可视化研究环境

由xiaoshao创建，最终由xiaoshao更新于2024-05-15 02:10 被浏览 679 用户

BigStudio 简介

新功能的认识是循序渐进的，该部分简单介绍BigStudio，让大家对其有初步印象。

BigQuant新上线的 BigStudio 可视化策略开发功能，能够帮助大家更快速更简单地开发机器学习、深度学习试验，快速实现试验迭代。

BigStudio 提供了所见即所得的策略开发环境，集合了众多模块，包括数据输入、输出、数据变换、模型训练、预测和量化交易等。你只需要拖动数据和模块，连连线，配置参数，就可以开发AI策略，从而将更多的创造力放在自己擅长的地方。因为提供的是可视化研究界面，因此通过BigStudio开发的AI策略被称为可视化AI策略。

今天，我们先简单介绍BigStudio，让大家对其有一个初步印象，后面将对其进行深入细致讲解。

1. 新建一个可视化AI策略

新建 > 可视化AI策略

2. 认识BigStudio主要功能区

从左至右主要分为四个区域，依次为：策略列表区，BigStudio模块区，BigStudio画布区，模块参数和帮助区。

图中我们用绿色矩形框标记了四处位置，点击这四处位置都可以折叠其对应的区域，折叠以后再次点击可进行恢复。下图展示了折叠四处区域后的界面：

3. 可视化界面存在于代码单元（cell）中

可视化界面的图形只是内嵌到一个代码单元(cell)中，你可以正常使用右上角的功能。

在右上角，分别有六个按钮，其功能分别是可视化/代码界面切换、在上方添加一个代码单元、在下方添加一个代码单元、上移代码单元、下移代码单元、运行代码单元。

4.从可视化界面切换到Python代码界面

 可视化  > 代码/Python3 

切换后，界面如下：

点击右上角的 代码/Python3 可回到之前的可视化界面。

5. 使用搜索功能

在可视化界面中，一共有两个放大镜，如下图所示：

左侧的放大镜用来搜索 数据和模块，右侧的放大镜可在画布中搜索 模块。

画布与模块

有了对BigStudio的初步直观印象后，今天我们再来认识画布、模块及简单运用。

1.新建一个空白可视化策略

新建 > 可视化策略-空白策略

建立完成的时候，界面如下：

2. 认识画布

上图为一个完整的机器学习AI可视化策略，右边部分为画布，画布中的模块和数据都是来自左侧。 左侧部分为模块和数据列表，可直接拖放至画布。

画布的左下方为画布的一些功能键，截图如下：

从左至右分别为：展示/隐藏导航图、画布缩小、画布放大、缩放到实际尺寸、自适应窗口、启用拖动模式，每个功能都有对应的快捷键，建议大家亲自体验一下，印象更加深刻。

3. 认识模块

画布中的主要构成就是模块，模块其实并不难理解，你可以将其理解为函数，就是为了实现某些功能。模块的示意图如下：

整个流程是$x$作为输入，进入函数$f$，然后得到输出结果$f(x)$，这就是我们日常理解的函数。在BigStudio中，模块的概念和函数一样，拥有输入（可以多个输入）和输出。因此在画布中，每一个拥有输入连接线和输出连接线的矩形框都可以看成模块，仅有输出连接线的矩形框可以看成数据。

画布是实验的工作场所。实验由数据集组成，数据集将数据提供给分析模块，将这些模块连接起来即可构成预测分析模型。 具体而言，有效的实验有以下特征：

• 试验至少包含一个数据集和一个模块
• 数据集只能连接到模块
• 模块可以连接到数据集或其他模块
• 模块的所有输入端口必须与数据流建立某种连接
• 必须设置每个模块的所有必需参数

点击画布左下方的最右边的菱形按钮，可以进入拖动模式，这样我们就能自由拖动模块，按自己喜欢的风格布局画布，再次点击该按钮退出拖动模式。

4. 模块的基本操作

• 模块信息

模块信息包含模块中文名称和模块英文名称，比如：

图中一共四个模块，每个模块前面的中文为模块中文名称，后面的以 $m$开头的英文为模块英文名称。这里之所以介绍模块英文名称，因为在代码界面，可以根据模块的英文名称快速找到该模块对应的Python代码。

• 查看介绍

将鼠标移动至模块之上，就可以查看该模块的介绍，例如，我们将鼠标移动至 证券代码列表 m15 这个模块之上，你将会看到该模块的介绍：

• 选择模块

直接选择模块即可有（鼠标左击），选中后，该模块四周的边框会变为红色。例如，我们选中 m1 证券代码列表模块。（如果鼠标在画布中是四个箭头的标识，那么无法选择模块，因为此时处于画布拖动模式，需要退出该模式）。

• 模块方法

模块作为画布的基本单元，拥有多种操作方法。 当我们鼠标右击某模块，如下：

可以看出，在画布中，我们可以对该模块进行删除、复制、剪切、粘贴、直接运行、查看结果、查看帮助等，这些方法很好理解。

• 注释模块

模块以一个个矩形框的形式存在于画布中，我们可以对其进行注释。将鼠标移动到一个模块上双击就会出现文本输入框，如下：

假设我们输入文字“这是一句注释”，并确定。结果如下：

可以看出，我们对模块 m1 证券代码列表进行了注释。

5. 新建模块

• 拖动 证券代码列表进画布

• 拖动 自动数据标注 进画布

• 连线和输入参数

这样，在我们的画布中，一共有两个模块。但是，此时两个模块是相互孤立没有联系的。

细心的朋友可能会发现，m2模块的旁边有一个小红点，将鼠标移动到上面可以看到“未连接”警告。这是在提醒我们，m2模块缺少输入，不能正常运行。

因为m1 证券代码列表v2 是 m2 自动标注（任意数据源）v1的输入，因此我们需要将第一个模块手动连线到第二个模块。此时小红点会消失。

每一个模块是一个矩形框，矩形框上边界和下边界有一个空心小圆圈，这个小圆圈称为节点，模块的连接是通过连线到这样的节点完成的，其中上边界的小圆圈连接的是输入，下边界的小圆圈连接的是输出。（注：矩形框上边界也可能是实心小圆圈，实心小圆圈表明该输入是可选输入，空心小圆圈表明该输入是必选输入）。

在属性界面，在弹出的代码编辑器窗口手动编辑标注表达式。

• 查看Python代码

点击右上方，可视化，切换到代码/Python3界面。

代码如下：

代码界面，我们可以浏览画布中的模块的背后的代码，但是这里这里浏览（可读模式），并不能修改。

6. 可视化界面和代码研究界面相结合

• 运行可视化界面模块代码

  拖选两个模块 > 右键 > 运行选中模块
  

拖选以后，选中的模块会变为蓝色。你也可以点击画布右上方的运行按钮来运行模块。

• 在可视化界面下添加代码单元（cell）

• 查看m2模块的输出数据

m2模块的输入是m1，那输出是什么呢？我们可以直接在代码单元运行代码进行查看，模块运行的日志也会输出，让我们对模块运行清楚把控。

工作流

相信已经对BigStudio有一定的了解，现在我们聊聊BigStudio上默认可视化AI实验的工作流。

什么是工作流？

简而言之就是实验在BigStudio上的工作流程。BigStudio是一个开发AI量化交易策略的平台，因此了解实验在BigStudio上的的工作流，能够帮助大家从整体宏观上理解AI量化策略。

什么是AI量化交易策略？

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此AI量化交易策略可以简单理解为将机器学习应用在量化投资领域。

机器学习流程

机器学习（Machine Learning， ML）可以认为是：通过数据、算法使得机器从大量历史数据中学习规律，从而对新样本做分类或者预测。它是人工智能（Artificial Intelligence， AI）的核心，，其应用遍及人工智能的各个领域，主要使用归纳、综合的方法获取或总结知识。更多内容请参看：什么是机器学习？

AI量化策略流程

AI量化策略本质上符合机器学习流程示意图，最为重要的两个模块即为训练和预测。训练是使用训练集数据拟合出一个模型，预测是使用该模型在评估集数据，获取预测结果。想要更多地了解AI量化策略，可以点击AI量化策略的初步理解和BigQuant AI策略详解。

BigStudio实验工作流

认识了机器学习流程和AI量化策略流程，能够对BigStudio实验工作流能更好地理解，BigStudio实验是AI量化策略在BigStudio上的可视化展示。如下：

在画布上，AI量化策略是由数据+模块共同组建形成的。乍一看去，实验工作流比较复杂，这里将其进行拆解和说明。

从上图可以看出，BigStudio实验主要包括数据标注、特征抽取、模型训练、模型预测、回测交易这几块，我们再结合前边介绍的AI量化策略流程，就可以很清楚地了解BigStudio上可视化实验的工作流，这有助于帮助大家更好更快地开发AI量化策略，实现实验的快速迭代。

知道了BigStudio实验的工作流，我们在下一篇文章会详细介绍每个小模块的具体使用。

模块的功能和使用

本部分详细介绍BigStudio可视化实验中各个模块，希望大家对每个模块的功能和使用更加了解。

BigStudio可视化实验工作流如下：

从这幅图可以看出，BigStudio上的可视化AI量化策略主要包括数据标注、特征抽取、模型训练、模型预测、回测交易5个部分，但却包含了多个小模块。本文从微观层面单独介绍各个小模块。

（由于本文篇幅较长，为增强阅读体验，部分内容需手动点击才能展开，带黑色实心三角符号的内容可直接点击展开查阅。例如 属性窗格。）

[details=属性窗格] 我们从微观层面具体了解每一个模块。在单独介绍每个模块之前，先来介绍属性窗格的常用按钮。以 模块证券代码列表 举例：

其中图上一共有5个绿色标记。按从上到下的顺序，第一个点击可以折叠整个属性窗格，第二个可以折叠该模块的属性；第三个是下拉选项，点击可以展开下来列表进行选择；第四个是复选框，表明是否启用缓存加速， 如果开启，每次运行的时候会先检查之前是否有运行结果，如果有，就直接输出上次运行结果。最下面一个点击可以折叠帮助界面。点击帮助可以获得相关模块的文档介绍。

画布中的各个模块：

由于特征抽取部分包括训练数据的特征抽取和评估数据的特征抽取，本文只介绍训练数据的特征抽取。评估数据的特征抽取同理，只是数据不一样（数据由start_date和end_date决定）。

帮助文档： 证券代码列表

• 开始日期：start_date (str) 。示例 2017-02-12。
• 结束日期：end_date (str) 。示例 2017-02-12。
• 交易市场：market(str)。获取哪个市场的证券列表，下拉列表有多个选择
• 最大数量：max_count(float)。获取证券数量，如果设置为0就表明没有限制。 帮助文档： 自动数据标注
• 开始日期：start_date (str) 。示例 2017-02-12。
• 结束日期：start_date (str) 。示例 2017-02-12。
• 标注表达式：这里是一个代码编辑器，点击可放大，也可以点击弹出代码编辑器窗口，可手动输入标注表达式。 帮助文档： 输入特征列表
• 特征数据 ：为一个代码编辑器窗口，可手动输入特征数据

帮助文档： 基础特征抽取

• 开始日期：start_date (str)。示例 2017-02-12。
• 结束日期：end_date (str) 。示例 2017-02-12。 帮助文档：衍生特征列表
• 日期列名：date_col (str) 。如果在表达式中用到切面相关函数时，比如 rank，会用到此列名；默认值是date。
• 证券代码列名：instrument_col (str) 。如果在表达式中用到时间序列相关函数时，比如 shift，会用到此列名；默认值是instrument。 帮助文档： 连接数据
• 关联列：on (str) 。多个列用英文逗号分隔；默认值是date,instrument。
• 连接方式：how (choice) 。可选值有: left, right, outer, inner；默认值是inner。
• 对结果排序：sort (bool) 。默认值是False。

除了是否启用缓存加速，缺失数据处理模块没有其他参数。

帮助文档：StockRanker训练

• 学习算法：learning_algorithm (choice) 。机器学习优化算法；可选值有: 排序, 回归, 二分类, logloss；默认值是排序。
• 叶节点数量：number_of_leaves (int) 。每棵树最大叶节点数量。一般情况下，叶子节点越多，则模型越复杂，表达能力越强，过拟合的可能性也越高；默认值是30。
• 每叶节点最小样本数：minimum_docs_per_leaf (int) 。每个叶节点最少需要的样本数量，一般值越大，泛化性性越好；默认值是1000。
• 树的数量：number_of_trees (int) 。一般情况下，树越多，则模型越复杂，表达能力越强，过拟合的可能性也越高；默认值是20。
• 学习率：learning_rate (float) – 学习率：学习率如果太大，可能会使结果越过最优值，如果太小学习会很慢；默认值是0.1。
• 特征值离散化数量：max_bins (int) 。一般情况下，max_bins越大，则学的越细，过拟合的可能性也越高；默认值是1023。
• 特征使用率：feature_fraction (int)。在构建每一颗树时，每个特征被使用的概率，如果为1，则每棵树都会使用所有特征；默认值是1。

帮助文档：StockRanker预测 帮助文档：Trade(回测/模拟)

• 开始日期：start_date (str)。设定值只在回测模式有效，在模拟实盘模式下为当前日期
• 结束日期：end_date (str)。设定值只在回测模式有效，在模拟实盘模式下为当前日期
• 主函数：handle_data (函数)。必须实现的函数，该函数每个单位时间会调用一次, 如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次,由于我们现在数据只有日K，所以是按天回调。在回测中，可以通过对象data获取单只股票或多只股票的时间窗口价格数据。如果算法中没有schedule_function函数，那么该函数为必选函数。一般策略的交易逻辑和订单生成体现在该函数中；默认值是None。
• 数据准备函数：prepare (函数) 。准备数据函数，运行过程中只调用一次，在 initialize 前调用，准备交易中需要用到数据。目前支持设置交易中用到的股票列表，设置到 context.instruments。

• 初始化函数：initialize (函数) 。整个回测中只在最开始时调用一次，用于初始化一些账户状态信息和策略基本参数，context也可以理解为一个全局变量，在回测中存放当前账户信息和策略基本参数便于会话；默认值是None。
• 盘前处理函数：before_trading_start (函数) 。每个单位时间开始前调用一次，即每日开盘前调用一次，该函数是可选函数。你的算法可以在该函数中进行一些数据处理计算，比如确定当天有交易信号的股票池；
• 成交率限制：volume_limit (float)。执行下单时控制成交量参数，默认值2.5%，若设置为０时，不进行成交量检查；默认值是0.025。

• 买入点：order_price_field_buy (choice) 。open=开盘买入，close=收盘买入；可选值有: open, close；默认值是open。

• 卖出点：order_price_field_sell (choice) 。open=开盘卖出，close=收盘卖出；可选值有: open, close；默认值是close。

• 初始资金：capital_base (float) 。默认值是1000000.0。

• 基准指数：benchmark (str)。不影响回测结果；默认值是000300.SHA。

• 自动取消无法成交的订单：auto_cancel_non_tradable_orders (bool) 。是否自动取消因为停牌等原因不能成交的订单；默认值是True。

• 回测数据频率：data_frequency (choice)。目前只支持日线 (daily)，未来将支持分钟线 (minute)；可选值有: daily；默认值是daily。

• 显示回测结果图表：plot_charts (bool) – 显示回测结果图表；默认值是True。

• 只在回测模式下运行：backtest_only (bool) 。默认情况下，Trade会在回测和实盘模拟模式下都运行。如果策略中有多个M.trade，在实盘模拟模式下，只能有一个设置为运行，其他的需要设置为 backtest_only=True，否则将会有未定义的行为错误；默认值是False。

  现在，BigStudio上的AI量化策略的模块已经介绍完毕。当我们新建一个可视化AI量化策略的时候，我们不用做太多的改动，直接使用模板，然后调一下参数，将精力更多地放在特征抽取和数据标注上。接下来，我们会介绍如何自定义模块和使用更灵活地特征抽取和数据标注。

自定义模块

现在我们介绍最重要的一个模块：自定义模块，之所以说最重要，是因为策略实验开发需求多样，掌握了如何自定义模块才能在策略实验开发中更加自由灵活。

什么是模块？

模块可以将其理解为函数，目的是实现某些功能。模块的示意图如下：

整个流程是$x$作为输入，进入函数$f$，然后得到输出结果$f(x)$，这就是我们日常理解的函数。在BigStudio中，模块的概念和函数一样，拥有输入（可以多个输入）和输出（也可以多个输出）。因此在画布中，每一个拥有输入连接线和输出连接线的矩形框都可以看成模块，仅有输出连接线的矩形框可以看成数据。

在示意图上，只有一个输入，一个输出，但BigStudio上的模块可以最多支持三个输入，三个输出。示意图如下：

如何自定义模块？

我们以这样的例子举例：假设我们希望对一段时间的股票数据进行过滤，去除st股票和上市天数小于120天的股票。我们一共构建了三个模块，第一个模块有三个输出，分别是时间、股票列表、数据字段，然后第二个模块根据三个输入通过D.history_data()接口加载数据，最后，第三个模块对数据进行过滤，去除st股和上市天数小于120天的股票。详细流程见下文。

• 直接拖取 自定义Python模块到画布，连拖三次

• 选中第一个模块，点击右侧代码编辑器窗口，输入以下代码：

• 同理，选中第二个模块，点击右侧代码编辑器窗口，输入以下代码：

• 最后，选中第三个模块，点击右侧代码编辑器窗口，输入以下代码：

• 模块如下连线，并为每个模块添加注释

• 运行，并打印m3模块输出数据

代码编辑器窗口

• 什么是代码编辑器窗口？

代码编辑器窗口是BigStudio为特定模块需要输入代码进行编辑的一个窗口。

这是模块m1的右侧的代码编辑器窗口，其中点击红色箭头所指的类似于两个矩形框堆叠的按钮可以 弹出该代码编辑器窗口。

• 支持代码补齐功能

代码编辑器窗口和策略研究界面的单元格一样，同样具备 代码补齐功能。比如输入 “fs_” 这样就能弹出财务相关的因子，而且能够知道各个因子的具体含义。

今天就介绍到这里，希望大家能够自由灵活地使用自定义模块。

开发属于你的策略

本文简单介绍如何通过可视化的方式开发出一个价值选股策略。

标题也许看着有点蒙，什么意思呢？其实就是通过5条线连接的几个模块就能开发出一个简单的价值选股策略。我们先来看看策略截图。

该策略一共包括：证券代码列表输入特征列表、基础特征抽取、数据过滤、Trade(回测/模拟)共5个模块。首先我们先介绍下策略的思想。

• 开始日期：2013-01-01
• 结束日期：2017-11-07
• 选股依据：根据市净率指标全市场选股，选出该指标最小的10%的股票；
• 调仓规则：买入持有22天（接近自然日30天），进行调仓，卖出全部股票，然后重新买入股票；
• 资金分配：等权重买入

接下来，详细介绍策略开发的各个流程。

• 新建一个可视化空白策略模板
• 拖入证券代码列表模块，并在右侧参数窗口输入开始日期和结束日期

• 拖入输入特征列表模块，并在右侧代码编辑器窗口输入市净率排序因子

• 拖入基础特征抽取模块，并将证券代码列表和输入特征列表两个模块的连线到该模块

  补充：在连线时，应该注意对应的节点，不同的节点对应不同的模块输入。此外，基础特征抽取模块的右侧参数窗口可以不填，不填就会继承输入模块的相关参数。这里，就会继承证券代码列表模块的开始日期和结束日期。

• 拖入数据过滤模块，并设置过滤条件。因为我们是通过市净率选股，我们选择市净率最小的10%的股票 。

  补充：rank_pb_lf_0因子是横截面排序因子，其详细释义可以在文档-因子库查询，根据当日全市场股票市净率大小升序排序所得。通过数据过滤，我们将市盈率最小的10%的股票的过滤出来。

• 拖入交易模块——Trade(回测/模拟)

• 将策略思想添加在 主函数
• 点击运行或运行全部，得到回测结果

可能有小伙伴比较纳闷，如果我关注中间某些模块的数据，怎样才能查看呢？BigQuant的策略研究平台为“可见即可得”的研究环境，中间模块的数据我们可以这样查询，以数据过滤模块为例：

• 首先，选中该模块，右键运行该模块

  补充：运行该模块的话，就不会运行全部模块，这样方便调试策略。运行某模块的时候，系统会自动运行该模块的继承模块，即那些连线到该模块的模块也会运行。

\

• 然后，该模块是m4，直接在画布上方或者下方新建一个单元格（cell），就可查看m4模块的输出数据

是不是觉得开发策略没有想象中的那么困难啊?欢迎大家克隆进行深入研究，本文只是一个简单的demo，还有许多尝试的方向。

自定义函数构建因子

我们先来回顾一下，当我们构建因子时，目前有几种方式。

这里以过去5日成交总额因子举例说明：

1. 根据因子库默认因子构建

   $(avg\_amount\_5)*5$

2. 运算符构建因子 $amount\_0+amount\_1+amount\_2+amount\_3+amount\_4$

3. 表达式引擎构建因子 表达式引擎构建因子比较灵活，下列三种方式效果相同。 $sum(amount\_0,5)$ $amount\_0+shift(amount\_0,1)+shift(amount\_0,2)+shift(amount\_0,3)+shift(amount\_0,4)$ $amount\_0+delay(amount\_0,1)+delay(amount\_0,2)+delay(amount\_0,3)+delay(amount\_0,4)$

但是在策略开发过程中，有些因子比较难以构建，比如个股相对于上证50、或者中证800的超额收益率，这样的因子用刚刚提到的方式很难实现，因此今天又必要介绍如何通过自定义函数构建因子。本文以个股相对于中证800的超额收益率为例。

流程

1. 拖入证券代码列表模块

1. 这里我们时间跨度为1年左右，为了减少运行时间，只输入了10只股票。

2. 拖入 输入特征列表模块，并输入特征

   \

1. 拖入 基础特征抽取模块，并连线。

基础特征抽取结果如下：

1. 拖入 输入特征列表模块，并输入个股相对中证800的超额收益率的特征名称

1. 拖入衍生特征抽取模块，计算出个股相对中证800的超额收益率的特征名称

这里是全文最主要的地方，理解清楚就能非常自由灵活地构建因子。 这里详细讲解下：

bigquant_run = {
    'relative_ret':  relative_ret
}

代码解释： 在这里自定义表达式函数，为字典格式，例:{‘user_rank’:user_rank}，字典的key是方法名称，字符串类型，字典的value是方法的引用，更多文档参考：衍生特征抽取

def relative_ret(df, close_0):
    return df.groupby('instrument', group_keys=False).apply(calcu_relative_ret)

代码解释： 计算特征需要先按股票代码进行groupby然后单独计算每只股票的特征数据。

def calcu_relative_ret(df):
    # 先获取中证800指数数据
    start_date = min(m7.data.read_df().date).strftime('%Y-%m-%d')
    end_date = max(m7.data.read_df().date).strftime('%Y-%m-%d')
    hs800_df = D.history_data(
    '000906.SHA',
    start_date=(pd.to_datetime(start_date) - datetime.timedelta(days=10)).strftime('%Y-%m-%d'),  # 多取几天的数据
    end_date=end_date)[['date', 'close']].rename(columns={'close': 'hs800_close'})
    
    # 与个股数据合并
    df = df[['date', 'close_0']].reset_index().merge(hs800_df, on='date', how='left').set_index('index')
    
    # 返回超额收益率
    return df['close_0'].pct_change() - df['hs800_close'].pct_change()

代码解释： 先根据开始日期和结束日期，通过平台的数据接口获取中证800的指数数据，然后将按股票代码groupby后的数据（个股数据）与中证800数据合并，最后在一个数据框中计算出超额收益率。

查看个股超额收益率特征：

1. 拖入衍生特征抽取模块，继续抽取其他特征

查看最终的特征数据，该特征数据可直接和标注数据合并，训练模型。

自定义模块

本文将详细的展示如何开发自定义模块。我们希望开发一个模块，用来修改数据的列名：

• 输入：有一个输入数据源，为输入数据
• 参数：列名映射，格式为：原列名1:新列名1|原列名2:新列名2|原列名3:新列名3|..
• 输出：有一个输出数据源，为结果数据

1. 准备输入数据，用于开发测试

为了有测试数据方便开发调试，我们直接新建 “可视化策略-空白”，拖入 数据源 模块，并配置如下，用作测试数据：

• 数据源ID：bar1d_CN_STOCK_A
• 开始日期：2018-01-01
• 结束日期：2018-02-01

其数据如下：

2. 添加自定义模块

从左侧自定义模块拖拽 自定义Python模块 到画布中，并如下图连接

3. 代码开发1：现在代码代码单元里一边开发一边测试

为了便于开发，我们新建一个代码单元，先在代码单元里，一边开发，一边测试。

从自定模块主函数里拷贝代码到代码单元：

4. 代码开发2：定义好接口

代码如下：

• input_ds：输入数据源
• columns：列名映射
• Outputs.data：输出数据源

# 修改数据列名
def bigquant_run(input_ds, columns):
    # 示例代码如下。在这里编写您的代码
    # df =  pd.DataFrame({'data': [1, 2, 3]})
    # data_1 = DataSource.write_df(df)
    # data_2 = DataSource.write_pickle(df)
    return Outputs(data=None)

# 在m18上测试
bigquant_run(m18.data, 'avg_amount_0:new_avg_amount_0|rank_return_0/rank_return_5:return_change_5')

5. 代码开发2：代码实现

# 修改数据列名
def bigquant_run(input_ds, columns):
    # 解析列映射为dict, TODO: 验证输入是否有效
    columns = dict(c.split(':') for c in columns.split('|'))
    print('列名映射：', columns)
    # 输出数据源
    dataset_ds = DataSource()
    output_store = dataset_ds.open_df_store()

    for key, df in input_ds.iter_df():
        df.columns = [columns.get(c, c) for c in df.columns]
        df.to_hdf(output_store, key)
        row_count = len(df)
        print('%s: %s' % (key, len(df)))

    dataset_ds.close_df_store()
    return Outputs(data=dataset_ds)

# 6. 在m4上测试
mx = bigquant_run(m4.data, 'avg_amount_0:new_avg_amount_0|rank_return_0/rank_return_5:return_change_5')

6. 测试运行，并查看修改后的数据

7. 自定义模块：拷贝代码到主函数

8. 自定义模块：设置模块接口

注意 模块参数 那里输入是 json 的dict语法（不能有多余的逗号，着和python dict不同）

9. 运行一下自定义模块

10. 查看自定义模块结果

11. 保存模块

1. 在自定义模块上右键
2. 选中新建模块
3. 设置模块id，必须为英文的：rename_columns
4. 设置模块信息
   • 显示名称改为更友好的中文名
   • 开放代码：如果勾选，别人可以看到此模块的源代码，这个教程里，我们勾选上
5. 注意：刷新页面，就可以看到刚才新建的模块了

12. 使用新建的模块

在刚才的实验里，拖入自定义模块，并连接数据源、配置参数如下，运行得到结果。

恭喜，您已经可以创建自己的模块，扩展平台功能了