【毕设项目】基于支持向量机的股票价格模式识别系统

r囧r小猫 2022-10-05 14:45 148阅读 0赞

### 股票价格模式识别系统开发笔记 ###

*  Python 与 PyQt 相关知识点
 *  QTableView 使用
 *   *  PandasModel
     *  QStandItem 填充 QtableView
 *  数据处理笔记
 *   *  shift()
     *  shape() 与 reshape()
     *  range() 与 arange()
     *  iloc、loc、ix
     *  pct\_change()
     *  DataFrame 和 list 根据列名获取索引
     *  np.datetime64 转成 datetime.datetime
 *  机器学习相关知识点
 *  股票相关知识点
 *   *  K线（简）
     *  主板（沪、深）、中小板、创业板区别
 *  注意事项

> 马上要答辩了，暂且把独立做成该项目的一些知识点简单汇总一下，后续答辩结束后再详细整理！  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 1]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 2]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 3]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 4]

**系统与开发环境介绍**：

<table> 
 <thead> 
  <tr> 
   <th align="center">类型</th> 
   <th align="center">软件名称</th> 
   <th align="center">版本</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">集成开发环境</td> 
   <td align="center">PyCharm</td> 
   <td align="center">2020.3.3</td> 
  </tr> 
  <tr> 
   <td align="center">语言解释器</td> 
   <td align="center">Python</td> 
   <td align="center">3.8</td> 
  </tr> 
  <tr> 
   <td align="center">界面设计工具</td> 
   <td align="center">QtDesigner</td> 
   <td align="center"></td> 
  </tr> 
  <tr> 
   <td align="center">代码托管工具</td> 
   <td align="center">Git</td> 
   <td align="center">2.22.0</td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <thead> 
  <tr> 
   <th align="center">模块</th> 
   <th align="center">版本</th> 
   <th align="center">作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">pyqt5</td> 
   <td align="center">5.15.2</td> 
   <td align="center">GUI 框架，用于编写界面</td> 
  </tr> 
  <tr> 
   <td align="center">tushare</td> 
   <td align="center">1.2.62</td> 
   <td align="center">用于获取股票基础数据、行情数据等</td> 
  </tr> 
  <tr> 
   <td align="center">numpy</td> 
   <td align="center">1.19.2</td> 
   <td align="center">高效的数学库，主要用于数组计算</td> 
  </tr> 
  <tr> 
   <td align="center">pandas</td> 
   <td align="center">1.2.3</td> 
   <td align="center">高效的数学库，用于进行数据分析</td> 
  </tr> 
  <tr> 
   <td align="center">matplotlib</td> 
   <td align="center">3.3.2</td> 
   <td align="center">高效易用的2D绘图库</td> 
  </tr> 
  <tr> 
   <td align="center">scikit-learn</td> 
   <td align="center">0.23.2</td> 
   <td align="center">机器学习库</td> 
  </tr> 
  <tr> 
   <td align="center">ta-lib</td> 
   <td align="center">0.4.19</td> 
   <td align="center">Python 金融量化的技术分析库</td> 
  </tr> 
 </tbody> 
</table>

# Python 与 PyQt 相关知识点 #

[PyQt5 安装 以及使用 designer 开发 python GUI 界面][PyQt5 _ _ designer _ python GUI]

> [安装时可能会出现的问题：This application failed to start because it could not find or load the Qt platform plugin][This application failed to start because it could not find or load the Qt platform plugin]

[designer 页面点击按钮跳转页面][designer]

[连接 mysql 查询数据 并显示在 tableWidget 表格][mysql _ _ tableWidget]

[布局、菜单、信号与槽、对话框、组件相关知识点][Link 1]

> 实例项目：[《小型 MIS 的开发》PyQt5 开发 民航票务管理系统][MIS _PyQt5 _]

[PyCharm 中配置、使用方法、信号与槽、菜单、Tab Widget、子窗口][PyCharm _Tab Widget]

> talib 环境配置：[正确安装 python 量化交易常用包 talib][python _ talib]

# QTableView 使用 #

首先QTableWidget是继承于QTableView，QTableWidget是QT程序中常用的显示数据表格的空间；它跟QTableView的主要区别是QTableView可以使用自定义的数据模型来显示内容(也就是先要通过setModel来绑定数据源)，而QTableWidget则只能使用标准的数据模型，并且其单元格数据是通过QTableWidgetItem的对象来实现的（也就是不需要数据源，将逐个单元格的信息填好即可。这主要是因为QTableView内的setModel成员函数在QTableWidget类中成了私有成员，所以QTableWidget只能依赖于QTableWidgetItem。QTableWidgetItem用来填充表格中的一个单元格，整个表格都需要逐个单元格逐个单元格地构建起来。

然后我们就来看看QTableWidget中常用的方法。

首先生成一个MyTable=QTableWidget（）

1.设置表单样式

设置列数：MyTable.setColumnCount(3)

设置行数：MyTable.setRowCount(4)

设置默认列宽：myTable.horizontalHeader().setDefaultSectionSize(200)

设置默认行高：myTable.verticalHeader().setDefaultSectionSize(300)

设置某一列宽：myTable.horizontalHeader().resizeSection(0,300) \#设置第一列的宽度

设置某一行高：myTable.verticalHeader().resizeSection(0,500) \#设置第一行的高度

设置某一列宽：

设置某一列高：

设置横向表头的高度：myTable.horizontalHeader().setFixedHeight(100)，且只能用该类方法设置横向表头的高度，

设置纵向表头的宽度：myTable.verticalHeader().setFixedWidth(300) ，且只能用该类方法设置纵向表头的宽度

设置表头不可点击：myTable.verticalHeader().setClickable(False)

设置表头字体加粗：font=myTable.horizontalHeader().font()

font.setBold(False)  
myTable.horizontalHeader().setFont(font) 是指整个横向表头

设置表头不塌陷：myTable.horizontalHeader().setHighlightSections(False)

设置表头内某个元素的颜色：item=myTable.horizontalHeaderItem(1)  
item.setTextColor(QColor(“red”)) ，设置横向表头第二个元素的颜色

设置表头内某个元素的字体加粗：font=QFont()  
font.setBold(True)  
item=myTable.horizontalHeaderItem(0)  
item.setFont(font)， 设置横向表头第一个元素的字体加粗

设置表头内容：list=\[u’宝贝’,u’日子’,u’多个’,u’话费’\]  
myTable.setHorizontalHeaderLabels(list)

设置表格内容的填充属性：

设置隐藏表头：myTable.horizontalHeader().setVisible(False)

设置表格外部无边框：myTable.setFrameShape(QFrame.Box)

设置不显示格子线：myTable.setShowGrid(False)

设置表格的编辑属性：QAbstractItemView.NoEditTriggers：不可编辑

QAbstractItemView.CurrentChanged:改变了即可编辑

QAbstractItemView.DoubleClicked:连续双击即可编辑

QAbstractItemView.SelectedClicked:在被选中的情况下单击一次即可编辑

QAbstractItemView.EditKeyPressed:在按下平台的编辑键那个项目上即可编辑

选择时每次选择一行：myTable.setSelectionBehavior(QAbstractItemView.SelectRows)，

也可以设置参数为SelectColumns，这样就会选择一列。

选择表格模式：myTable.setSelectionMode(QAbstractItemView.ExtendedSelection)

## PandasModel ##

import sys
    import pandas as pd
    from PyQt5.QtWidgets import QApplication, QTableView
    from PyQt5.QtCore import QAbstractTableModel, Qt
    
    df = pd.DataFrame({ 'a': ['Mary', 'Jim', 'John'],
                       'b': [100, 200, 300],
                       'c': ['a', 'b', 'c']})
    
    class PandasModel(QAbstractTableModel):
    
        def __init__(self, data):
            QAbstractTableModel.__init__(self)
            self._data = data
    
        def rowCount(self, parent=None):
            return self._data.shape[0]
    
        def columnCount(self, parnet=None):
            return self._data.shape[1]
    
        def data(self, index, role=Qt.DisplayRole):
            if index.isValid():
                if role == Qt.DisplayRole:
                    return str(self._data.iloc[index.row(), index.column()])
            return None
    
        def headerData(self, col, orientation, role):
            if role == Qt.TextAlignmentRole:
                return int(Qt.AlignRight | Qt.AlignVCenter)
            if orientation == Qt.Horizontal and role == Qt.DisplayRole:
                return self._data.columns[col]
            return None
    
    
    if __name__ == '__main__':
        app = QApplication(sys.argv)
        model = PandasModel(df)
        view = QTableView()
        view.setModel(model)
        view.resize(800, 600)
        view.show()
        sys.exit(app.exec_())

## QStandItem 填充 QtableView ##

@pyqtSlot()
    def on_plate1_clicked(self):
        print("主板")
        # 填充股票列表数据
        for column in range(len(self.df)):
            # 设置每个位置的文本值
            item0 = QStandardItem(self.df['ts_code'][column])
            item0.setTextAlignment(Qt.AlignCenter)  # 设置居中
            self.model.setItem(column, 0, item0)
            item2 = QStandardItem("%.2f" % self.df['pct_chg'][column])
            item2.setTextAlignment(Qt.AlignCenter)
            self.model.setItem(column, 2, item2)
            item3 = QStandardItem("%.2f" % self.df['close'][column])
            item3.setTextAlignment(Qt.AlignCenter)
            self.model.setItem(column, 3, item3)
            item4 = QStandardItem("%.2f" % self.df['change'][column])
            item4.setTextAlignment(Qt.AlignCenter)
            self.model.setItem(column, 4, item4)
    
            item0.setForeground(QBrush(QColor(0, 0, 255)))
            item1.setForeground(QBrush(QColor(0, 0, 255)))
            item2.setForeground(QBrush(QColor(0, 0, 255)))
    
            if eval(item2.text()) > 0:
                brush = QBrush(QColor(255, 0, 0))
                item2.setForeground(brush)
                item3.setForeground(brush)
                item4.setForeground(brush)
            elif eval(item2.text()) < 0:
                brush = QBrush(QColor(0, 125, 0))
                item2.setForeground(brush)
                item3.setForeground(brush)
                item4.setForeground(brush)
            else:
                brush = QBrush(QColor(0, 0, 255))
                item2.setForeground(brush)
                item3.setForeground(brush)
                item4.setForeground(brush)

# 数据处理笔记 #

## shift() ##

函数原型：

DataFrame.shift(periods=1, freq=None, axis=0)

*  `periods`：类型为int，表示**移动的幅度**，可以是正数，也可以是负数，默认值是1
    
    1就表示移动一次，注意这里移动的都是数据，而索引是不移动的，移动之后没有对应值的，就赋值为`NaN`
 *  `freq`：DateOffset, timedelta, or time rule string，可选参数，默认值为None，**只适用于时间序列**
    
    如果这个参数存在，那么会按照参数值移动时间索引，而数据值没有发生变化
 *  `axis`：\{ `0`, `1`, `'index',` `'columns'`，表示**移动的方向**
    
    `0`或者`'index'`表示上下移动；`1`或者`'columns'`表示左右移动

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

假如现在有一个`DataFrame`数据**df**，如下所示：

<table> 
 <thead> 
  <tr> 
   <th align="left">index</th> 
   <th align="left">value1</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">A</td> 
   <td align="left">0</td> 
  </tr> 
  <tr> 
   <td align="left">B</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td align="left">C</td> 
   <td align="left">2</td> 
  </tr> 
  <tr> 
   <td align="left">D</td> 
   <td align="left">3</td> 
  </tr> 
 </tbody> 
</table>

df执行`df.shift()`，结果如下：

<table> 
 <thead> 
  <tr> 
   <th align="left">index</th> 
   <th align="left">value1</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">A</td> 
   <td align="left">NaN</td> 
  </tr> 
  <tr> 
   <td align="left">B</td> 
   <td align="left">0</td> 
  </tr> 
  <tr> 
   <td align="left">C</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td align="left">D</td> 
   <td align="left">2</td> 
  </tr> 
 </tbody> 
</table>

df执行`df.shift(-1)`，结果如下：

<table> 
 <thead> 
  <tr> 
   <th align="left">index</th> 
   <th align="left">value1</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">A</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td align="left">B</td> 
   <td align="left">2</td> 
  </tr> 
  <tr> 
   <td align="left">C</td> 
   <td align="left">3</td> 
  </tr> 
  <tr> 
   <td align="left">D</td> 
   <td align="left">NaN</td> 
  </tr> 
 </tbody> 
</table>

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

假如有df如下：index是时间序列，此时可以使用`freq`参数

<table> 
 <thead> 
  <tr> 
   <th align="left">index</th> 
   <th align="left">value1</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">2016-06-01</td> 
   <td align="left">0</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-02</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-03</td> 
   <td align="left">2</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-04</td> 
   <td align="left">3</td> 
  </tr> 
 </tbody> 
</table>

df执行`df.shift(periods=1,freq=datetime.timedelta(1))`

<table> 
 <thead> 
  <tr> 
   <th align="left">index</th> 
   <th align="left">value1</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">2016-06-02</td> 
   <td align="left">0</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-03</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-04</td> 
   <td align="left">2</td> 
  </tr> 
  <tr> 
   <td align="left">2016-06-05</td> 
   <td align="left">3</td> 
  </tr> 
 </tbody> 
</table>

## shape() 与 reshape() ##

使用需要导入numpy库，矩阵的`shape`属性可以获取矩阵的形状（例如二维矩阵的行列），返回一个元组

x = np.array([
        [1,2,5],
        [2,3,5],
        [3,4,5],
        [2,3,6]
    ])
    # 输出数组的行和列
    print(x.shape)  # 返回一个元组:(4,3)
    # 数组的行
    print(x.shape[0])  # 4
    # 数组的列 
    print(x.shape[1])  # 3

`reshape()` 是数组对象中的方法，用于改变数组的形状

np.array([1, 2, 3, 4, 5, 6])  # array([1, 2, 3, 4, 5, 6])

np.array([1, 2, 3, 4, 5, 6]).reshape(2, 3)
    """ array([[1, 2, 3], [4, 5, 6]]) """

np.array([1, 2, 3, 4, 5, 6]).reshape(3, 2)
    """ array([[1, 2], [3, 4], [5, 6]]) """

np.arange(12).reshape(3,4)
    """ array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])、 """

## range() 与 arange() ##

range([start=0,] stop[, step=1]) ---> range object

函数说明：从start到stop，以step为步长，生成一个序列，注意：**start、stop、step都只能为整数**

[i for i in range(5)]  # [0, 1, 2, 3, 4]
    [i for i in range(0,5,2)]  # [0, 2, 4]
    [i for i in range(5, 0, -1)]  # [5, 4, 3, 2, 1]
    [i for i in range(0, 5, -1)]  # []

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

arange([start,] stop[, step,], dtype=None)

函数说明：与`range()`用法基本一样，区别是返回的是`ndarray`，且**start、stop、step可以是小数**

np.arange(3)  # array([0, 1, 2])
    np.arange(3.0)  # array([0., 1., 2.])
    np.arange(3.5, 4, 0.1)  # array([3.5, 3.6, 3.7, 3.8, 3.9])

## iloc、loc、ix ##

## pct\_change() ##

表示当前元素与先前元素的相差百分比，指定 `periods=n`表示当前元素与先前 n 个元素的相差百分比

DataFrame.pct_change(periods=1, fill_method=‘pad’, limit=None, freq=None, **kwargs)

示例：

df = pd.DataFrame({ 
        'FR': [4.0405, 4.0963, 4.3149],
        'GR': [1.7246, 1.7482, 1.8519],
        'IT': [804.74, 810.01, 860.13]},
        index=['1980-01-01', '1980-02-01', '1980-03-01'])
    print(df)
    """ FR GR IT 1980-01-01 4.0405 1.7246 804.74 1980-02-01 4.0963 1.7482 810.01 1980-03-01 4.3149 1.8519 860.13 """
    print(df.pct_change())  # 注意pct_change的结果是相差的[百分比]
    """ FR GR IT 1980-01-01 NaN NaN NaN 1980-02-01 0.013810 0.013684 0.006549 1980-03-01 0.053365 0.059318 0.061876 """
    print(df.pct_change(axis='columns'))  # 可以指定按照行还是列进行计算的
    """ FR GR IT 1980-01-01 NaN -0.573172 465.624145 1980-02-01 NaN -0.573225 462.339435 1980-03-01 NaN -0.570813 463.458124 """

## DataFrame 和 list 根据列名获取索引 ##

DataFrame 的列名就是它本身的列索引 ，获取 a 列：

df[['a']]

获取 a 在df 的第几列：

df.colums.get_loc('a')

也可以转成 list 来处理：

df.columns.values.tolist().index('a')

## np.datetime64 转成 datetime.datetime ##

即将过时的方法：

# dt64是np.datetime64类型的变量
    dt64 = (dt64 - np.datetime64('1970-01-01T00:00:00Z')) / np.timedelta64(1, 's')  # 转为时间戳
    dt = datetime.datetime.fromtimestamp(dt64)  # 格式化时间戳

推荐的方法：

# dt64是np.datetime64类型的变量
    dt = pd.to_datetime(dt64)

# 机器学习相关知识点 #

[《菜菜的机器学习 sklearn 课堂》学习笔记 + 课件][sklearn _ _]

# 股票相关知识点 #

> **100股 = 1手**

**总手**：开盘到收盘，总成交手数

*  总手 = 外盘 + 内盘
 *  **外盘**：委托**卖出价**成交的手数，代表**买方**的利润
 *  **内盘**：委托**买入价**成交的手术，代表**卖方**的利润

**换手率**：指在一定时间内市场中股票**转手买卖的频率**

*  反应股票**流通性强弱**的指标之一
 *  换手率 = (某一段时期内的**成交量** / 发行**总股数**) x 100%
 *  换手率高代表股票活跃

**量比**：开市后**平均每分钟的成交量**与过去5个交易日**平均每分钟成交量**之比

*  衡量这段时间**交易活跃**的指标之一

## K线（简） ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_1_color_FFFFFF_t_70]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 5]

> **十字星**：开盘价 = 收盘价  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 6]

> **大阳线**：市场涨势踊跃，最高价就是当天的收盘价  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 7]

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

**ma**就是当天累计的股票平均成交价格，然后将每天成交的平均价格连成线，就是**均线**。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 8]  
**MA5（5日均线）**：5天内买入的人平均成本

**MA250（年线）**：整年交易日内买入的平均成本  
…

## 主板（沪、深）、中小板、创业板区别 ##

我国资本市场体系构架可分为四个层次  
1、上海、深圳两个证券交易所（主板市场）代码以 600开头，000开头  
2、中小企业板，代码以 002开头  
3，创业板，代码以 300开头  
4、三版市场，代码以83开头（不重要）

# 注意事项 #

jupyter notebook中数据显示不全（中间是省略号）：

import pandas as pd
    #显示所有列
    pd.set_option('display.max_columns',None)
    #显示所有行
    pd.set_option('display.max_rows',None)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70]: /images/20221005/446aad9327fc43f3b9c0b92c024927eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 1]: /images/20221005/f268e6a630254e1ca77ae23807e89b2c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 2]: /images/20221005/f784a4c6f9fe4bd693bf6ffe4bc9f2bd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 3]: /images/20221005/f2d5116c9bb74c6290ec2c55dfaf4e5d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 4]: /images/20221005/68875a283640489d8178550b6b8a6117.png
[PyQt5 _ _ designer _ python GUI]: https://blog.csdn.net/weixin_43734095/article/details/106761680
[This application failed to start because it could not find or load the Qt platform plugin]: https://blog.csdn.net/weixin_43734095/article/details/106763077
[designer]: https://blog.csdn.net/weixin_43734095/article/details/106783108
[mysql _ _ tableWidget]: https://blog.csdn.net/weixin_43734095/article/details/106789271
[Link 1]: https://blog.csdn.net/weixin_43734095/article/details/115337794
[MIS _PyQt5 _]: https://blog.csdn.net/weixin_43734095/article/details/106773105
[PyCharm _Tab Widget]: https://blog.csdn.net/weixin_43734095/article/details/115410001
[python _ talib]: https://blog.csdn.net/feixuedongji/article/details/82796381
[sklearn _ _]: https://blog.csdn.net/weixin_43734095/article/details/114074804
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_1_color_FFFFFF_t_70]: /images/20221005/da181d206e194302bdda54e6de478459.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 5]: /images/20221005/ad316e5555e44eae90f9a053b977ee23.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 6]: /images/20221005/2bb7a7fa6eee4ee9bd49d033a8875424.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 7]: /images/20221005/d1649a728e58473eaf740872f0207c11.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ_size_16_color_FFFFFF_t_70 8]: /images/20221005/9bbe6bd7af72465994d81024dbb68ce3.png