如何利用網(wǎng)絡(luò)上的公開數(shù)據(jù)構(gòu)建一個(gè)自己的股票證券知識(shí)圖譜呢？

[ 導(dǎo)讀 ]你不理財(cái)財(cái)不理你，理財(cái)是大家早就達(dá)成共識(shí)的事情。作為新時(shí)代的五好青年，又身具機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜的能力，以自己的專業(yè)知識(shí)創(chuàng)造財(cái)富，應(yīng)該更有意思。但是，股票證券市場(chǎng)信息繁雜，如何利用網(wǎng)絡(luò)上的公開數(shù)據(jù)構(gòu)建一個(gè)自己的股票證券知識(shí)圖譜呢？GitHub的lemonhu同學(xué)，開源了一套解決方案。

github地址：

作者：lemonhu

本項(xiàng)目需要用到兩種數(shù)據(jù)源：一種是公司董事信息，另一種是股票的行業(yè)以及概念信息。

公司董事信息

這部分?jǐn)?shù)據(jù)包含在data目錄下的stockpage壓縮文件中，?面的每一個(gè)文件是以XXXXXX.html命名，其中XXXXXX是股票代碼。這部分?jǐn)?shù)據(jù)是由同花順個(gè)股的?頁爬取而來的，執(zhí)行解壓縮命令unzip stockpage.zip即可獲取。比如對(duì)于600007.html，這部分內(nèi)容來自于：http://stockpage.10jqka.com.cn/600007/company/#manager

在我們給定的html文件中，需要對(duì)每一個(gè)股票/公司抽取董事會(huì)成員的信息，這部分信息包括董事會(huì)成員“姓名”、“職務(wù)”、“性別”、“年齡”共四個(gè)字段。首先，姓名和職務(wù)的字段來自于：

在這里總共有12位董事成員的信息，都需要抽取出來。另外，性別和年齡字段也可以從下附圖里抽取出來：

最后，生成一個(gè) executive_prep.csv文件，格式如下：

注：建議表頭最好用相應(yīng)的英文表示。

獲取股票行業(yè)和概念的信息

對(duì)于這部分信息，我們可以利?工具Tushare來獲取，官網(wǎng)為http:/// ，使用pip命令進(jìn)行安裝即可。下載完之后，在python里即可調(diào)用股票行業(yè)和概念信息。

參考鏈接：

http:///classifying.html#id2

通過以下的代碼獲得股票行業(yè)信息，并把返回的信息直接存儲(chǔ)在stock_industry_prep.csv文件里。

類似的，可以通過以下代碼即可獲得股票概念信息，并把它們存儲(chǔ)在stock_concept_prep.csv文件里。

設(shè)計(jì)一個(gè)這樣的圖譜：

• 創(chuàng)建“人”實(shí)體，這個(gè)人擁有姓名、性別、年齡

• 創(chuàng)建“公司”實(shí)體，除了股票代碼，還有股票名稱

• 創(chuàng)建“概念”實(shí)體，每個(gè)概念都有概念名

• 創(chuàng)建“行業(yè)”實(shí)體，每個(gè)行業(yè)都有?業(yè)名

• 給“公司”實(shí)體添加“ST”的標(biāo)記，這個(gè)由LABEL來實(shí)現(xiàn)

• 創(chuàng)建“人”和“公司”的關(guān)系，這個(gè)關(guān)系有董事長(zhǎng)、執(zhí)行董事等等

• 創(chuàng)建“公司”和“概念”的關(guān)系

• 創(chuàng)建“公司”和“行業(yè)”的關(guān)系

把設(shè)計(jì)圖存儲(chǔ)為design.png文件。

注：實(shí)體名字和關(guān)系名字需要易懂，對(duì)于上述的要求，并不一定存在唯一的設(shè)計(jì)，只要能夠覆蓋上面這些要求即可。“ST”標(biāo)記是用來刻畫?個(gè)股票嚴(yán)重虧損的狀態(tài)，這個(gè)可以從給定的股票名字前綴來判斷，背景知識(shí)可參考百科ST股票，“ST”股票對(duì)應(yīng)列表為['*ST', 'ST', 'S*ST', 'SST']。

創(chuàng)建可以導(dǎo)?Neo4j的csv文件

在前兩個(gè)任務(wù)里，我們已經(jīng)分別生成了 executive_prep.csv, stock_industry_prep.csv, stock_concept_prep.csv，但這些文件不能直接導(dǎo)入到Neo4j數(shù)據(jù)庫。

所以需要做?些處理，并生成能夠直接導(dǎo)入Neo4j的csv格式。我們需要生成這?個(gè)文件：

executive.csv, stock.csv, concept.csv, industry.csv, executive_stock.csv, stock_industry.csv, stock_concept.csv。

對(duì)于格式的要求，請(qǐng)參考：https:///docs/operations-manual/current/tutorial/import-tool/

利用上面的csv文件生成數(shù)據(jù)庫

這個(gè)命令會(huì)把所有的數(shù)據(jù)導(dǎo)入到Neo4j中，數(shù)據(jù)默認(rèn)存放在 graph.db 文件夾里。如果graph.db文件夾之前已經(jīng)有數(shù)據(jù)存在，則可以選擇先刪除再執(zhí)行命令。

把Neo4j服務(wù)重啟之后，就可以通過localhost:7474觀察到知識(shí)圖譜了。

查詢分析

基于構(gòu)建好的知識(shí)圖譜，通過編寫Cypher語句回答如下問題：

• 有多少個(gè)公司目前是屬于“ST”類型的?

• “600519”公司的所有獨(dú)立董事人員中，有多少人同時(shí)也擔(dān)任別的公司的獨(dú)立董事職位?

• 有多少公司既屬于環(huán)保行業(yè)，又有外資背景?

• 對(duì)于有鋰電池概念的所有公司，獨(dú)?董事中女性?員?例是多少?

請(qǐng)?zhí)峁?duì)應(yīng)的Cypher語句以及答案，并把結(jié)果寫在result.txt。

實(shí)施問題

• 構(gòu)建人的實(shí)體時(shí)，重名問題具體怎么解決？

• 把簡(jiǎn)單思路寫在result.txt文件中。

工程目錄

具體內(nèi)容，請(qǐng)到Github庫進(jìn)行查看。