本專案提供完整的 DataFrame 和 NumPy 操作範例，使用物件導向程式設計（OOP）架構，並包含詳細的繁體中文註解和使用說明。
DataFrame_NumPy/
├── 01_dataframe_crud.py # DataFrame CRUD 操作範例
├── 02_numpy_examples.py # NumPy 操作範例
├── 03_format_conversion.py # 格式轉換範例
├── 04_html_markdown_templates.py # HTML 和 Markdown 範本生成
├── 05_finance_trading_example.py # 金融交易案例
├── test_all_modules.py # 測試程式
└── README.md # 本檔案
pip install pandas numpy tabulate openpyxl# 執行 DataFrame CRUD 範例
python 01_dataframe_crud.py
# 執行 NumPy 範例
python 02_numpy_examples.py
# 執行格式轉換範例
python 03_format_conversion.py
# 執行 HTML/Markdown 範例
python 04_html_markdown_templates.py
# 執行金融交易案例
python 05_finance_trading_example.py
# 執行所有測試
python test_all_modules.py提供完整的 DataFrame 建立、讀取、更新、刪除功能。
主要類別：
DataFrameCRUD: DataFrame CRUD 操作類別
使用範例：
from dataframe_crud import DataFrameCRUD
# 建立實例
crud = DataFrameCRUD()
# 建立資料
data = {
'姓名': ['張三', '李四', '王五'],
'年齡': [25, 30, 35],
'薪資': [50000, 60000, 70000]
}
crud.create(data)
# 讀取資料
all_data = crud.read()
filtered = crud.read(condition="年齡 > 28")
# 更新資料
crud.update(index=0, column='薪資', value=55000)
# 刪除資料
crud.delete(index=1)提供 NumPy 陣列建立、運算、統計、線性代數等功能。
主要類別：
NumPyOperations: NumPy 操作類別
使用範例：
from numpy_examples import NumPyOperations
# 建立實例
np_ops = NumPyOperations()
# 建立陣列
arr = np_ops.create_from_list([1, 2, 3, 4, 5])
zeros = np_ops.create_zeros((3, 4))
random_arr = np_ops.create_random((3, 3), seed=42)
# 陣列運算
result = np_ops.add(10)
result = np_ops.multiply(2)
# 統計運算
mean = np_ops.mean()
std = np_ops.std()提供各種資料格式之間的轉換功能。
主要類別：
FormatConverter: 格式轉換類別
支援的轉換：
- DataFrame ↔ NumPy
- DataFrame ↔ 字典
- DataFrame ↔ JSON
- DataFrame ↔ CSV
- DataFrame ↔ Excel
使用範例：
from format_conversion import FormatConverter
converter = FormatConverter()
# DataFrame 轉 NumPy
arr = converter.dataframe_to_numpy(df)
# DataFrame 轉 JSON
json_str = converter.dataframe_to_json(df, orient='records')
# 儲存為 CSV
converter.save_dataframe_to_csv(df, 'data.csv')
# 載入 Excel
df = converter.load_dataframe_from_excel('data.xlsx')提供將 DataFrame 轉換為 HTML 和 Markdown 報表的功能。
主要類別：
HTMLTemplate: HTML 範本生成類別MarkdownTemplate: Markdown 範本生成類別
使用範例：
from html_markdown_templates import HTMLTemplate, MarkdownTemplate
# 生成 HTML 報表
html_gen = HTMLTemplate(title="資料報表", style="financial")
html_report = html_gen.dataframe_to_html_report(df,
filepath='report.html')
# 生成 Markdown 報表
md_gen = MarkdownTemplate(title="資料報表")
md_report = md_gen.dataframe_to_markdown_report(df,
filepath='report.md')完整的金融資料分析和交易策略實作範例。
主要類別：
StockDataProcessor: 股票資料處理類別TechnicalIndicators: 技術指標計算類別TradingStrategy: 交易策略類別FinanceReportGenerator: 金融報表生成類別
使用範例：
from finance_trading_example import (
StockDataProcessor,
TechnicalIndicators,
TradingStrategy
)
# 步驟 1: 建立股票資料
processor = StockDataProcessor()
df = processor.create_sample_data('2330', days=60, start_price=580.0)
# 步驟 2: 計算技術指標
indicators = TechnicalIndicators(df)
df_with_indicators = indicators.add_all_indicators()
# 步驟 3: 實作交易策略
strategy = TradingStrategy(df_with_indicators)
signals = strategy.moving_average_crossover(fast_period=5, slow_period=20)
# 步驟 4: 策略回測
results = strategy.backtest(initial_capital=100000, commission=0.001)
print(f"總報酬率: {results['total_return']:.2%}")執行所有測試：
python test_all_modules.py測試涵蓋：
- DataFrame CRUD 操作
- NumPy 陣列操作
- 格式轉換
- HTML/Markdown 生成
- 金融交易案例
每個模組都包含詳細的使用模式說明，包括：
- 類別初始化模式：如何建立類別實例
- 方法使用模式：每個方法的詳細使用範例
- 參數說明：每個參數的用途和格式
- 返回值說明：返回值的類型和內容
- 注意事項：使用時需要注意的事項
-
資料準備
- 使用
StockDataProcessor建立或載入股票資料
- 使用
-
技術分析
- 使用
TechnicalIndicators計算各種技術指標 - 支援：SMA、EMA、RSI、MACD、布林通道等
- 使用
-
策略實作
- 使用
TradingStrategy實作交易策略 - 支援：移動平均交叉、RSI 策略等
- 使用
-
回測分析
- 使用
backtest()方法進行策略回測 - 計算總報酬率、夏普比率等指標
- 使用
-
報表生成
- 使用
FinanceReportGenerator生成分析報表 - 支援 HTML 和 Markdown 格式
- 使用
html_gen = HTMLTemplate(title="報表", style="modern")
# 可選樣式：'modern', 'financial', 'minimal'indicators = TechnicalIndicators(df)
rsi = indicators.calculate_rsi(period=14) # 自訂 RSI 週期
macd = indicators.calculate_macd(fast_period=12, slow_period=26)class MyStrategy(TradingStrategy):
def custom_strategy(self):
# 實作自訂策略邏輯
pass- 資料型別：確保資料型別正確，特別是數值運算時
- 缺失值處理：某些計算可能需要處理缺失值（NaN）
- 效能考量：大量資料時注意記憶體使用
- 日期格式：處理日期時注意時區和格式
歡迎提出問題和改進建議！
本專案僅供學習和參考使用。