做數據只知道Excel？Jupyter Notebook也要學起來了

選自towardsdatascience

作者：Semi Koen

機器之心編譯

參與：胡曦月、張倩

Excel是交易員或金融從業者的生計之本，但在數據量較大或需要對數據進行深入挖掘時，Excel似乎就有點不夠用了。那麼，有什麼新的工具可以作為代替呢？本文作者給出的答案是Jupyter Notebooks。

如果你是一名交易員或者從事金融服務行業，那麼 Excel 就是你的生計之本。有了它，你可以分析價格和實時數據、評估交易組合、計算 VaR、執行回測等等；有了它，你就是數據透視表、公式、圖表甚至 VBA 和 PowerQuery 的專家。

然而，儘管你可以快速處理解決方案，但在你得到結果之前，電子表格已經擴展到數十個標籤頁、上千行以及數不清的 VBA——這使得它的可讀性和可維護性遭到破壞。如果你膽敢用 F9 鍵刷新結果，那你就可以喝杯茶再多等一會兒了（前提還得是你的電腦在這期間沒有崩潰）！

很熟悉的場景吧？你大概已經在頻頻點頭了。

儘管 Excel 十分有用，但是對數據進行深入挖掘時，電子表格並不能提供你想要的所有答案。下面來看看 Excel 為什麼這麼火，又有哪些不足，最重要的是，為什麼應該用 Jupyter Notebook 來替代它成為你的強大數據分析工具。

天堂般的 Excel

使得 Excel 如此有價值的因素有多個，最值得注意的是它簡單卻強大的基於內置函數的響應式計算模型。電子表格就像是一塊空畫布，「業餘程序員」可以在這上面用 Excel 專用語言（公式或者 VBA）進行編程。

儘管銀行為了運行業務關鍵流程部署了廣泛的 IT 系統，但以電子表格形式存在的 Shadow IT 仍呈爆炸式增長，Shadow IT 補充了這些核心系統，並成為新業務計劃的默認工具。正是由於企業系統不夠靈活，無法適應動態金融環境所提出的快速上市要求，這才有了 Excel 來填補這一缺口。

Excel 可能很方便，但這是否意味著它就是正確的方法呢？

Excel 在企業中的角色需要重新定義了！

地獄般的 Excel

想用電子表格對大量數據進行高級響應式分析？那可就用錯工具了。

下面是 Excel 高級用戶所面臨的一些問題：

級聯錯誤：Excel 一個臭名昭著的問題是，錯誤會沿著列傳播，然後到整個表格，就好像雪球最終變成雪崩一樣。可怕的是，有時錯誤發現時已為時已晚。

可擴展性：Excel 可處理的行列數是有限制的。隨著數據集以指數速度增加，電子表格很快就會耗盡內存或消耗大量 CPU 資源，此時數據損壞的風險就會上升。

性能：在複雜的工作簿中，修改一個數字可能會影響到數百個重複計算，Excel 需要時間來處理每個數字。表格達到一定規模後不僅自身的速度會下降，還會影響到計算機上其它需要內存空間的應用程序的性能。

測試：想要測試一個電子表格的正確性幾乎是不可能的，更別提還要證明後續更改不會破壞任何其他內容。

可追溯性/調試：往往一個很小的修改就會顯著破壞你的複雜公式，從而使得問題難以識別和修復。

全部包含：數據和計算全部包含在一個 Excel 文件中，並且在本地計算機上運行。這就意味著協作受限、版本控制成為噩夢。此外，數據也只能是基於最近更新的靜態數據，而無法隨著條件變化而實時更新。

傳統軟體在數十年前已經解決了以上這些問題。

最後同樣重要的一個問題是：

操作風險：所有電子表格最初都是小型/快速修復計算，但有些最終成為了永久性的企業級解決方案。它們提供了大量業務流程，但卻缺乏全局譜系的可見性，從而使得許多財務、運營和監管流程的完整性受到威脅。

Hello，程序員；Bye-bye，交易員

傳統上，銀行將定量交易團隊分為定量交易員和定量開發者。前者提出交易想法，後者將這些想法轉化為可執行代碼。如果你作為交易員的同時也熟悉編程，那就不再需要這種分工，這也為你提供了競爭優勢：不僅可以在銀行希望優化成本時避免被裁員，還可以將自己的交易模型付諸實踐，並利用時間優勢獲利。解放雙手，將枯燥的任務自動化，編程真的很有創造力！

在這個時代，更多的初級交易員都具備 uni 編程技能，因此想要保持職場競爭力就得要參與其中。

如何在 Python 和 Jupyter bi ji ben 上使用 Excel

那麼，當交易員和金融專家們發現 Excel 有諸多限制時（不是因為版本過低時），該如何解決呢？

答案是，學習 Python，並且使用 Jupyter 筆記本來做開發環境！

Python

Python 相當易於學習且用途廣泛，因此在金融社區中使用漸多，與 Excel 一樣，它現在是許多量化工具的先決條件。它沒 C （或 Java）那麼複雜，也就意味著：1. 學習曲線沒那麼陡峭；2. 完成一個任務所需的代碼量要少 80%-90%。

Python 的日益普及可以從大量支持交易員所需的各種工具庫看出來。

數據的讀、寫、清洗、傳遞、分層／分割

數學、統計、時間序列

財務分析：交易和計量金融、市場數據分析、股票／衍生產品市場分析、彭博數據訪問、執行引擎、回測、風險分析等等

機器學習工作流（如預測市場價格）

繪圖和互動式可視化

SQL 支持

發送郵件

網頁抓取（如獲取在線市場數據）

任務自動化／安排

Excel 集成（如果你確實非常喜歡 Excel）

Jupyter

同樣地，Jupyter Notebook 是一個基於 Web 的計算環境，能夠讓你創作包括以下內容的文檔：實時代碼、圖形、小部件、豐富的敘述文本（包括鏈接、公式等）、圖片等。更具體地說，你能夠：

在瀏覽器中編輯代碼：自動語義高亮、縮進、tab 命令補全/內省（introspection）

運行瀏覽器中的代碼：在代碼後附加其計算結果

它們提供了一種全包式的、獨立的運算記錄，從而使其代替 Excel 作為實時數據分析平台。

The sweet spot

你可能會想：我還要再用 Excel 嗎？當然了。

在下面這些情況下，電子表格依然是你最好的選擇：

正確性和精確性並非優先事項

數據量不大（比如不需要可擴展性）

無需實時更新

使用 Excel 作為便簽薄快速整合原型

無需長期維護

當你需要快速開發、驗證正確性和可擴展性，同時又要保持和 Excel 一樣的反應模型時，就是 Jupyter Notebook 大展身手之時。

不，Excel 並未淘汰，但 Jupyter Notebook 是更好的數據分析工具！

儘管我已經明確提到使用 Python／Jupyter 組合相較於 Excel 的一些實質性優點，在「地獄般的 Excel」小節中也隱晦地提到一些，我還是要把前十個優點列表如下：

強大的數據操作 － 畢竟是數據科學家的工具箱！

先進的可視化功能－ 不再是枯燥的圖標！

更好的用戶體驗

大數據處理 － 不再崩潰！

性能管理 － 利用多處理器

測試驅動的開發 － 考慮質量！

開源可訪問性 － 它有一個庫

錯誤追蹤

自動化更加簡單

自編文檔 － 不要低估它的價值！

從哪開始

我發現新進入這一領域可能令人生畏，但是編程並非學習語法，而是使用正確的語言和工具來解決問題：在本文中也就是 Python 和 Jupyter。

這裡提供兩個非常好的入門資源：

Think Python 免費電子書下載：http://greenteapress.com/thinkpython2/html/index.html

Jupyter Notebook 新手在線工具教程：https://www.dataquest.io/blog/jupyter-notebook-tutorial

重點是：Stay relevant!

結束語：

難以想像沒有電子表格的企業界！

銀行開始發現 Python 可以在其關鍵工作負載中作為 Excel 的替代品。最近，Barclays 因其培訓交易員編程而成為新聞頭條。我想你也應該遵守這個範例，你不會失望的！

讓 Excel 去做它擅長的事，用 Python 和 Jupyter Notebook 來完成分析和自動化！

參考鏈接：https://towardsdatascience.com/jupyter-is-the-new-excel-a7a22f2fc13a

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！