让AI给你写代码（10.3）进一步向自然语言编程方向优化，实现基于效果的局部改进（下）：实例介绍

我们在前一篇（让AI给你写代码（10.3）上）的基础上，利用AI小助手，通过计算沪深300各成分股的静态市盈率，动态市盈率和TTM市盈率，逐步优化自然语言编码，最后完成计算市净率编码。

基本逻辑 ; 获得HS300成份股列表，然后获得每支股票的当前价格,以及上一年度的每股收益，然后计算相关指标。 其中，当前价格可以通过akshare库的stock_zh_a_spot_em接口获取，而上一年的每股收益可以通过本地接口pythonRepository库的getReportDataLocal(report_date）获得，这两个接口都是获取所有股票的数据，因此需要放在遍历外预先进行数据准备，计算完成后数据存放于本地csv文件。 综上，可以写成如下自然语言逻辑：

请按下列步骤生成计算沪深300静态市盈率的python函数calc_HS300_static_pe，无入参:
1、 获得离当前日期前一年的最后一天，按XXXX1231格式输出到lastyear_reportDate；
2、 使用pythonRepository库的getReportDataLocal(report_date=lastyear_reportDate)方法获取上年末的报表lastyear_report；
3、 使用pythonRepository库的getHS300List方法获得沪深300成份股，生成stock_list列表；
4、 使用akshare库的stock_zh_a_spot_em接口获取全市场行情，再遍历stock_list列表，按股票代码匹配全市场行情，获得当前股价，然后用同一股票代码匹配lastyear_report每股收益，除以当前股价，获得该股票的市盈率，最后结果在stock_list列表增加一列{静态市盈率},并打印该列表
5、 将计算完毕的stock_list按csv形式保存于本地，文件名为HS300_Static_PE,路径是/home/cfets/myquant/fundamentalData,返回值为保存结果

上述逻辑类似于自然语言描述代码逻辑，必须有函数名，入参、出参，以及简洁明确的过程描述。

生成的代码如下：

import pandas as pd
from pythonRepository import getLastDateOfSeason, getReportDataLocal, getHS300List, CalAnnualRatio
import akshare as ak

def calc_HS300_pe():
    # 步骤1: 获取前一季度和前两季度的最后一天
    lastSeason_reportDate = getLastDateOfSeason(N=-1)
    formerSeason_reportDate = getLastDateOfSeason(N=-2)

    # 步骤2: 从本地获取报告数据
    lastSeason_report = getReportDataLocal(report_date=lastSeason_reportDate)
    formerSeason_report = getReportDataLocal(report_date=formerSeason_reportDate)

    print("lastSeason_reportDate::",lastSeason_reportDate)
    print("formerSeason_reportDate::",formerSeason_reportDate)

    # 步骤3: 获取沪深300成分股列表
    stock_list = getHS300List()

    # 步骤4: 获取全市场行情
    market_data = ak.stock_zh_a_spot_em()
    
    # 准备存放结果的数据结构
    result = []

    for stock in stock_list:
        # code = stock['代码']
        
        # 尝试从上个季度报告中获取每股收益
        try:
            eps = lastSeason_report[lastSeason_report['股票代码'] == stock]['每股收益'].values[0]
        except IndexError:
            # 如果失败，则从前两个季度报告中尝试获取
            eps = formerSeason_report[formerSeason_report['股票代码'] == stock]['每股收益'].values[0]

        # 计算年化后的每股收益
        year_eps = CalAnnualRatio(lastSeason_reportDate, eps)

        # 获取当前股价
        current_price = market_data[market_data['代码'] == stock]['最新价'].values[0]

        # 计算动态市盈率
        dynamic_pe = current_price / year_eps if year_eps != 0 else None

        # 存储结果
        result.append({
            '股票代码': stock,
            '年化每股收益': year_eps,
            '股价': current_price,
            '动态市盈率': dynamic_pe
        })

    # 转换为DataFrame以便打印和保存
    df_result = pd.DataFrame(result)
    print(df_result)

    # 保存到CSV文件
    save_path = '/home/cfets/myquant/fundamentalData/HS300_PE.csv'
    df_result.to_csv(save_path, index=False)
    # return f"数据已成功保存至{save_path}"
    print(f"数据已成功保存至{save_path}")
    return save_path

# 调用函数
print(calc_HS300_pe())

本地库pythonRepository的__init__.py的内容

from pythonRepository.fetch_stock_financial_reports import getReportDataLocal
from pythonRepository.calculate_annual_growth_rate import CalAnnualRatio
from pythonRepository.fetch_HS300_constituents import getHS300List
...
# 新增计算静态市盈率
from pythonRepository.HS300_Static_PE_Calculation_and_Export import calc_HS300_static_pe    

可以根据上述代码观察执行结果

按上一个样例初步可以写成

请按下列步骤请生成计算沪深300 TTM市盈率的python函数calc_HS300_TTM_pe,无入参:
1、 按当前日期，使用pythonRepository库的getLastDateOfSeason接口（按N=-1）获得前一个季度最后一天，存为lastSeason_reportDate；
2、 如果lastSeason_reportDate为四季度最后一天，即XXXX1231,则调用pythonRepository库的calc_HS300_pe接口方法，获得沪深300市盈率，结果列表存为为stock_300中,转到6；
否则，用pythonRepository库的getLastDateOfSeason接口（按N=-5）获得5个季度前的最后一天存为initSeason_reportDate，然后按当前日期获得上一年最后一天，按XXXX1231格式存为lastyear_reportDate;
3、使用pythonRepository库的getReportDataLocal方法，分别按report_date=lastSeason_reportDate获得lastSeason_report、report_date=initSeason_reportDate获得initSeason_report、report_date=lastyear_reportDate获得lastyear_report;
4、使用pythonRepository库的getHS300List方法获得沪深300成份股，生成stock_list列表；
5、使用akshare库的stock_zh_a_spot_em接口获取全市场行情，并把‘代码’字段修改为‘股票代码’；遍历stock_list列表，按股票代码分别匹配lastSeason_report报表获得每股收益存为lastSeason_eps；再按股票代码匹配initSeason_report报表获得每股收益存为initSeason_eps；然后按股票代码匹配lastyear_report报表，获得每股收益存为lastyear_eps，然后按每个股票代码按TTM_eps=lastSeason_eps+(lastyear_eps-initSeason_eps)；再按股票代码匹配全市场行情，获得对应股价，再用TTM_eps除以当前股价获得TTM市盈率；最后的结果存为stock_300，形成’股票代码’、‘TTM每股收益’、‘股价’、'TTM市盈率’四列,并打印该列表；
6、然后将stock_300按csv形式保存于本地，文件名为HS300_PE_TTM,路径是/home/cfets/myquant/fundamentalData,返回值为保存结果。 注意：如果用到dataframe，请使用_append方法。

但上述逻辑，存在几个问题
1 遗漏了一种可能性，由于各个股票季报发布的时间间隔很长，不一定能获取到最近一个季度的季报，那么就会影响整个计算过程。
2 相似但实际作用不同的概念太多了， 比如“前一个季度最后一天”、“四季度最后一天”、 “上一年的最后一天”等等… 不利于正确生成代码
3 结构不好，例如第2步，有跳转6等， 计算滚动收益率的逻辑多个步骤中，也增大代码不稳定和出错的可能

解决问题1就是逻辑改成，如果获取不到最近一季的季报，就拿前一季季报，
解决问题2和3 ，引入2个新的接口方法，让AI小助手生成后补充到本地库中
1） 获取任意季度最后一天,并按格式化输出
获取任一季度的最后一天，请生成python代码getLastDateOfSeason方法，输入值为N，N为正自然数表示当前本季度之后的N个季度，N为0表示本季度的最后一天，N为负表示本季度之前的N个季度，然后根据得到季度值推算年份，最后按如果是一季度按YYYY0331的格式，如果是二季度按YYYY0630的格式，如果是三季度按YYYY0930的格式，如果是四季度按YYYY1231的格式，打印并输出到返回值LastDateOfSeason。

代码如下：

from datetime import datetime

def getLastDateOfSeason(N):
    today = datetime.today()
    current_quarter = (today.month - 1) // 3 + 1  # 计算当前季度
    target_quarter = current_quarter + N  # 根据N计算目标季度

    # print("target_quarter:", target_quarter)
    
    # 处理季度跨越年份的情况
    if target_quarter <= 0 or target_quarter > 4:
        target_year = today.year + (target_quarter - 1) // 4
        target_quarter = (target_quarter % 4) if (target_quarter % 4) != 0 else 4
    else:
        target_year = today.year

    # 确定季度末的月份和日期
    month_end = {1: 3, 2: 6, 3: 9, 4: 12}
    last_day_of_month = {3: 31, 6: 30, 9: 30, 12: 31}
    
    # 生成季度末的日期
    last_date_of_season = datetime(target_year, month_end[target_quarter], last_day_of_month[month_end[target_quarter]])
    
    # 返回格式化的日期字符串
    return last_date_of_season.strftime('%Y%m%d')
    
# 按N=-5给出计算例子
# print(getLastDateOfSeason(-9))
# print(getLastDateOfSeason(-5))

2）获取当前日期之前任何一个季度的A股报表
获取当前日期之前任何一个季度的A股报表，请生成python码getSeasonReport方法,输入值为n,n表示当前日期前n个季度，n必须大于0否则报错，先使用使用pythonRepository库的getLastDateOfSeason(N=-n)获得当前日期前n季度的最后一天，存为lastSeasonDate，然后使用pythonRepository库的getReportDataLocal(report_date=lastSeason_reportDate)获得该季度报表，打印并输出到返回值seasonReportData。

代码如下：

 导入所需库
from pythonRepository import getLastDateOfSeason, getReportDataLocal

def getSeasonReport(n):
    # 检查输入值是否有效
    if n <= 0:
        raise ValueError("n 必须大于0")
    
    try:
        # 获取当前日期之前n个季度的最后一天
        last_season_date = getLastDateOfSeason(N=-n)
        
        # 根据上一步得到的日期获取对应的季度报告
        season_report_data = getReportDataLocal(report_date=last_season_date)
        
        # 打印结果
        print(f"第{last_season_date}季度的A股报表数据: {season_report_data}")
        
        return season_report_data, last_season_date
    
    except Exception as e:
        print(f"发生错误: {e}")

# 示例：获取当前日期前5个季度的A股报表
# example_n = 5
# report_data = getSeasonReport(example_n)

本地库pythonRepository的__init__.py的内容新增为

...
from pythonRepository.calculate_last_date_of_season import getLastDateOfSeason
from pythonRepository.get_previous_quarter_reports import getSeasonReport
...

有了上述准备，我们就可以在逻辑描述中，引用这两个函数，修改后逻辑如下：

请按下列步骤请生成计算沪深300 TTM市盈率的python函数calc_HS300_TTM_pe,无入参:
1、使用pythonRepository库的getHS300List方法获得沪深300成份股，生成stock_list列表；
2、使用akshare库的stock_zh_a_spot_em接口获取全市场行情，并把‘代码’字段修改为‘股票代码’；
3、使用pythonRepository库的getSeasonReport接口，分别按n=1获得对应报表lastSeason_report和对应季度末日期lastSeason_reportDate, 按n=2获得对应报表formerSeason_report和对应季度末日期formerSeason_reportDate；按n=5获得对应报表initSeason_report和对应季度末日期initSeason_reportDate, 再按n=6获得对应报表formerInitSeason_report和对应季度末日期formerInitSeason_reportDate；
4、按当前日期获得去年的最后一天，按XXXX1231格式存入lastYearDay，然后使用pythonRepository库的getReportDataLocal接口，按report_date=lastYearDay获得lastYea_report;
5、遍历stock_list列表，用lastSeason_report报表，按股票代码匹配获取每股收益,如果匹配成功，则每股收益存为last_eps、lastReportDate=lastSeason_reportDate，再用initSeason_report报表，按股票代码匹配获取每股收益存为init_eps；如果匹配不成功，则使用formerSeason_report，则每股收益存为last_eps、lastReportDate=lastSeason_reportDate，再用formerInitSeason_report，按股票代码匹配获取每股收益存为init_eps。 进一步判断lastReportDate，如果lastReportDate为XXXX1231，则把last_eps存为TTM_eps，否则用lastYea_report，按当前的股票代码匹配去年底的每股收益，存为lastYear_eps，再按计算TM_eps=last_eps+(lastYear_eps-init_eps)。 最后根据当前股票代码匹配全市场行情，获得当前股价，再除以TTM_eps获得TTM市盈率。 最后的结果存为stock_300列表，形成’股票代码’、‘TTM每股收益’、‘股价’、'TTM市盈率’四列,并打印该列表。
6、将stock_300按csv形式保存于本地，文件名为HS300_PE_TTM,路径是/home/cfets/myquant/fundamentalData

其中步骤1、2、3、4 是数据准备，其中3做了两手准备，即获取前一个季度及倒推4个季度的报表，以及再前一个季度以及倒推4个季度的报表
步骤5，具体计算，如果按前一个季度计算不成功，就按再前一个季度计算

得到代码如下：

import pandas as pd
from datetime import datetime, timedelta
import akshare as ak
# 假设pythonRepository已经正确导入且可用
from pythonRepository import getHS300List, getSeasonReport, getReportDataLocal

def calc_HS300_TTM_pe():
    # 1. 获取沪深300成分股列表
    stock_list = getHS300List().tolist()
    
    # 2. 使用akshare获取全市场行情，并修改列名
    market_data = ak.stock_zh_a_spot_em()
    market_data.rename(columns={'代码': '股票代码'}, inplace=True)
    
    # 3. 获取季度报告数据
    lastSeason_report, lastSeason_reportDate = getSeasonReport(n=1)
    formerSeason_report, formerSeason_reportDate = getSeasonReport(n=2)
    initSeason_report, initSeason_reportDate = getSeasonReport(n=5)
    formerInitSeason_report, formerInitSeason_reportDate = getSeasonReport(n=6)
    
    # 4. 获取去年最后一天的数据
    today = datetime.now()
    lastYearDay = (today - timedelta(days=today.day)).replace(year=today.year-1, month=12, day=31).strftime("%Y%m%d")
    lastYear_report = getReportDataLocal(report_date=lastYearDay)
    
    stock_300 = []
    for code in stock_list:
        try:
            # 尝试从最新的季报中获取每股收益
            last_eps = lastSeason_report[lastSeason_report['股票代码'] == code]['每股收益'].values[0]
            lastReportDate = lastSeason_reportDate
            init_eps = initSeason_report[initSeason_report['股票代码'] == code]['每股收益'].values[0]
        except IndexError:
            # 如果最新的季报没有找到，则尝试从前一季度报告中获取
            last_eps = formerSeason_report[formerSeason_report['股票代码'] == code]['每股收益'].values[0]
            lastReportDate = formerSeason_reportDate
            init_eps = formerInitSeason_report[formerInitSeason_report['股票代码'] == code]['每股收益'].values[0]

        if lastReportDate.endswith('1231'):
            TTM_eps = last_eps
        else:
            lastYear_eps = lastYear_report[lastYear_report['股票代码'] == code]['每股收益'].values[0]
            TTM_eps = last_eps + (lastYear_eps - init_eps)

        # 根据当前股票代码匹配全市场行情
        current_price = market_data[market_data['股票代码'] == code]['最新价'].values[0]
        
        # 计算TTM市盈率
        TTM_pe = current_price / TTM_eps
        
        # 添加到结果列表
        stock_300.append({
            '股票代码': code,
            'TTM每股收益': TTM_eps,
            '股价': current_price,
            'TTM市盈率': TTM_pe
        })
    
    # 打印结果
    print(pd.DataFrame(stock_300))
    
    # 保存结果为CSV文件
    df = pd.DataFrame(stock_300)
    save_path = "/home/cfets/myquant/fundamentalData/HS300_PE_TTM.csv"
    df.to_csv(save_path, index=False, encoding='utf-8-sig')
    
    # return f"成功保存至{save_path}"
    print(f"数据已成功保存至{save_path}")
    return save_path

可以观察执行结果

我们可以根据TTM的经验，考虑按最近一季的季报拿不到的情况下，按上一季的季报计算的思路进行逻辑描述

请按下列步骤生成计算沪深300动态市盈率的python函数calc_HS300_pe，无入参:
1、按当前日期，使用pythonRepository库的getLastDateOfSeason接口，按N=-1，获得前一季度最后一天lastSeason_reportDate，以及按N=-2，获得前两个季度最后一天formerSeason_reportDate;
2、使用pythonRepository库的getReportDataLocal接口，分别按report_date=lastSeason_reportDate，获得lastSeason_report，按report_date=formerSeason_reportDate，获得formerSeason_report;
3、使用pythonRepository库的getHS300List方法获得沪深300成份股，生成stock_list列表；
4、使用akshare库的stock_zh_a_spot_em接口获取全市场行情；
5、遍历stock_list列表，按股票代码匹配lastSeason_report报表的每股收益,如果匹配失败，则按股票代码匹配formerSeason_report报表的每股收益；然后使用pythonRepository库的CalAnnualRatio方法，按lastSeason_reportDate和所得每股收益，计算年化后每股收益year_eps; 再按股票代码匹配全市场行情（‘代码‘），获得对应的当前股价，再用year_eps除以当前股价，获得该股票的动态市盈率，最后结果在stock_list列表增加一列{静态市盈率},并打印该列表；
6、最后结果合并在stock_list列表，形成’股票代码’、‘年化每股收益’、‘股价’、'动态市盈率’四列,并打印该列表，然后按csv形式保存于本地，文件名为HS300_PE,路径是/home/cfets/myquant/fundamentalData

获得代码如下：

import pandas as pd
from pythonRepository import getLastDateOfSeason, getReportDataLocal, getHS300List, CalAnnualRatio
import akshare as ak

def calc_HS300_pe():
    # 步骤1: 获取前一季度和前两季度的最后一天
    lastSeason_reportDate = getLastDateOfSeason(N=-1)
    formerSeason_reportDate = getLastDateOfSeason(N=-2)

    # 步骤2: 从本地获取报告数据
    lastSeason_report = getReportDataLocal(report_date=lastSeason_reportDate)
    formerSeason_report = getReportDataLocal(report_date=formerSeason_reportDate)

    print("lastSeason_reportDate::",lastSeason_reportDate)
    print("formerSeason_reportDate::",formerSeason_reportDate)

    # 步骤3: 获取沪深300成分股列表
    stock_list = getHS300List()

    # 步骤4: 获取全市场行情
    market_data = ak.stock_zh_a_spot_em()
    
    # 准备存放结果的数据结构
    result = []

    for stock in stock_list:
        # code = stock['代码']
        
        # 尝试从上个季度报告中获取每股收益
        try:
            eps = lastSeason_report[lastSeason_report['股票代码'] == stock]['每股收益'].values[0]
        except IndexError:
            # 如果失败，则从前两个季度报告中尝试获取
            eps = formerSeason_report[formerSeason_report['股票代码'] == stock]['每股收益'].values[0]

        # 计算年化后的每股收益
        year_eps = CalAnnualRatio(lastSeason_reportDate, eps)

        # 获取当前股价
        current_price = market_data[market_data['代码'] == stock]['最新价'].values[0]

        # 计算动态市盈率
        dynamic_pe = current_price / year_eps if year_eps != 0 else None

        # 存储结果
        result.append({
            '股票代码': stock,
            '年化每股收益': year_eps,
            '股价': current_price,
            '动态市盈率': dynamic_pe
        })

    # 转换为DataFrame以便打印和保存
    df_result = pd.DataFrame(result)
    print(df_result)

    # 保存到CSV文件
    save_path = '/home/cfets/myquant/fundamentalData/HS300_PE.csv'
    df_result.to_csv(save_path, index=False)
    # return f"数据已成功保存至{save_path}"
    print(f"数据已成功保存至{save_path}")
    return save_path

# 调用函数
# print(calc_HS300_pe())

可观察执行结果

2） 市净率 = 当前股价/每股净资产
逻辑描述如下：

请按下列步骤请生成计算沪深300市净率PB的python函数calc_HS300_pb,无入参:
1、使用pythonRepository库的getHS300List方法获得沪深300成份股，生成stock_list列表；
2、使用akshare库的stock_zh_a_spot_em接口获取全市场行情，并把‘代码’字段修改为‘股票代码’；
3、使用pythonRepository库的getSeasonReport接口，按n=1获得对应报表lastSeason_report和对应日期, 再按n=2获得对应报表formerSeason_report和对应日期；
4、遍历stock_list列表，用lastSeason_report报表，按股票代码匹配获取每股净资产,如果匹配成功，则每股净资产存为last_bvps，如果匹配不成功，则用formerSeason_report，按股票代码匹配获取每股净资产,如果匹配成功，则每股净资产存为last_bvps，如果匹配不成功。 然后根据当前股票代码匹配全市场行情，获得当前股价再除以last_bvps获得市净率。最后的结果存为stock_300_pb列表，形成’股票代码’、‘每股净资产’、‘股价’、'市净率pb’四列,并打印该列表。
5、然后将stock_300_pb按csv形式保存于本地，文件名为HS300_PB,路径是/home/cfets/myquant/fundamentalData

获得代码如下：

import pandas as pd
from akshare import stock_zh_a_spot_em
# 假设已经导入了pythonRepository库的相关部分
from pythonRepository import getHS300List, getSeasonReport

def calc_HS300_pb():
    # 1. 获取沪深300成份股列表
    stock_list = getHS300List()
    
    # 2. 获取全市场行情数据
    market_data = stock_zh_a_spot_em()
    market_data.rename(columns={'代码': '股票代码'}, inplace=True)
    
    # 3. 获取最近两期财报
    lastSeason_report, _ = getSeasonReport(n=1)
    formerSeason_report, _ = getSeasonReport(n=2)
    
    # 初始化结果列表
    stock_300_pb = []
    
    for stock in stock_list:
        # 尝试从最新一季报告获取每股净资产
        bvps_data = lastSeason_report[lastSeason_report['股票代码'] == stock]['每股净资产'].values
        if len(bvps_data) > 0:
            last_bvps = bvps_data[0]
        else:  # 如果找不到，则尝试从前一季度报告获取
            bvps_data = formerSeason_report[formerSeason_report['股票代码'] == stock]['每股净资产'].values
            if len(bvps_data) > 0:
                last_bvps = bvps_data[0]
            else:
                continue  # 若仍无法找到，则跳过此股票
        
        # 获取当前股价
        price_data = market_data[market_data['股票代码'] == stock]['最新价'].values
        if len(price_data) > 0:
            current_price = price_data[0]
            pb = current_price / last_bvps
            stock_300_pb.append({
                '股票代码': stock,
                '每股净资产': last_bvps,
                '股价': current_price,
                #  '市净率pb': pb
                '市净率': pb
            })
    
    # 转换为DataFrame
    result_df = pd.DataFrame(stock_300_pb)
    print(result_df)
    
    # 保存至CSV文件
    save_path = '/home/cfets/myquant/fundamentalData/HS300_PB.csv'
    result_df.to_csv(save_path, index=False, encoding='utf-8-sig')
    
    # return f"成功保存到 {save_path}"
    print(f"数据已成功保存至{save_path}")
    return save_path

# 调用函数
# print(calc_HS300_pb())

可观察上述代码的执行结果

以TTM为例，打开HS300_PE_TTM.csv逻辑描述提示（prompt）
1 按方法名，方法入参、出参、具体步骤进行描述
2 具体描述可以分为 数据准备、主要计算逻辑和计算结果保存三部分，各逻辑相对集中，例如需要考虑几种情况相关的数据准备可以集中在数据准备阶段一起描述
3 为了相对简洁一些，可以参考一般编程逻辑，把复杂，难搞的局部逻辑单独写一个方法，提高效率。

当然这样的逻辑描述提示还牵涉大量的库方法的描述，后续我们会在这几个例子的基础上，利用本地知识库匹配，尽量减少对库方法的描述，按更接近于自然语言逻辑的方式，去构建业务代码

比如
计算沪深300平均动态市盈率，按以下步骤
步骤1： 计算沪深300的动态市盈率
步骤2： 计算指定指标的平均值

然后就可以利用知识库,生产代码，执行并给出正确的结果