Python股票筛选器赢得'；不要停止跑步

新的程序员和第一次发布问题。我真的很想得到一些关于我正在尝试运行的股票筛选程序的帮助。基本上，我从CSV文件中提取了一堆股票代码（大约7000个），然后从Finviz（金融数据网站）中获取每个股票的数据。然后我根据一本投资书制定了一些标准。代码可能看起来很糟糕，所以如果你有机会看一下的话，我非常乐意接受反馈

问题是，我还没有让它工作。我不是说它停止了，出现了一个错误，我是说它一直在运行。我的代码中一定有一部分花费了这么长时间。任何帮助都将不胜感激。代码如下：

import pandas as pd
import numpy as np

# Stock ticker URLs
# Local path
stock_tickers = r'local path/stock_symbols.csv'
df = pd.read_csv(stock_tickers)

stocks = df['Symbol'].tolist()

from bs4 import BeautifulSoup as bs
import requests


def get_fundemental_data(df):
    for symbol in df.index:
        try:
            url = ('http://finviz.com/quote.ashx?t=' + symbol.lower())
            soup = bs(requests.get(url).content, features="lxml")
            for m in df.columns:
                df.loc[symbol, m] = fundemental_metric(soup, m)
        except Exception as e:
            print(symbol, 'not found')
    return df


def fundemental_metric(soup, metric):
    return soup.find(text=metric).find_next(class_='snapshot-td2').text


metric = ['P/B',
          'P/E',
          'Market Cap',
          'Current Ratio',
          'Forward P/E',
          'PEG',
          'Debt/Eq',
          'EPS (ttm)',
          'Dividend %',
          'ROE',
          'ROI',
          'EPS Q/Q',
          'Insider Own'
          ]

df = pd.DataFrame(index=stocks, columns=metric)
df = get_fundemental_data(df)

# CLEAN UP THE DATA

# Replace '-' and '' values with NaN
df = df.replace('-', np.NaN)
df = df.replace('', np.NaN)

# Some metrics have 'B' or 'M' at the end to indicate billions or millions of $
# Convert all those values to floats measured in billions of $
df.loc[df['Market Cap'].str.strip().str[-1] == 'M', 'Market Cap'] = df['Market Cap'].str.strip().str[:-1].astype(float)\
                                                                   / 1000
df.loc[df['Market Cap'].str.strip().str[-1] == 'B', 'Market Cap'] = df['Market Cap'].str.strip().str[:-1].astype(float)

# Remove "%" signs
df['ROI'] = (df['ROI'].str[:-1])
df['ROE'] = (df['ROE'].str[:-1])
df['Dividend %'] = (df['Dividend %'].str[:-1])
df['EPS Q/Q'] = (df['EPS Q/Q'].str[:-1])
df['Insider Own'] = (df['Insider Own'].str[:-1])
df['Inst Own'] = (df['Inst Own'].str[:-1])

# Convert all values to floats
df = df.astype(float)

# Create a new DF for easy manipulation
df_II = df

# INTELLIGENT INVESTOR CRITERIA #

# Businesses which are "adequately sized" (i.e. market cap of >$2 billion)
df_II = df_II[(df_II['Market Cap'] > 2)]

# Businesses with a 'strong financial condition' (i.e. current ratio > 3:2)
df_II = df_II[(df_II['Current Ratio'] >= 1.5)]

# Price of stock no more than 1.5 times net asset value. Price-to-book ratio is less than 1.5
df_II = df_II[(df_II['P/B'] <= 1.5)]

# Business has demonstrated earning power (i.e. EPS Q/Q > 10%)
df_II = df_II[(df_II['EPS Q/Q'] > 10)]

# Business earns good returns on equity while employing little or no debt (i.e. Debt/Equity < 1 & ROE > 10%)
df_II = df_II[(df['Debt/Eq'] < 1) & (df_II['ROE'] > 10)]

# Management having substantial ownership in the business (i.e. Insider ownership > 15%)
df_II = df_II[(df_II['Insider Own'] > 15)]

xl_filepath = r'local file path/BG_StockPicks.xlsx'
df_II.to_excel(xl_filepath, index=False)

将熊猫作为pd导入
将numpy作为np导入
#股票代码URL
#本地路径
stock\u tickers=r'local path/stock\u symbols.csv'
df=pd.read\u csv（股票行情）
stocks=df['Symbol'].tolist（）
从bs4导入BeautifulSoup作为bs
导入请求
def获取基本数据（df）：
对于df.index中的符号：
尝试：
url=（'http://finviz.com/quote.ashx?t=“+symbol.lower（））
soup=bs（requests.get（url.content，features=“lxml”）
对于df.columns中的m：
df.loc[符号，m]=基本度量（单位，m）
例外情况除外，如e：
打印（符号“未找到”）
返回df
def基本计量单位（汤，计量单位）：
返回soup.find（text=metric）.find_next（class='snapshot-td2'）.text
指标=['P/B'，
“市盈率”，
“市值”，
“流动比率”，
“远期市盈率”，
"挂",，
“债务/Eq”，
“每股收益（ttm）”，
“股息%”，
“ROE”，
“投资回报率”，
“EPS Q/Q”，
“内部人自己的”
]
df=pd.DataFrame（指数=股票，列=度量）
df=获取基本数据（df）
#清理数据
#将“-”和“”值替换为NaN
df=df.replace（'-'，np.NaN）
df=df.替换（“”，np.NaN）
#一些指标的末尾有“B”或“M”，表示数十亿或数百万的数据$
#将所有这些值转换为以十亿为单位的浮点值$
df.loc[df['Market Cap'].str.strip（）.str[-1]='M'，'Market Cap']=df['Market Cap'].str.strip（）.str[-1].aType（浮动）\
/ 1000
df.loc[df['Market Cap'].str.strip（）.str[-1]='B'，'Market Cap']=df['Market Cap'].str.strip（）.str[-1].aType（浮动）
#删除“%”符号
df['ROI']=（df['ROI'].str[：-1]）
df['ROE']=（df['ROE'].str[：-1]）
df['divident%']=（df['divident%].str[：-1]）
df['EPS Q/Q']=（df['EPS Q/Q'].str[：-1]）
df['Insider Own']=（df['Insider Own'].str[：-1]）
df['Inst Own']=（df['Inst Own'].str[：-1]）
#将所有值转换为浮点数
df=df.astype（浮动）
#创建一个新的DF以便于操作
df_II=df
#智能投资者标准#
#“足够规模”的企业（即市值>20亿美元）
df_II=df_II[（df_II[‘市值’]>2）]
#“财务状况良好”（即流动比率>3:2）的企业
df_II=df_II[（df_II[‘流动比率’]>=1.5）]
#股票价格不超过资产净值的1.5倍。价格与账面比率小于1.5
df_II=df_II[（df_II['P/B']10%）
df_II=df_II[（df_II['EPS Q/Q']>10）]
#企业在几乎不负债或不负债的情况下获得良好的权益回报（即负债/权益<1%和净资产收益率>10%）
df_II=df_II[（df[‘债务/均衡’]<1）和（df_II[‘股本回报率’]>10）]
#对企业拥有实质所有权的管理层（即内部人所有权>15%）
df_II=df_II[（df_II[‘内部人拥有’]>15）]
xl_filepath=r'local file path/BG_StockPicks.xlsx'
df_II.到excel（xl_文件路径，索引=False）

要收集更多信息，您可以添加一些日志记录（一些打印语句暂时可以使用）查看程序的运行位置。您也可以在调试模式下运行它，并在整个过程中添加断点，以查看哪些调用占用的时间最多。您可能还想了解制作数据帧副本的相关信息，特别是python中的按引用传递。我不确定代码df_II=df的行为是否完全符合您的预期错误，具体问题。至少找出代码挂起的位置，然后构建尽可能短的挂起方式相同的程序（在不做更改的情况下运行时，删除所有不需要严格复制确切问题的内容）。请参阅帮助中心中的定义和“修剪提示”至少，您可能想看看是否有办法在一个可下载的文件中获取所有股票信息，然后进行处理。发出7000个独立请求不太可能执行得很好，或者服务提供商会非常友好地关注：-）您必须提供stock_symbols.csv的布局。仅从财务角度来看，您可能希望首先将股票分为多个部门，然后设置特定于部门的标准。要收集更多信息，可以添加一些日志记录（一些打印语句暂时可以使用）查看程序的运行位置。您也可以在调试模式下运行它，并在整个过程中添加断点，以查看哪些调用占用的时间最多。您可能还想了解制作数据帧副本的相关信息，特别是python中的按引用传递。我不确定代码df_II=df的行为是否完全符合您的预期错误，具体问题。至少找出代码挂起的位置，然后构建尽可能短的挂起方式相同的程序（在不做更改的情况下运行时，删除所有不需要严格复制确切问题的内容）。请参阅帮助中心中的定义和“修剪提示”至少，您可能想看看是否有办法在一个可下载的文件中获取所有股票信息，然后进行处理。发出7000个独立请求不太可能执行得很好，或者服务提供商会非常友好地关注：-）您必须提供stock_symbols.csv的布局。仅从财务角度来看，您可能希望首先将股票分为多个板块，然后再设置s