使用python實現sma

A. 如何用python設計一個能實現添加、修改、刪除、顯示、退出等功能的小程序

可以使用 Python 中的字典（dictionary）來實現一個簡單的增刪改查程序。具體實現步驟如下：

• 創建一個空字典用於存儲數據。

• 通過循環菜單的方式，讓用戶可以選擇添加、修改、刪除、顯示、退出等功能。

• 根據用戶的選擇執行相應的操作，例如肆悶搏添加數據就讓用戶輸入鍵值對，修改數據就讓用戶選擇要修改的鍵和新值，刪除數據就讓用戶選擇要刪除的鍵，顯示數據就輸出整個字典，退出就結束程序。

下面是一個簡單的代碼示例：

data = {}裂祥 # 創建空字典用於存儲數據

while True:

print('請選擇操作：')

print('1. 添加數據')

print('2. 修改數據')

print('3. 刪除數據')

print('4. 顯示數據')

print('5. 退出程序')

choice = input('請輸入選項：')

if choice == '1':

key = input('請輸入鍵：')

value = input('請輸入值：')

data[key] = value

print('添加成功！')

elif choice == '2':

key = input('請輸入要修改的鍵：')

if key in data:

value = input('請輸入新值：')

data[key] = value

print('修改成功！')

else:

print('該鍵不存在！')

elif choice == '3':

key = input('請輸入要刪除的鍵：')

if key in data:

del data[key]

print('刪除成功！')

else:

print('該鍵不存在！')

elif choice == '4':

print(data)

elif choice == '5':

print('謝謝使用，再見！')

break

else:

print('輸入錯誤，請重新選擇。')

這個程序簡單易罩棗懂，可以根據自己的需要進行修改和擴展。

B. 如何用python實現Markowitz投資組合優化

多股票策略回測時常常遇到問題。
倉位如何分配？
你以為基金經理都是一拍腦袋就等分倉位了嗎？
或者玩點玄乎的斐波拉契數列？
OMG，誰說的黃金比例，讓我看到你的腦袋（不削才怪）！！

其實，這個問題，好多好多年前馬科維茨（Markowitz）我喜愛的小馬哥就給出答案——投資組合理論。

根據這個理論，我們可以對多資產的組合配置進行三方面的優化。
1.找到有效前沿。在既定的收益率下使組合的方差最小。
2.找到sharpe最優的組合（收益-風險均衡點）

3.找到風險最小的組合

跟著我，一步兩步，輕松實現。
該理論基於用均值和方差來表述組合的優劣的前提。將選取幾只股票，用蒙特卡洛模擬初步探究組合的有效前沿。
通過最大Sharpe和最小方差兩種優化來找到最優的資產組合配置權重參數。
最後，刻畫出可能的分布，兩種最優以及組合的有效前沿。

註：
文中的數據API來自量化平台聚寬，在此表示感謝。
原文見【組合管理】——投資組合理論（有效前沿）（包含正態檢驗部分）

0.導入需要的包
import pandas as pd
import numpy as np
import statsmodels.api as sm #統計運算
import scipy.stats as scs #科學計算
import matplotlib.pyplot as plt #繪圖

1.選取幾只感興趣的股票
000413 東旭光電，000063 中興通訊，002007 華蘭生物，000001 平安銀行，000002 萬科A
並比較一下數據（2015-01-01至2015-12-31）
In[1]:
stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']
noa = len(stock_set)
df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])
data = df['close']
#規范化後時序數據
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:

2.計算不同證券的均值、協方差
每年252個交易日，用每日收益得到年化收益。計算投資資產的協方差是構建資產組合過程的核心部分。運用pandas內置方法生產協方差矩陣。
In [2]:
returns = np.log(data / data.shift(1))
returns.mean()*252
Out[2]:

000413.XSHE 0.184516
000063.XSHE 0.176790
002007.XSHE 0.309077
000001.XSHE -0.102059
000002.XSHE 0.547441

In [3]:
returns.cov()*252
Out[3]:

3.給不同資產隨機分配初始權重
由於A股不允許建立空頭頭寸，所有的權重系數均在0-1之間
In [4]:
weights = np.random.random(noa)
weights /= np.sum(weights)
weights
Out[4]:

array([ 0.37505798, 0.21652754, 0.31590981, 0.06087709, 0.03162758])

4.計算預期組合年化收益、組合方差和組合標准差
In [5]:
np.sum(returns.mean()*weights)*252
Out[5]:

0.21622558669017816

In [6]:
np.dot(weights.T, np.dot(returns.cov()*252,weights))
Out[6]:

0.23595133640121463

In [7]:
np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))
Out[7]:

0.4857482232609962

5.用蒙特卡洛模擬產生大量隨機組合
進行到此，我們最想知道的是給定的一個股票池（證券組合）如何找到風險和收益平衡的位置。
下面通過一次蒙特卡洛模擬，產生大量隨機的權重向量，並記錄隨機組合的預期收益和方差。
In [8]:
port_returns = []
port_variance = []
for p in range(4000):
weights = np.random.random(noa)
weights /=np.sum(weights)
port_returns.append(np.sum(returns.mean()*252*weights))
port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))
port_returns = np.array(port_returns)
port_variance = np.array(port_variance)
#無風險利率設定為4%
risk_free = 0.04
plt.figure(figsize = (8,4))
plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')
plt.grid(True)
plt.xlabel('excepted volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[8]:

6.投資組合優化1——sharpe最大
建立statistics函數來記錄重要的投資組合統計數據（收益，方差和夏普比）
通過對約束最優問題的求解，得到最優解。其中約束是權重總和為1。
In [9]:
def statistics(weights):
weights = np.array(weights)
port_returns = np.sum(returns.mean()*weights)*252
port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))
return np.array([port_returns, port_variance, port_returns/port_variance])
#最優化投資組合的推導是一個約束最優化問題
import scipy.optimize as sco
#最小化夏普指數的負值
def min_sharpe(weights):
return -statistics(weights)[2]
#約束是所有參數(權重)的總和為1。這可以用minimize函數的約定表達如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我們還將參數值(權重)限制在0和1之間。這些值以多個元組組成的一個元組形式提供給最小化函數
bnds = tuple((0,1) for x in range(noa))
#優化函數調用中忽略的唯一輸入是起始參數列表(對權重的初始猜測)。我們簡單的使用平均分布。
opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
opts
Out[9]:
status: 0
success: True
njev: 4
nfev: 28
fun: -1.1623048291871221
x: array([ -3.60840218e-16, 2.24626781e-16, 1.63619563e-01, -2.27085639e-16, 8.36380437e-01])
message: 'Optimization terminated successfully.'
jac: array([ 1.81575805e-01, 5.40387481e-01, 8.18073750e-05, 1.03137662e+00, -1.60038471e-05, 0.00000000e+00])
nit: 4

得到的最優組合權重向量為：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0. , 0. , 0.164, -0. , 0.836])

sharpe最大的組合3個統計數據分別為：
In [11]:
#預期收益率、預期波動率、最優夏普指數
statistics(opts['x']).round(3)
Out[11]:

array([ 0.508, 0.437, 1.162])

7.投資組合優化2——方差最小
接下來，我們通過方差最小來選出最優投資組合。
In [12]:
#但是我們定義一個函數對 方差進行最小化
def min_variance(weights):
return statistics(weights)[1]
optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
optv
Out[12]:
status: 0
success: True
njev: 7
nfev: 50
fun: 0.38542969450547221
x: array([ 1.14787640e-01, 3.28089742e-17, 2.09584008e-01, 3.53487044e-01, 3.22141307e-01])
message: 'Optimization terminated successfully.'
jac: array([ 0.3851725 , 0.43591119, 0.3861807 , 0.3849672 , 0.38553924, 0. ])
nit: 7

方差最小的最優組合權重向量及組合的統計數據分別為：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115, 0. , 0.21 , 0.353, 0.322])

In [14]:
#得到的預期收益率、波動率和夏普指數
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226, 0.385, 0.587])

8.組合的有效前沿
有效前沿有既定的目標收益率下方差最小的投資組合構成。
在最優化時採用兩個約束，1.給定目標收益率，2.投資組合權重和為1。
In [15]:
def min_variance(weights):
return statistics(weights)[1]
#在不同目標收益率水平（target_returns）循環時，最小化的一個約束條件會變化。
target_returns = np.linspace(0.0,0.5,50)
target_variance = []
for tar in target_returns:
cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})
res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
target_variance.append(res['fun'])
target_variance = np.array(target_variance)

下面是最優化結果的展示。
叉號：構成的曲線是有效前沿（目標收益率下最優的投資組合）
紅星：sharpe最大的投資組合
黃星：方差最小的投資組合
In [16]:
plt.figure(figsize = (8,4))
#圓圈：蒙特卡洛隨機產生的組合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉號：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#紅星：標記最高sharpe組合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黃星：標記最小方差組合
plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)
plt.grid(True)
plt.xlabel('expected volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[16]:

C. 利用python實現數據分析

鏈接：

煉數成金:Python數據分析。Python是一種面向對象、直譯式計算機程序設計語言。也是一種功能強大而完善的通用型語言，已經具有十多年的發展歷史，成熟且穩定。Python 具有腳本語言中最豐富和強大的類庫，足以支持絕大多數日常應用。 Python語法簡捷而清晰，具有豐富和強大的類庫。它常被昵稱為膠水語言，它能夠很輕松的把用其他語言製作的各種模塊（尤其是C/C++）輕松地聯結在一起。

課程將從Python的基本使用方法開始，一步步講解，從ETL到各種數據分析方法的使用，並結合實例，讓學員能從中借鑒學習。

課程目錄：

Python基礎

Python的概覽——Python的基本介紹、安裝與基本語法、變數類型與運算符

了解Python流程式控制制——條件、循環語句與其他語句

常用函數——函數的定義與使用方法、主要內置函數的介紹

.....

D. Python網路編程6-使用Pysnmp實現簡單網管

  簡單網路管理協議SNMP（Simple Network Management Protocol）用於網路設備的管理。SNMP作為廣泛應用於TCP/IP網路的網路管理標准協議，提供了統一的介面，從而實現了不同種類和廠商的網路設備之間的統一管理。
  SNMP協議分為三個版本：SNMPv1、SNMPv2c和SNMPv3。

  SNMP系統由網路管理系統NMS（Network Management System）、SNMP Agent、被管對象Management object和管理信息庫MIB（Management Information Base）四部分組成。

  SNMP查詢是指NMS主動向SNMP Agent發送查詢請求，如圖1-3所示。SNMP Agent接收到查詢請求後，通過MIB表完成相應指令，並將結果反饋給NMS。SNMP查詢操作有三種：Get、GetNext和GetBulk。SNMPv1版本不支持GetBulk操作。

  不同版本的SNMP查詢操作的工作原理基本一致，唯一的區別是SNMPv3版本增加了身份驗證和加密處理。下面以SNMPv2c版本的Get操作為例介紹SNMP查詢操作的工作原理。假定NMS想要獲取被管理設備MIB節點sysContact的值，使用可讀團體名為public，過程如下所示：

  SNMP設置是指NMS主動向SNMP Agent發送對設備進行Set操作的請求，如下圖示。SNMP Agent接收到Set請求後，通過MIB表完成相應指令，並將結果反饋給NMS。

  不同版本的SNMP Set操作的工作原理基本一致，唯一的區別是SNMPv3版本增加了身份驗證和加密處理。下面以SNMPv3版本的Set操作為例介紹SNMP Set操作的工作原理。
假定NMS想要設置被管理設備MIB節點sysName的值為HUAWEI，過程如下所示：

  SNMPv1和SNMPv2c的Set操作報文格式如下圖所示。一般情況下，SNMPv3的Set操作信息是經過加密封裝在SNMP PDU中，其格式與SNMPv2c的Set操作報文格式一致。

  SNMP Traps是指SNMP Agent主動將設備產生的告警或事件上報給NMS，以便網路管理員及時了解設備當前運行的狀態。
  SNMP Agent上報SNMP Traps有兩種方式：Trap和Inform。SNMPv1版本不支持Inform。Trap和Inform的區別在於，SNMP Agent通過Inform向NMS發送告警或事件後，NMS需要回復InformResponse進行確認。

  在Ensp中搭建網路環境，在R2上啟用SNMP作為SNMP agent，Linux主機作為NMS；為方便觀察SNMP報文格式，在R2使用SNMP的版本為v2c。

通過下面的Python腳本獲取R2的系統信息與當前的主機名

運行結果如下

  在R2介面上抓包結果如下，Linux主機向R2的161埠發送SNMP get-request報文，可以看到SNMP使用的版本為v2c，設置的團體名為public，隨機生成了一個request-id，變數綁定列表（Variable bindings），即要查詢的OID，但Value為空；值得注意的是這些信息都是明文傳輸的，為了安全在實際環境中應使用SNMPv3。

通過下面的Python腳本獲取R2的介面信息。

運行結果如下：

在R2介面抓包結果如下，getBuikRequest相比get-request設置了一個max-repetitions欄位，表明最多執行get操作的次數。Variable bindings中請求的OID條目只有一條。

下面Python腳本用於設置R2的主機名為SNMPv2R2。

運行結果如下

在路由器上可以看到主機名有R2變為了SNMPv2R2。

get-response數據包內容與set-request中無異。

下面Python腳本用於接收，R2發送的Trap，並做簡單解析。

先運行該腳本，之後再R2上手動將一個介面shutdown，結果如下：

介面上抓包結果如下，此時團體名用的是public，data部分表明是trap。

由於Ensp中的通用路由器認證演算法只支持des56，而pysnmp不支持該演算法，因此使用AR路由器配置SNMPv3。

使用下面Python腳本發送snmpv3 get報文獲取設備系統信息。

抓包結果如下，首先發送get-resques進行SNMPv3認證請求，隨機生成一個msgID，認證模式為USM，msgflgs中Reportable置1要求對方發送report，其他為置0，表示不進行加密與鑒權；另外安全參數，認證參數、加密參數都為空，此時不攜帶get請求數據。

路由器給NMS回復report，msgID與resquest一致，Msgflgs中各位都置0，同時回復使用的安全引擎，認證與加密參數為空，不進行認證與加密，因此能看到data中的數據。

AR1收到請求後進行回復，數據包中msgflags標志位中除reportable外其他位都置1，表示不需要回復，同時進行加密與鑒權。同樣也可以看到認證用戶為testuser，認證參數與加密參數都有填充，data部分也是同樣加密。

參考：
什麼是SNMP - 華為 (huawei.com)
AR100-S V300R003 MIB參考 - 華為 (huawei.com)
SNMP library for Python — SNMP library for Python 4.4 documentation (pysnmp.readthedocs.io)

E. 使用Matplotlib模擬Python中的三維太陽系

編程的一個用途是通過模擬來幫助我們理解真實世界。這一技術被應用於科學、金融和許多其他定量領域。只要控制現實世界屬性的「規則」是已知的，你就可以編寫一個計算機程序來 探索 你遵循這些規則所得到的結果。在本文中，您將 用Python模擬三維太陽系 使用流行的可視化庫Matplotlib

在這篇文章，你將能夠用Python創建你自己的3D太陽系，你可以用你想要的多少太陽和行星。下面是一個簡單的太陽系的一個例子，它有一個太陽和兩個行星：

你還可以打開動畫地板上的二維投影，更好地展示太陽系的三維本質。下面是同樣的太陽系模擬，包括2D投影：

下面是這篇文章的概要，以便您知道接下來會發生什麼：

在本文中，您將使用面向對象的編程和Matplotlib。如果您希望閱讀更多關於任何一個主題的內容，您可以閱讀：

讓我們從使用Matplotlib在Python中模擬一個3D太陽系開始。

太陽系中的太陽、行星和其他天體都是運動中的天體，它們相互吸引。引力在任何兩個物體之間施加。

如果這兩個對象有大量M_1和M_2是距離r然後，你可以用以下公式計算它們之間的引力：

常數G是一個引力常數。您將看到如何在模擬的版本中忽略這個常量，在本文中，您將使用任意單位的質量和距離，而不是kg和m。

一旦你知道了兩個物體之間的引力，你就可以計算出加速度。a每個物體都是由於這種引力而經歷的，使用以下公式：

使用這個加速度，你可以調整運動物體的速度。當速度發生變化時，速度和方向都會發生變化。

當用Python模擬一個三維太陽系時，你需要用三維空間來表示太陽系。因此，這個3D空間中的每個點都可以用三個數字來表示， x -, y -和 z -坐標。例如，如果你想把太陽放在太陽系的中心，你可以將太陽的位置表示為 (0, 0, 0) .

您還需要在3D空間中表示向量。矢量具有大小和方向。你需要像速度、加速度和力這樣的量的矢量，因為這些量都有一個方向和一個震級。

在本文中，我將不詳細討論向量代數。相反，我將陳述您需要的任何結果。你可以讀到更多關於向量與向量代數如果你願意的話。

為了在代碼中更容易地處理向量，您可以創建一個類來處理它們。編寫這個類將作為對類和面向對象編程的快速刷新。你可以讀到用Python進行面向對象的編程如果你覺得你需要一個更徹底的解釋。雖然您也可以創建一個類來處理3D空間中的點，但這並不是必要的，在本文中我也不會創建一個類。

如果您熟悉向量和面向對象編程，可以跳過本節，只需在定義 Vector 班級。

創建一個名為 vectors.py 中，您將定義 Vector 班級。您將使用此腳本定義類並對其進行測試。然後，可以刪除最後的測試代碼，只需在這個腳本中保留類定義：

這個 __init__() 方法的 Vector 類有三個參數，表示每個軸上的值。每個參數的默認值為 0 表示該軸的原點。雖然我們不喜歡在Python中使用單個字母名稱， x , y ，和 z 是恰當的，因為它們代表了數學中常用的笛卡爾坐標系的術語。

您還定義了兩個Dunder方法來將對象表示為一個字元串：

在代碼段的末尾，您可以更多地了解這兩種類型的字元串表示之間的差異。Python編碼書第9章 .

測試代碼塊的輸出如下：

在Python項目中的這個3D太陽系中，如果 Vector 類是可索引的，以便您可以使用 [] 帶有索引以提取其中一個值的符號。使用當前形式的類，如果添加 print(test[0]) 在您的腳本中，您將得到一個 TypeError 說 Vector 對象不可訂閱。您可以通過向類定義中添加另一個Dud方法來修復這個問題：

通過定義 __getitem__() ，你做了 Vector 可索引的類。向量中的第一項是 x 的價值。 y 的價值。 z 。任何其他索引都會引發錯誤。測試代碼塊的輸出如下：

test[0] 返迴向量中的第一個項， x .

可以定義類的對象的加法和減法。 __add__() 和 __sub__() DunderMethod.這些方法將使您能夠使用 + 和 - 執行這些操作的符號。如果沒有這些Dud方法，則使用 + 和 - 提出 TypeError .

若要添加或減去兩個向量，可以分別添加或減去向量的每個元素：

雙管齊下 __add__() 和 __sub__() 返回另一個 Vector 對象，每個元素等於兩個原始向量中相應元素的加減。輸出如下：

對於乘法和除法，您也可以這樣做，盡管在處理向量時，這些操作需要更多的注意。

在處理向量時，不能僅僅引用「乘法」，因為有不同類型的「乘法」。在這個項目中，你只需要標量乘法。標量乘法是指向量與標量相乘(標量有一個數量級，但沒有方向)。但是，在本小節中，您還將定義點積兩個向量。你想用 * 運算符，既適用於標量乘法，也適用於點積。因此，可以定義 __mul__() DunderMethod：

使用 * 運算符將取決於第二個操作數，即 * 符號，是標量或向量。如果由參數表示的第二個操作數 other ，是類型的 Vector ，計算了點積。但是，如果 other 是類型的 int 或 float ，返回的結果是一個新的 Vector ，按比例調整。

以上代碼的輸出如下：

如果您想要標量乘法，則需要標量乘法。 後 這個 * 象徵。如果您試圖運行該語句 3*Vector(3, 5, 9) 相反， TypeError 將被提高，因為 Vector 類不是用於使用的有效操作數。 * 帶有類型的對象 int .

兩個向量是分不開的。但是，可以將向量除以標量。您可以使用 / 運算符 Vector 如果定義 __truep__() DunderMethod：

產出如下：

如果你有一個向量(x，y，z)，您可以找到它的震級使用表達式(x^2+y^2+z^2)。你也可以規范化向量。歸一化給出一個方向相同但大小為 1 。您可以通過將向量的每個元素除以矢量的大小來計算歸一化向量。

可以定義兩個新方法來完成 Vector 班級：

測試代碼提供了以下輸出：

第三個輸出給出了歸一化向量的大小，表明它的大小是 1 .

根據使用的IDE或其他工具，在分割時可能會收到警告 self.x , self.y ，和 self.z ，如在 __truep__() 和 normalize() 。您不需要擔心這個問題，但是如果您想要修復它，可以通過更改 __init__() 簽署下列任何一項：

或

這兩個選項都讓IDE知道參數應該是浮動的。在第二個選項中，您使用類型暗示來實現。

您現在可以刪除此腳本末尾的測試代碼，以便您在 vectors.py 是類的定義。

現在，你可以開始研究Python中的3D太陽系了。您將創建兩個主要類：

你將使用Matplotlib來創建和可視化太陽系。您可以在終端中使用以下內容來安裝Matplotlib：

或

這個 Axes3D Matplotlib中的物體將「託管」太陽系。如果您使用過Matplotlib，並且主要使用了2D繪圖，那麼您將使用(有意或不知情的) Axes 對象。 Axes3D 的3D等效 Axes ，顧名思義！

現在是開始編寫和測試這些類的時候了。您可以創建兩個新文件：

接下來，您將開始處理 SolarSystem 班級。

您將在整個項目中使用任意單元。這意味著，與其用米作為距離，而用公斤作為質量，你將使用沒有單位的數量。參數 size 用於定義包含太陽系的立方體的大小：

定義 SolarSystem 類的 __init__() 方法，其中包含參數。 size 。您還定義了 bodies 屬性。這個屬性是一個空列表，當你稍後創建它們時，它將包含太陽系內的所有天體。這個 add_body() 方法可以用來將軌道天體添加到太陽系中。

下一步是介紹Matplotlib。屬性創建圖形和一組軸。 subplots() 在 matplotlib.pyplot :

你打電話 plt.subplots() ，它返回一個圖形和一組軸。返回的值分配給屬性。 fig 和 ax 。你打電話 plt.subplots() 有以下論點：

您還可以調用該方法。 tight_layout() 。這是 Figure 類在Matplotlib中。此方法減少了圖形邊緣的邊距。

到目前為止，您可以在控制台/REPL中嘗試代碼：

這給出了一組空的三維軸的圖形：

您將使用 size 參數設置此多維數據集的大小。你會回到 SolarSystem 稍後上課。目前，您可以將您的注意力轉向定義 SolarSystemBody 班級。

您可以開始創建 SolarSystemBody 類及其 __init__() 方法。我正在截斷 SolarSystem 下面代碼中的類定義用於顯示。在此代碼塊和以後的代碼塊中，包含 # ... 指出您之前編寫的未顯示的代碼：

中的參數。 __init__() 方法是：

你也叫 add_body() 方法中定義的 SolarSystem 類將這個天體添加到太陽系中。稍後，您將向 __init__() 方法。

中定義另一個方法。 SolarSystemBody 用其當前的位置和速度移動物體：

這個 move() 方法重新定義 position 屬性的 velocity 屬性。我們已經討論過你是如何用任意單位來計算距離和質量的。你也在使用任意的時間單位。每個『時間單位』將是循環的一個迭代，您將使用它來運行模擬。因此， move() 將身體按一次迭代所需的數量移動，這是一個時間單位。

你們已經創建了Matplotlib結構，它將容納太陽系及其所有天體。現在，您可以添加一個 draw() 方法 SolarSystemBody 若要在Matplotlib圖上顯示主體，請執行以下操作。您可以通過繪制一個標記來完成這一任務。

在這樣做之前，您需要在 SolarSystemBody 若要控制將繪制的標記的顏色和大小以表示身體，請執行以下操作：

類屬性 min_display_size 和 display_log_base 設置參數，以確定您將在3D圖上顯示的標記的大小。您設置了一個最小的大小，以便您顯示的標記不太小，即使對於小的身體也是如此。您將使用對數標度將質量轉換為標記大小，並將此對數的基值設置為另一個類屬性。

這個 display_size 屬性中的實例屬性。 __init__() 方法在計算的標記大小和所設置的最小標記大小之間進行選擇。為了在這個項目中確定身體的顯示大小，你要使用它的質量。

您還可以添加 colour 屬性 __init__() ，暫時默認為黑色。

要測試這些新添加的內容，可以在控制台/REPL中嘗試以下內容：

第一次呼叫 body.draw() 在原點繪制物體，因為你使用的是太陽系天體的默認位置。打電話給 body.move() 用一個「時間單位」所需的數量移動身體。因為身體的速度是 (1, 1, 1) ，身體將沿著三個軸中的每一個移動一個單位。第二次呼叫 body.draw() 在第二個位置畫太陽系天體。請注意，當您這樣做時，軸將自動重新排列。您很快就會在主代碼中處理這個問題。

您可以返回到 SolarSystem 通過給太陽系及其天體添加兩種新的方法，將其分類和連接起來： update_all() 和 draw_all() :

這個 update_all() 方法穿過太陽系中的每一個物體，移動並畫出每一個物體。這個 draw_all() 方法使用太陽系的大小設置三軸的限制，並通過 pause() 功能。此方法還清除軸，為下一個繪圖做好准備。

您可以開始構建一個簡單的太陽系，並通過創建一個名為 simple_solar_system.py :

運行此腳本時，您將看到一個黑體從情節的中心移動：

您可以更改三維圖形的透視圖，這樣您就可以直接沿著其中一個軸查看3D軸。可以通過將視圖的方位和仰角設置為 0 在……裡面 SolarSystem.__init__() :

跑動 simple_solar_system.py 現在給出以下觀點：

這個 x -軸現在垂直於你的屏幕。因為你在2D顯示器上顯示一個3D視圖，所以你總是有一個方向與你用來顯示圖形的2D平面垂直。這一限制使得很難區分物體何時沿該軸運動。你可以通過改變身體的速度 simple_solar_system.py 到 (1, 0, 0) 並再次運行腳本。身體似乎是靜止的，因為它只是沿著軸移動，從你的屏幕出來！

您可以通過根據它的不同更改標記的大小來改進三維可視化。 x -協調。靠近您的對象看起來更大，而更遠的對象看起來更小。您可以對 draw() 方法中的 SolarSystemBody 班級：

self.position[0] 表示身體的位置。 x -軸，即垂直於屏幕的軸。因子 30 除以是一個任意因素，您可以使用它來控制您希望這種效果有多強。

在本教程的後面，您還將添加另一個功能，將有助於可視化的三維運動的恆星和行星。

你有一個太陽系，裡面有可以移動的物體。到目前為止，如果您只有一個身體，那麼代碼可以正常工作。但那不是一個非常有趣的太陽系！如果你有兩個或兩個以上的物體，它們就會通過相互的引力相互作用。

在這篇文章的開頭，我簡要回顧了你需要處理兩個物體之間的引力的物理。由於在這個項目中使用的是任意單位，所以可以忽略引力常數 G 簡單地計算出由於兩個物體之間的重力而產生的力，如：

一旦你知道了兩個物體之間的力，因為F=ma，您可以計算出每個對象必須使用的加速度：

一旦你知道加速度，你就可以改變物體的速度。

您可以添加兩個新方法，一個在 SolarSystemBody 另一個在 SolarSystem ，計算出任何兩個物體之間的力和加速度，並穿過太陽系中的所有物體，並計算它們之間的相互作用。

第一種方法計算出兩個物體之間的引力，計算每個物體的加速度，並改變兩個物體的速度。如果您願意，可以將這些任務分為三種方法，但在本例中，我將將這些任務放在 SolarSystemBody :

accelerate_e_to_gravity() 對類型的對象調用。 SolarSystemBody 需要另一個 SolarSystemBody 身體作為一種爭論。參數 self 和 other 代表兩個身體相互作用。此方法的步驟如下：

現在你可以計算出任何兩個天體之間的相互作用，你可以計算出太陽系中所有天體之間的相互作用。你可以把你的注意力轉移到 SolarSystem 類的類：

這個 calculate_all_body_interactions() 方法貫穿太陽系的所有天體。每個天體與太陽系中的其他天體相互作用：

現在，您已經准備好創建一個簡單的太陽系，並測試您到目前為止編寫的代碼。

在這個項目中，您將關注創建兩種類型的天體之一：太陽和行星。您可以為這些機構創建兩個類。新類繼承自 SolarSystemBody :

這個 Sun 類的默認質量為10,000個單位，並將顏色設置為黃色。使用字元串 'yellow' ，這是Matplotlib中的有效顏色。

在 Planet 類創建一個 itertools.cycle 對象有三種顏色。在這種情況下，這三種顏色是紅色、綠色和藍色。你可以使用你想要的任何RGB顏色，也可以使用任意數量的顏色。在這個類中，使用帶有RGB值的元組來定義顏色，而不是使用顏色名稱的字元串。這也是在Matplotlib中定義顏色的有效方法。使用 next() 每當你創建一個新的行星時。

您還將默認質量設置為10個單元。

現在，你可以創建一個太陽系，其中一個太陽和兩個行星在 simple_solar_system.py :

在這個腳本中，您創建了一個太陽和兩個行星。你把太陽和行星分配給變數 sun 和 planets ，但這並不是嚴格要求的，因為 Sun 和 Planet 對象被創建，它們被添加到 solar_system 你不需要直接引用它們。

你用一個 while 循環來運行模擬。循環在每次迭代中執行三個操作。運行此腳本時，將獲得以下動畫：

它起作用了，算是吧。你可以看到太陽錨定在這個太陽系的中心，行星受到太陽引力的影響。除了行星在包含你電腦屏幕的平面上的運動(這些是 y -和 z --軸)，你也可以看到行星越來越大，因為它們也在 x -軸，垂直於屏幕。

然而，你可能已經注意到行星的一些奇怪的行為。當它們被安排在太陽後面時，行星仍然被展示在太陽的前面。這不是數學上的問題--如果你跟蹤行星的位置，你會發現 x -坐標顯示，它們實際上是在太陽後面，正如你所預料的那樣。

這個問題來自Matplotlib在繪圖中繪制對象的方式。Matplotlib按繪制對象的順序將對象按層繪制。因為你在行星之前創造了太陽， Sun 對象放在第一位 solar_system.bodies 並作為底層繪制。您可以通過在行星之後創建太陽來驗證這一事實，在這種情況下，您將看到行星總是出現在太陽後面。

你會希望Matplotlib按照正確的順序繪制太陽系的天體，從最前的那些天體開始。要實現這一點，您可以對 SolarSystem.bodies 的值為基礎的列表。 x -協調每次刷新3D圖形的時間。下面是如何在 update_all() 方法 SolarSystem :

使用List方法 sort 帶著 key 參數來定義要用於排序列表的規則。這個 lambda 函數設置此規則。在本例中，您使用的值是 position[0] 表示 x -協調。因此，每次你打電話 update_all() 在模擬中 while 循環中，根據其沿 x -軸心。

運行 simple_solar_system.py 現在的腳本如下：

現在，你可以想像行星的軌道，就像它們圍繞太陽運行一樣。不斷變化的大小顯示了它們的 x -位置，當行星在太陽後面時，它們被隱藏在視線之外！

最後，你也可以移除軸線和網格，這樣你在模擬中看到的就是太陽和行星。可以通過添加對Matplotlib的調用來做到這一點。 axis() 方法 SolarSystem.draw_all() :

模擬現在看起來是這樣的：

使用Matplotlib對Python中的一個三維太陽系進行的模擬現在已經完成。在下一節中，您將添加一個功能，允許您查看 XY -模擬底部的飛機。這有助於可視化太陽系中物體的三維動力學。

在Python的三維太陽系模擬中，為了幫助可視化身體的運動，您可以在動畫的「地板」上添加一個2D投影。這個2D投影將顯示物體在 XY -飛機。要實現這一點，您需要將另一個繪圖添加到顯示動畫的相同軸上，並且只需在 x -和 y -坐標。你可以錨定 z -與圖形底部協調，使2D投影顯示在動畫的地板上。

您可以首先將一個新參數添加到 __init__() 方法的 SolarSystem 班級：

新參數 projection_2d ，默認為 False ，將允許您在兩個可視化選項之間切換。如果 projection_2d 是 False 動畫將只顯示身體在3D中移動，沒有軸和網格，就像你最後看到的結果一樣。

讓我們開始做一些改變 projection_2d 是 True :

您所做的更改如下：

您還需要在 simple_solar_system.py 打開2D投影：

模擬現在看起來如下：

的二維投影 XY -平面使它更容易跟隨軌道物體的路徑。

我們將用Python完成另一個三維太陽系的模擬。您將使用已經定義的類來模擬雙星系統。創建一個名為 binary_star_system.py 創造兩個太陽和兩個行星：