摘要：本文通過一個簡單實例，介紹中的一個叫模塊，可以實現全自動獲取數據分析數據最終生成分析報告的全部操作。另外更有用的在于通過嵌入網絡爬蟲，以及對外部的接口，可以快速實現大量手工勞動才能完成的工作，提高工作效率

日常工作當中，特別是金融行業當中，有不少人的工作是提取數據，分析數據，得到可視化圖表，并加入自已的研究分析結論，最終生成分析報告，并且有不少報告是定期生成，存在不少重復手工勞動。本文通過一個簡單實例，介紹python中的一個叫python-doc模塊，可以實現全自動獲取數據-分析數據-最終生成分析報告的全部操作。

def getDataAndSavePic():
    db_engine = create_engine("oracle://lianghua:lianghua@172.16.10.101:1521/orcl", echo=False)
    DB_Session = sessionmaker(bind=db_engine)
    session = DB_Session()
    s = ("select OB_OBJECT_NAME_1090 AS STOCKNAME,"#股票名稱
        "       F5_1090    AS TRDMARKETNAME,               "#交易所名稱
        "       F6_1090  AS PLATENAME,                  "#版塊名稱
        "       F17_1090 AS TIMETOMARKET,               "#上市時間
        "       F16_1090 AS STOCKCODE                   "#股票代碼
        "from wind.tb_object_1090 t where t.f4_1090="A" ")#只取A股數據
    selectsql = text(s)
    result = session.execute(selectsql)  # 執行查詢語句
    df_result = pd.DataFrame(result.fetchall())
    df_result.columns = ["STOCKNAME", "TRDMARKETNAME", "PLATENAME", "TIMETOMARKET","STOCKCODE"]  # 列重命名
    df_result = df_result.set_index("STOCKCODE")
    session.close()    
    pie_file_path = r"d:	emppie.png"  #餅狀圖圖片地址
    bar_file_path = r"d:	empar.png" #柱狀圖圖片地址
    #繪制餅狀圖，分別計算主板、中小板和創業板股票的數量占比
    (
    df_result.groupby("PLATENAME")
    .count()
    .plot.pie(y="STOCKNAME",figsize=(6, 6),autopct="%.2f")
    )
    plt.savefig(pie_file_path)
    #繪制柱狀圖，獲取不同年份上市股票的數量
    df_result["YEARTOMARKET"]=df_result["TIMETOMARKET"].map(lambda x:None if x is None else x[0:4])
    (
    df_result.groupby("YEARTOMARKET")
    .count()
    .plot.bar(y="STOCKNAME",figsize=(8, 6))
    )
    plt.savefig(bar_file_path)
    return (df_result,pie_file_path,bar_file_path)

from docx import Document
from docx.shared import Inches

def gen_docfile(df,pie_file_path,bar_file_path,doc_file_path):
    """
    :param df_result: 數據記錄，用于表格顯示
    :param pie_file_path: 餅圖文件顯示
    :param bar_file_path: 柱狀圖文件顯示
    :param doc_file_path: 需要保存的WORK文件路徑
    :return: 無返回值
    """
    # 新建一個文檔
    document = Document()
    document.add_heading(u" 自動分析報告生成 ", 0)
    # 添加一個段落
    p = document.add_paragraph(u"python-doc模塊是一個非常實用的用于自動生成報告的文檔，可以自動根據讀取的數據生成")
    p.add_run(u"圖片").bold = True
    p.add_run(u" 和 ")
    p.add_run(u"表格").italic = True
    document.add_paragraph(u"python-doc模塊可以用于：")
    #無序列表項
    document.add_paragraph(
        u"根據程序計算動態結果替換動態內容，如統計數字等", style="ListBullet"
    )
    document.add_paragraph(
        u"可以自動嵌入相應的圖片和表格", style="ListBullet"
    )
    document.add_paragraph(
        u"支持各類樣式進行調整", style="ListBullet"
    )

    document.add_paragraph(u"python-doc模塊不足的地方：")
    document.add_paragraph(
        u"相對簡單", style="ListNumber"
    )
    document.add_paragraph(
        u"暫不支持WORD文檔模板", style="ListNumber"
    )

    document.add_heading(u"二、各板塊統計", level=1)
    text=u"滬深兩地的上市A股總共有%s只，其中滬市有 %s 只，深市有%s 只,各板塊的數據占比如下所示"
         %(str(df["STOCKNAME"].count()),
           str(df[df["TRDMARKETNAME"]=="上海"]["STOCKNAME"].count()),
           str(df[df["TRDMARKETNAME"]=="深圳"]["STOCKNAME"].count())
           )
    document.add_paragraph(text)
    # 插入圖片，文件名可以作為參數傳入，由之前的程序進行傳入
    document.add_picture(pie_file_path, width=Inches(5.0))

    document.add_heading(u"三、上市時間統計", level=1)
    text=u"
上市時間分布圖如下所示，可以看出今明兩年并不上上市的高峰期"
    document.add_paragraph(text)
    # 插入圖片，文件名可以作為參數傳入，由之前的程序進行傳入
    document.add_picture(bar_file_path, width=Inches(5.0))


    document.add_heading(u"四、待上市新股統計", level=1)
    # 輪詢上市時間為空的未上市股票,添加表格
    text=u"
待上市股票列表如下"
    df["TIMETOMARKET"]=df["TIMETOMARKET"].map(lambda x:"99991231" if x is None else x[0:4])
    df_newstock=df[df["TIMETOMARKET"]=="99991231"]
    print df_newstock
    #插入表格
    table = document.add_table(rows=len(df_newstock.index)+1, cols=3,style="Table Grid")
    hdr_cells = table.rows[0].cells
    hdr_cells[0].text = u"股票名稱"
    hdr_cells[1].text = u"上市交易所"
    hdr_cells[2].text = u"上市板塊"
    #編歷DATAFRAME
    list_stockname=list(df_newstock["STOCKNAME"])
    list_TRDMARKETNAME=list(df_newstock["TRDMARKETNAME"])
    list_PLATENAME=list(df_newstock["PLATENAME"])
    for i in range(len(df_newstock.index)):
        row_cells = table.add_row().cells
        #注意這里PYTHON2的編碼問題,多謝stackoverflow,程序員的圣地
        row_cells[0].text = unicode(list_stockname[i],"utf-8")
        row_cells[1].text = unicode(list_TRDMARKETNAME[i],"utf-8")
        row_cells[2].text = unicode(list_PLATENAME[i],"utf-8")

    document.add_page_break()
    document.save(doc_file_path)

#生成圖片
(df,pie_file_path,bar_file_path)=getDataAndSavePic()
#整合到WORD文檔當中
gen_docfile(df,pie_file_path,bar_file_path,r"d:	emp	est.doc")

打開d:temptest.doc,效果如下：

怎么樣，是不是很方便？對于圖表樣式和文檔樣式，python的matplotlib和python-doc模塊都可以修改，使用起來也非常方便。另外更有用的在于通過嵌入網絡爬蟲，以及對外部的接口，可以快速實現大量手工勞動才能完成的工作，提高工作效率