7190  1332.6810   

            low       volume     amount  
    0   2590.5543    131986850  1115.2263  
    1   2712.8352    131757820  1114.1248  
    2    271.9034       229031     1.1015  
    3   2538.8951     35179591   275.8689  
    4   3892.8231     33132080   260.5541  
    5   7247.4721     45958066   529.0995  
    6   5637.2069     41987625   243.7168  
    7    170.9733       135921     1.3286  
    8   2479.3375     21950054   293.6402  
    9   2187.3669    130134579  1096.8641  
    10  3207.7168     82019641   947.6641  
    11  4189.1098     66099677   476.9347  
    12  7517.8340  18099026538  1502.2290  
    13  9089.5310   8948052337   883.8526  
    14  4442.0740      6063605     0.4918  
    15  4045.8820   3531953166   453.0613  
    16  4866.4270   2440239019   270.5996  
    17  1233.3840   1566379186   196.9856  
    18   947.0020   4974249025   426.8148  
    19  5850.7930  17446832212  1472.6754  
    20  7393.8140   8257066751   651.9033  
    21  1281.1620  18099026538  1502.2290  
    22  1339.4990  18082520936  1501.3883  
    23   857.4780     16505602     0.8408  
    24  5411.5130   2440239019   270.5996  
    25  1292.0270   1566379186   196.9856

    Example 2: 获取指数ETF及其相关数据
    obj = gg.MarketData()       # 创建市场数据类对象
    data = obj.indexETF()       # 获取指数ETF及其相关数据

    获取结果:
    obj.output()                # 输出结果


        fund_id  fund_nm index_id  creation_unit     amount  unit_total  \
    0    159901  深100ETF   399330           20.0   101937.0       36.95   
    1    159902    中 小 板   399005           50.0    74693.0       18.28   
    2    159903    深成ETF   399001          300.0    44815.0        3.74   
    3    159905      深红利   399324           50.0    52744.0        7.64   
    4    159906      深成长   399346          100.0    14364.0        0.95   
    5    159907    中小300   399008          150.0    17660.0        1.79   
    6    159908     博时创业   399006          150.0     3623.0        0.40   
    7    159909     深TMT   399610           25.0     1552.0        0.52   
    8    159910    深F120   399702          100.0    48091.0        7.10   
    9    159911    民营ETF   399337           50.0     1307.0        0.39   
    ..      ...      ...      ...            ...        ...         ...    
    110  512660    军工ETF   399967          100.0   111508.0        7.25   
    111  512680     军工基金   399967           60.0    35932.0        2.29   
    112  512700     银行基金   399986           20.0    11058.0        1.11   
    113  512800    银行ETF   399986           30.0    57254.0        5.55   
    114  512810     军工行业   399967          100.0     8353.0        0.51   
    115  512880    证券ETF   399975          100.0   389729.0       30.94   
    116  512900     证券基金   399975           30.0    60671.0        4.64   
    117  512980    传媒ETF   399971          100.0   110272.0        7.29   
    118  513600    恒指ETF      NaN          100.0     2883.0        0.72   
    119  513660      恒生通      NaN          100.0    33500.0        8.40   

        unit_incr  price     volume  increase_rt  estimate_value  discount_rt  \
    0         0.33  3.625   18697.36         2.57          3.6215         0.10   
    1        -0.05  2.448    6731.85         3.51          2.4471         0.04   
    2         0.00  0.835      77.66         1.83          0.8382        -0.37   
    3         0.09  1.448     594.53         1.69          1.4477         0.03   
    4         0.00  0.663       9.30         2.31          0.6582         0.30   
    5         0.00  1.012      55.09         2.43          1.0128        -0.05   
    6        -0.01  1.097      28.92         3.49          1.0976         0.02   
    7         0.00  3.375       3.50         1.75          3.4384        -1.79   
    8         0.19  1.476     128.26         1.72          1.4767        -0.04   
    9         0.00  2.970       4.67         2.73          2.9834        -0.42   
    ..         ...    ...        ...          ...             ...          ...   
    110       0.08  0.650    2920.85         2.20          0.6495         0.08   
    111       0.01  0.637      20.94         2.25          0.6388        -0.25   
    112       0.00  1.000      69.16         0.10          1.0029        -0.29   
    113      -0.10  0.969    2861.82         0.21          0.9688         0.02   
    114       0.00  0.614      34.02         2.16          0.6154        -0.18   
    115       0.54  0.794   21511.10         2.72          0.7940         0.00   
    116       0.00  0.765     391.30         2.82          0.7654        -0.07   
    117       0.06  0.661    1043.38         2.64          0.6591         0.20   
    118       0.00  2.507      49.85        -0.36          2.5237        -0.81   
    119       0.00  2.507      99.09         0.68          2.4765         1.23   
    
         fund_nav      nav_dt index_nm  index_increase_rt      pe     pb  
    0      3.6212  2019-02-01    深证100                0.0  16.665  2.368  
    1      2.4470  2019-02-01     中小板指                0.0  20.140  2.814  
    2      0.8381  2019-02-01     深证成指                0.0  17.235  2.121  
    3      1.4475  2019-02-01     深证红利                0.0  13.370  2.079  
    4      0.6610  2019-02-01     深证成长                0.0  18.516  2.893  
    5      1.0125  2019-02-01    中小300                0.0  21.089  2.451  
    6      1.0968  2019-02-01     创业板指                0.0  28.853  3.598  
    7      3.4364  2019-02-01    TMT50                0.0  27.880  2.940  
    8      1.4766  2019-02-01   深证F120                0.0  13.895  1.844  
    9      2.9825  2019-02-01     深证民营                0.0  21.518  2.945  
    ..        ...         ...      ...                ...     ...    ...  
    110    0.6495  2019-02-01     中证军工                0.0  47.329  2.166  
    111    0.6386  2019-02-01     中证军工                0.0  47.329  2.166  
    112    1.0029  2019-02-01     中证银行                0.0   6.588  0.873  
    113    0.9688  2019-02-01     中证银行                0.0   6.588  0.873  
    114    0.6151  2019-02-01     中证军工                0.0  47.329  2.166  
    115    0.7940  2019-02-01     证券公司                0.0  25.216  1.341  
    116    0.7655  2019-02-01     证券公司                0.0  25.216  1.341  
    117    0.6597  2019-02-01     中证传媒                0.0  19.697  2.362  
    118    2.5274  2019-02-01     恒生指数                0.0     NaN    NaN  
    119    2.4907  2019-01-30     恒生指数                0.0     NaN    NaN  

    Example 3: 获取股票交易历史数据
    obj = gg.StockData('600000')                                  # 创建股票交易类对象
    data = obj.history(start='2019-01-02', end='2019-01-31')      # 获取浦发银行2019年1月份的历史数据

    获取结果:
    obj.output()                                                  # 输出结果
    

             date   open  close   high    low    volume    code
    0   2019-01-02   9.74   9.70   9.79   9.58  237628.0  600000
    1   2019-01-03   9.70   9.81   9.82   9.66  186542.0  600000
    2   2019-01-04   9.73   9.96  10.00   9.70  271728.0  600000
    3   2019-01-07  10.09   9.98  10.09   9.92  235973.0  600000
    4   2019-01-08  10.03   9.96  10.03   9.91  151049.0  600000
    5   2019-01-09  10.06   9.99  10.16   9.98  231637.0  600000
    6   2019-01-10   9.94   9.96  10.02   9.92  159235.0  600000
    7   2019-01-11  10.03  10.05  10.15   9.96  190690.0  600000
    8   2019-01-14  10.03  10.06  10.10  10.01  203528.0  600000
    9   2019-01-15  10.10  10.11  10.15  10.05  156321.0  600000
    10  2019-01-16  10.10  10.13  10.15  10.07  129883.0  600000
    11  2019-01-17  10.17  10.17  10.28  10.07  227660.0  600000
    12  2019-01-18  10.29  10.43  10.44  10.22  290871.0  600000
    13  2019-01-21  10.36  10.35  10.46  10.30  189477.0  600000
    14  2019-01-22  10.38  10.25  10.38  10.23  162505.0  600000
    15  2019-01-23  10.29  10.27  10.34  10.25  165203.0  600000
    16  2019-01-24  10.34  10.38  10.39  10.27  150066.0  600000
    17  2019-01-25  10.45  10.50  10.56  10.38  196965.0  600000
    18  2019-01-28  10.53  10.42  10.66  10.39  217690.0  600000
    19  2019-01-29  10.39  10.58  10.63  10.38  237680.0  600000
    20  2019-01-30  10.59  10.50  10.64  10.47  160542.0  600000
    21  2019-01-31  10.59  10.73  10.73  10.51  251310.0  600000


    Example 4: 获取三大需求对GDP贡献数据
    obj = gg.Macro()               # 创建宏观经济数据类对象
    data = obj.demandsToGdp()      # 获取获取三大需求对GDP贡献数据

    获取结果:
    obj.output()                   # 输出结果
    

        year  cons_to  cons_rate  asset_to  asset_rate  goods_to  goods_rate
    0   2017     58.8        4.1      32.1         2.2       9.1         0.6
    1   2016     66.5        4.5      43.1         2.9      -9.6        -0.7
    2   2015     59.7        4.1      41.6         2.9      -1.3        -0.1
    3   2014     48.8        3.6      46.9         3.4       4.3         0.3
    4   2013     48.2        3.6      54.2         4.3      -2.3        -0.1
    5   2012     56.7        4.3      42.0         3.4       1.7         0.2
    6   2011     61.9        5.9      46.2         4.4      -8.1        -0.8
    7   2010     46.9        4.8      66.0         7.1     -11.2        -1.3
    8   2009     56.1        5.3      86.5         8.1     -42.6        -4.0
    9   2008     44.2        4.3      53.2         5.1       2.6         0.3
    10  2007     45.3        6.4      44.1         6.3      10.6         1.5
    11  2006     42.0        5.3      42.9         5.5      15.1         1.9
    12  2005     54.4        6.2      33.1         3.8      12.5         1.4
    13  2004     42.6        4.3      61.6         6.2      -4.2        -0.4
    14  2003     35.4        3.6      70.0         7.0      -5.4        -0.6
    15  2002     43.9        5.1      48.5         3.6       4.6         0.4
    16  2001     49.0        4.1      64.0         5.3     -13.0        -1.1
    17  2000     78.1        6.6      22.4         1.9      -0.5         NaN
    18  1999     74.7        5.7      23.7         1.8       1.6         0.1
    19  1998     57.1        4.4      26.4         2.1      16.5         1.3
    20  1997     37.0        3.4      18.6         1.7      44.4         4.2
    21  1996     60.1        6.0      34.3         3.4       5.6         0.6
    22  1995     44.7        4.9      55.0         6.0       0.3         NaN
    23  1994     30.2        4.0      43.8         5.7      26.0         3.4
    24  1993     59.5        8.3      78.6        11.0     -38.1        -5.3
    25  1992     72.5       10.3      34.2         4.9      -6.8        -1.0
    26  1991     65.1        6.0      24.3         2.2      10.6         1.0
    27  1990     47.8        1.8       1.8         0.1      50.4         1.9
    28  1989     39.6        1.6      16.4         0.7      44.0         1.8
    29  1988     49.6        5.6      39.4         4.5      11.0         1.2
    30  1987     50.3        5.8      23.5         2.7      26.2         3.1
    31  1986     45.0        4.0      23.2         2.0      31.8         2.8
    32  1985     85.5       11.5      80.9        10.9     -66.4        -8.9
    33  1984     69.3       10.5      40.5         6.2      -9.8        -1.5
    34  1983     74.1        8.1      40.4         4.4     -14.5        -1.6
    35  1982     64.7        5.9      23.8         2.2      11.5         1.0
    36  1981     93.4        4.9      -4.3        -0.2      10.9         0.5
    37  1980     71.8        5.6      26.4         2.1       1.8         0.1
    38  1979     87.3        6.6      15.4         1.2      -2.7        -0.2
    39  1978     39.4        4.6      66.0         7.7      -5.4        -0.6

    Example 5: 获取可转债及其相关数据
    obj = gg.LowRiskIntArb()       # 创建低风险及套利类对象
    data = obj.conBonds()          # 获取可转债及其相关数据

    获取结果:
    obj.output()                   # 输出结果


        bond_id bond_nm  stock_id stock_nm market  convert_price  convert_dt  \
    0    127008    特发转债  sz000070     特发信息     sz           6.78  2019-05-22   
    1    113506    鼎信转债  sh603421     鼎信通讯     sh          21.65  2018-10-20   
    2    113507    天马转债  sh603668     天马科技     sh           7.37  2018-10-23   
    3    113520    百合转债  sh603313      梦百合     sh          19.03  2019-05-14   
    4    128041    盛路转债  sz002446     盛路通信     sz           6.88  2019-01-23   
    5    110032    三一转债  sh600031     三一重工     sh           7.25  2016-07-04   
    6    127009    冰轮转债  sz000811     冰轮环境     sz           5.52  2019-07-18   
    7    128052    凯龙转债  sz002783     凯龙股份     sz           6.97  2019-06-27   
    8    123018    溢利转债  sz300381      溢多利     sz           8.41  2019-06-26   
    9    123012    万顺转债  sz300057     万顺股份     sz           6.47  2019-01-26   
    ..      ...     ...       ...      ...    ...            ...         ...   
    118  128018    时达转债  sz002527      新时达     sz          11.83  2018-05-10   
    119  128028    赣锋转债  sz002460     赣锋锂业     sz          42.58  2018-06-27   
    120  128023    亚太转债  sz002284     亚太股份     sz          10.34  2018-06-08   
    121  132008    17山高EB  sh600350     山东高速     sh           9.62  2018-04-26   
    122  127004    模塑转债  sz000700     模塑科技     sz           7.72  2017-12-08   
    123  128010    顺昌转债  sz002245     澳洋顺昌     sz           9.28  2016-07-29   
    124  123003    蓝思转债  sz300433     蓝思科技     sz          16.08  2018-06-14   
    125  132011    17浙报EB  sh600633     浙数文化     sh          24.39  2018-08-17   
    126  128012    辉丰转债  sz002496     ST辉丰     sz           7.71  2016-10-28   
    127  128013    洪涛转债  sz002325     洪涛股份     sz           9.98  2017-02-06   

    Example 6: 股票LOF基金及基相关数据
    obj = gg.LowRiskIntArb()       # 创建低风险及套利类对象
    data = obj.stockLof()          # 获取股票LOF基金及基相关数据

    获取结果:
    obj.output()                   # 输出结果


        fund_id fund_nm  price  increase_rt  volume   amount  fund_nav      nav_dt  \
    0   160105    南方积配  0.812         1.37    6.73   2175.0    0.8155  2019-02-01   
    1   160106    南方高增  0.847         2.05   13.22   6851.0    0.8666  2019-02-01   
    2   160133    南方天元  1.956         0.98   28.82  22162.0    1.9830  2019-02-01   
    3   160211    国泰小盘  1.647         1.92   41.34   5115.0    1.6620  2019-02-01   
    4   160212    国泰估值  1.658         2.35   64.51   8375.0    1.6750  2019-02-01   
    5   160215    国泰价值  1.192         1.27   10.85   2205.0    1.1990  2019-02-01   
    6   160220    国泰民益  1.132         1.71    3.83   3223.0    1.1382  2019-02-01   
    7   160311    华夏蓝筹  1.297         0.93   27.65  10515.0    1.3040  2019-02-01   
    8   160314    华夏行业  0.842         1.45   12.76  13094.0    0.8490  2019-02-01   
    9   160323    华夏磐泰  1.009         0.00    0.00    145.0    0.9721  2019-02-01   
    ..     ...     ...    ...          ...     ...      ...       ...         ...     
    68  168401    红土定增  0.966         0.00    1.04   1010.0    1.0139  2019-02-01   
    69  169101    东证睿丰  1.252         1.54  356.30  39830.0    1.2600  2019-02-01   
    70  169201    浙商鼎盈  0.971         0.00    0.00    771.0    0.9783  2019-02-01   
    71  501000    国金鑫新  0.961         4.34    2.09     82.0    0.9460  2019-02-01   
    72  501001    财通精选  0.953        -2.46   10.37   5423.0    0.9590  2019-02-01   
    73  501015    财通升级  0.757         0.40   12.29  36579.0    0.7650  2019-02-01   
    74  501017    国泰融丰  0.783         0.00    0.00   5178.0    0.7768  2019-02-01   
    75  501022    银华鑫盛  0.779         0.39    3.33  12266.0    0.7980  2019-02-01   
    76  501027    国泰融信  0.989         0.00    0.00    311.0    1.0055  2019-02-01   
    77  501035    创金睿选  0.938         0.32    2.14    877.0    0.9627  2019-02-01   

Change log:

0.1.8 2020/04/20
(1)Classify类中方法byIndustry去掉按申万行业(sw)获取行业分类数据,保留只使用按新浪行业(sina)获取行业分类数据
(2)LowRiskIntArb类中去掉获取A/H比价数据方法AHRatio
(3)Macro类中将montySupply方法更名为moneySupply;去掉获取贷款基础利率均值数据方法lprMa
(4)StockInfo类中方法stockProfiles经过重新修订可以高效获取上市公司基于基本面的汇总数据信息
(5)修复了N多因网页数据格式更改造成的某些api失效或错误的问题
(6)修复部分bugs

更多文档:

    请访问: http://open.infodata.cc/gugu/index.html

展开阅读全文

代码

的 Gitee 指数为
超过 的项目

评论 (6)

加载中
tabq软件作者
新版本0.1.8已于2020年4月20日发布,在线文档地址:http://open.infodata.cc/gugu/index.html
05/05 20:47
回复
举报
感谢大佬开发的库,请帮忙修正一下下面的问题: CB_data = lowrisk_obj.conBonds()#获取可转债数据 File "/Users/username/anaconda3/lib/python3.6/site-packages/gugu/lowriskintarb.py", line 220, in conBonds self._data[col] = self._data[col].astype(float) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/util/_decorators.py", line 91, in wrapper return func(*args, **kwargs) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/core/generic.py", line 3410, in astype **kwargs) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/core/internals.py", line 3224, in astype return self.apply('astype', dtype=dtype, **kwargs) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/core/internals.py", line 3091, in apply applied = getattr(b, f)(**kwargs) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/core/internals.py", line 471, in astype **kwargs) File "/Users/username/anaconda3/lib/python3.6/site-packages/pandas/core/i
04/13 21:59
回复
举报
没贴完,错误出现在下面这行 ValueError: could not convert string to float: '停牌'
04/13 22:01
回复
举报
那个问题暂时只能 pip install "pandas<0.25.0"解决
03/26 11:49
回复
举报
pandas的版本问题,请作者尽快更新一下。
03/06 11:02
回复
举报
报错 :cannot import name 'StringIO' from 'pandas.compat' 有大佬知道是什么原因吗
2019/08/15 15:56
回复
举报
更多评论
暂无内容
2018/04/08 10:21

设计模式---适配器模式

介绍 适配器是将一个类的接口转换为客户希望的另一个接口,适配器模式使得原本接口不兼容而不能一起工作的哪些类(对象)可以一起工作,速成包装器 理解 var animal = function() {}; animal.prototype.fly = function() { console.log("飞1"); } animal.prototype.gugu = function() { console.log("gugu"); } var trun...

0
0
发表了博客
2014/03/03 20:08

VIM使用系列:转换文本大小写

使用vim进行文本编辑时,用‘~’可以很方便地进行文本的大小写转换。

0
0
发表了博客
2019/07/31 22:09

2019HDU多校第四场 Just an Old Puzzle ——八数码有解条件

理论基础 轮换与对换 概念:把 $S$ 中的元素 $i_1$ 变成 $i_2$,$i_2$ 变成 $i_3$ ... $i_k$ 又变成 $i_1$,并使 $S$ 中的其余元素保持不变的置换称为循环,又称轮换,记为 $(i_1, i_2,...,i_k)$,$k$ 称为循环长度,特别地,循环长度为2的循环称为对换。 定理: (1)任一置换可表示成若干个无公共元素的循环之积 (2)...

0
0
发表了博客
2018/08/25 19:11

2018中国大学生程序设计竞赛 - 网络选拔赛 Solution

A - Buy and Resell 题意:给出n个交易点,每次能够选择买或者卖,求获得最大利润 思路:维护两个优先队列,一个是卖,一个是替换,当价格差相同时,优先替换,因为次数要最少 1 #include <bits/stdc++.h> 2 using namespace std; 3 4 #define ll long long 5 #define N 100010 6 7 int t, n; 8 ll a...

0
0
发表了博客
2019/04/10 10:10

【肥宅捕获指南】快来给我写小纸条吧!

### 前言 前段时间把之前买的咕咕机从老姐那里要了回来(雾),准备对这个单机版打印机做一个扩展,根据官方给出的接口来把它扩展成一个可以让诸多网友给我发送小纸条的联机打印机。 用了一早上把接口实现之后发给了群友,然后今天我收到了这些内容... ### 宪法 ### 发送了三遍的支付宝账号 ### 神秘链接 ### 叫我打游戏(...

0
0
发表了博客
2019/04/10 10:10

wide&deep模型演化

推荐系统模型演化 LR-->GBDT+LR FM-->FFM-->GBDT+FM|FFM FTRL-->GBDT+FTRL Wide&DeepModel (Deep learning era) 将从以下3方面进行模型分析: 1.why(模型设计背后的原理) 2.how(具体怎么设计,如何应用) 3.discussion(模型讨论) Wide&Deep why Memorization 和 Generalization 假如你设计了一个外卖推荐系统gugu,...

0
0
发表了博客
2018/09/07 21:48

2018 CCPC网络赛

<font size=3> ##2018 CCPC网络赛 ###Buy and Resell 题目描述:有一种物品,在$n$个地点的价格为$a_i$,现在一次经过这$n$个地点,在每个地点可以买一个这样的物品,也可以卖出一个物品,问最终赚的钱的最大值。 solution 用两个堆来维护,一个堆维护已经找到卖家的,一个堆维护还没找到卖家的。 对于第$i$个地点,在已...

0
0
发表了博客
2014/10/23 22:14

友盟社会化组件的使用

这里我只写最简单的一种方法,快速集成法:

0
0
发表了博客
2019/03/03 17:57

python垃圾回收机制(GC)

Python垃圾回收(GC)三层心法,你了解到第几层? 垃圾回收机制应该是面试最常问的问题了,那么Python中的垃圾回收机制(Garbage Collection)是怎么解决的呢?我记得每一本python入门的书籍都会说python中请不要担心内存泄漏这个 问题,那么这个背后又是什么原理,今天就来818。 Python中的GC算法 分为下三点:引用计数/标...

0
0
发表了博客
2014/06/25 22:30

面向对象缺陷分析

继承为主的面向对象思想,不仅不适合变化快速繁多的场合,反而对需求变化不太大的模块更能胜任。

0
0
没有更多内容
加载失败,请刷新页面
点击加载更多
加载中
下一页
暂无内容
6 评论
42 收藏
分享
返回顶部
顶部