豆包 MarsCode 编程助手是豆包旗下的 AI 编程助手，提供以智能代码补全为代表的 AI 功能。它支持主流的编程语言和 IDE，在开发过程中提供单行代码或整个函数的编写建议。此外，它还支持代码解释、单测生成和问题修复等功能，提高了开发效率和质量。
1、下载并安装 Visual Studio Code
2、在VsCode的扩展商店MarsCode
安装 Visual Studio Code 后，左侧导航栏上点击扩展，打开扩展窗口。
在搜索框搜索“豆包”“MarsCode”关键词，找到豆包MarsCode 后单击「install」，完成安装。
3、 登录豆包MarsCode
重启 Visual Studio Code，使用快捷键（Windows: Ctrl + U; macOS: Command + U）打开豆包 MarsCode 编程助手侧边对话框，点击 登录 按钮，登录你的账号。
返回 IDE，插件准备完成，你可以开始体验 AI 能力，和AI助手进行任意对话。主要功能有生成代码、解释代码、注释代码，生成单测。
4、下载python，选择稳定版
5、安装Python
6、检查Python环境配置
在运行中输入sysdm.cpl
在高级——环境变量，选择系统变量中path。
双击path可以看到没有python变量。
新建添加下。
C:\Users\Administrator\AppData\Local\Programs\Python\Python312\python.exe
若在VsCode创建文件无法找到python，那么需要在扩展商店中安装python。
验证python安装正常。
7、配置虚拟环境
在VsCode中按住shift+ctrl+p，然后输入select interpreter。
点击创建虚拟环境。选择Venv创建。
也可以在终端里创建。
激活时发生报错。
原因是是在计算机上启动 Windows PowerShell 时，执行策略很可能是 Restricted（默认设置）。需要以管理员身份打开PowerShell 输入 set-executionpolicy remotesigned，就可以执行文件了。
8、依赖库的安装
使用“pip install”命令安装库。若安装速度慢可使用清华源，将库名替换到给定的清华源地址中。
pip install efinance==0.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pandas==1.5.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install numpy==1.23.5 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install matplotlib==3.7.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install scikit-learn==1.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
安装pandas==1.5.3有报错。
需要安装高版本C++。
安装pandas==1.5.3成功。
安装numpy==1.23.5有报错
尝试把numpy 2.2版本降级，pip install "numpy<2"
安装matplotlib==3.7.1成功。
安装scikit-learn==1.2.2报错
尝试安装，pip install --verbose scikit-learn。py可以正常运行。
执行pip list。查看安装结果。不太一样，但可以正常使用。
9、安装git
下载Git。
安装git。
验证安装：git --version
10、导入课程的代码
点击clone git repository>>输入代码地址即可获取课程源码。
11、设置字体，并运行代码
- Windows用户可以从 C:\Windows\Fonts 复制
完成所有准备部分后，请确保你的项目包含下面的文件👇
stock-prediction/
├── SimHei.ttf # 中文字体文件
├── stock_prediction.py # 主程序
└── README.md # 项目说明文档
点击右上角可以尝试运行代码，检测前面的准备步骤是否出错。如下所示，弹出了股价预测图。
12、从0到1写出代码
在当前文件夹右键新建新的文件，
在豆包中输入如下提示词。
我想要获取股票数据，用 python 代码，从哪里获取股票数据呢?
和文档里提供的结果差距很大，所以MarsCode每次生成的内容都是不同的。
如何运行这部分代码
安装
pip install yfinance
打开终端后将插入代码
执行报错，提交给MarsCode，重新生成代码。
应用之后采纳，重新执行。数据是空的。
修改下时间，重新执行。还是空，继续给MarsCode优化。
提问
帮我写 Python 代码分析股价的变化趋势
执行之后下载失败。
继续把问题给MarsCode来寻找答案。
尝试很多次，反复报错如下，MarsCode也给不出能用的答案了。
1 Failed download:
['AAPL']: YFRateLimitError('Too Many Requests. Rate limited. Try after a while.')
尝试下老师的代码，也是没有执行出来。
文档很丰满，操作很骨感哈。
13、使用MarsCode反复修复代码
复制如下代码，
import efinance as ef
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg') # 使用TkAgg后端
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from sklearn.ensemble import RandomForestRegressor
import os
from matplotlib.font_manager import FontProperties
import time
# 设置中文字体
font_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'SimHei.ttf')
custom_font = FontProperties(fname=font_path)
plt.rcParams['axes.unicode_minus'] = False
def get_stock_data(stock_code='GOOGL', start_date='20230101', end_date='20241130'):
"""获取股票数据"""
file_path = f'results/{stock_code}_{start_date}_{end_date}_history.csv'
if os.path.exists(file_path):
print(f"从本地加载{stock_code}的历史数据...")
df = pd.read_csv(file_path)
else:
print(f"从网络获取{stock_code}的历史数据...")
df = ef.stock.get_quote_history(stock_code, beg=start_date, end=end_date)
df.to_csv(file_path, encoding='utf-8', index=False)
df['日期'] = pd.to_datetime(df['日期'])
cols_to_keep = ['日期', '开盘', '收盘', '最高', '最低', '成交量', '成交额', '换手率']
df = df[cols_to_keep]
return df
def create_features(df):
"""创建特征"""
df = df.copy()
# 确保数值类型
numeric_cols = ['开盘', '收盘', '最高', '最低', '成交量', '成交额', '换手率']
for col in numeric_cols:
df[col] = pd.to_numeric(df[col], errors='coerce')
# 成交量相关特征
df['volume_price_ratio'] = df['成交量'] / df['收盘']
return df.dropna()
def prepare_data(df, target_col='收盘', test_size=0.2):
"""准备训练和测试数据"""
df = create_features(df)
feature_columns = [col for col in df.columns if col != target_col and col != '日期']
X = df[feature_columns].astype(float)
y = df[target_col].astype(float)
split_idx = int(len(df) * (1 - test_size))
X_train, X_test = X[:split_idx], X[split_idx:-1]
y_train, y_test = y[1:split_idx+1], y[split_idx+1:]
# y_test[-1:] = 300
#import ipdb; ipdb.set_trace()
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
return X_train_scaled, X_test_scaled, y_train, y_test, scaler, feature_columns, df['日期'][split_idx:]
def plot_predictions_dynamic(dates, y_test, y_pred, stock_code='GOOGL', start_from=100):
"""动态绘制预测结果，预测点和实际点交替显示"""
plt.ion() # 打开交互模式
# 转换数据为numpy数组，确保可以通过索引访问
y_test = np.array(y_test)
y_pred = np.array(y_pred)
# 从指定天数开始的数据
dates = dates[start_from:]
y_test = y_test[start_from:]
y_pred = y_pred[start_from:]
fig, ax = plt.subplots(figsize=(15, 8))
plt.title('股价预测结果和实际股价对比图', fontproperties=custom_font, fontsize=14, pad=20)
plt.xlabel('日期', fontproperties=custom_font, fontsize=12)
plt.ylabel('股价', fontproperties=custom_font, fontsize=12)
plt.grid(True, alpha=0.3)
# 设置坐标轴范围
ax.set_xlim(-1, len(dates))
ax.set_ylim(min(min(y_test), min(y_pred)) * 0.95,
max(max(y_test), max(y_pred)) * 1.05)
# 处理日期刻度
date_list = dates.tolist()
tick_indices = range(0, len(date_list), max(1, len(date_list)//10))
date_labels = [date_list[i].strftime('%Y-%m-%d') if isinstance(date_list[i], pd.Timestamp)
else pd.Timestamp(date_list[i]).strftime('%Y-%m-%d')
for i in tick_indices]
plt.xticks(list(tick_indices), date_labels, rotation=45)
# 初始化线条和散点
actual_line, = ax.plot([], [], 'black', label='实际值', linewidth=2)
pred_line, = ax.plot([], [], 'blue', label='预测值', alpha=0.7, linewidth=2)
actual_scatter = ax.scatter([], [], color='black', s=50, alpha=0.6)
pred_scatter = ax.scatter([], [], color='blue', s=50, alpha=0.6)
plt.legend(prop=custom_font)
plt.tight_layout()
# 动态更新数据
actual_x_data = []
actual_y_data = []
pred_x_data = []
pred_y_data = []
try:
# 交替显示预测点和实际点
for i in range(len(y_test)):
# 先显示预测点
pred_x_data.append(i)
pred_y_data.append(y_pred[i])
pred_line.set_data(pred_x_data, pred_y_data)
pred_scatter.set_offsets(np.c_[pred_x_data, pred_y_data])
# 更新图形
fig.canvas.draw()
fig.canvas.flush_events()
time.sleep(0.3) # 暂停一小段时间
# 再显示实际点
actual_x_data.append(i)
actual_y_data.append(y_test[i])
actual_line.set_data(actual_x_data, actual_y_data)
actual_scatter.set_offsets(np.c_[actual_x_data, actual_y_data])
# 更新图形
fig.canvas.draw()
fig.canvas.flush_events()
time.sleep(0.1) # 暂停一小段时间
except Exception as e:
print(f"绘图过程中发生错误: {str(e)}")
print(f"当前索引: {i}")
print(f"数据形状: y_test: {y_test.shape}, y_pred: {y_pred.shape}")
plt.ioff() # 关闭交互模式
plt.show()
return fig
def plot_feature_importance(feature_columns, importance, top_n=10):
"""绘制特征重要性"""
importance_dict = dict(zip(feature_columns, importance))
importance_sorted = dict(sorted(importance_dict.items(), key=lambda x: x[1], reverse=True)[:top_n])
plt.figure(figsize=(12, 6))
plt.bar(importance_sorted.keys(), importance_sorted.values())
plt.xticks(rotation=45, ha='right')
plt.title('特征重要性排序', fontproperties=custom_font, fontsize=14)
plt.xlabel('特征', fontproperties=custom_font)
plt.ylabel('重要性', fontproperties=custom_font)
plt.tight_layout()
# 保存图片
plt.savefig('results/feature_importance.png', dpi=300, bbox_inches='tight')
return plt.gcf()
def main():
"""主函数"""
try:
# 设置随机种子
np.random.seed(42)
# 1. 获取数据
# 提示用户输入股票代码
stock_code = input("请输入股票代码（例如：MSFT）：")
# 提示用户输入开始日期
start_date = input("请输入开始日期（YYYYMMDD）：")
# 提示用户输入结束日期
end_date = input("请输入结束日期（YYYYMMDD）：")
# 获取股票数据
df = get_stock_data(stock_code, start_date=start_date, end_date=end_date)
print(f"数据获取完成，共 {len(df)} 条记录")
# 2. 准备数据
X_train, X_test, y_train, y_test, scaler, feature_columns, test_dates = prepare_data(df)
print(f"数据预处理完成，训练集大小: {X_train.shape}, 测试集大小: {X_test.shape}")
# 3. 训练随机森林模型
print("\n开始训练随机森林模型...")
model = RandomForestRegressor(n_estimators=200,
max_depth=10,
min_samples_split=5,
min_samples_leaf=2,
random_state=42)
model.fit(X_train, y_train)
# 4. 预测和评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("\n模型评估结果:")
print(f"R2分数: {r2:.4f}")
print(f"均方误差(MSE): {mse:.4f}")
print(f"均方根误差(RMSE): {rmse:.4f}")
print(f"平均绝对误差(MAE): {mae:.4f}")
# 5. 绘制动态预测图
fig = plot_predictions_dynamic(test_dates, y_test, y_pred, stock_code, start_from=20)
plt.show()
# 6. 绘制特征重要性
plot_feature_importance(feature_columns, model.feature_importances_)
return model, scaler, feature_columns
except Exception as e:
print(f"发生错误: {str(e)}")
raise
if __name__ == "__main__":
model, scaler, feature_columns = main()
向豆包MarsCode提问：
任务：创建一个完整的股票价格预测分析应用程序，包含数据获取、特征工程、模型训练和预测可视化等功能。
代码组织要求：
1. 使用函数式编程，保持代码结构清晰
2. 所有代码放在一个文件中，约250行
3. 使用英文注释和输出，避免中文编码问题
4. 每个功能模块间接口统一，确保数据流转顺畅
5. 符合Google Python代码规范
具体功能模块：
1. 数据获取：
- 使用efinance库实现数据获取
- 支持本地数据缓存功能
- 统一中英文列名转换
- 返回标准格式DataFrame
2. 特征工程：
- 计算成交量价格比
- 处理缺失值
3. 数据预处理：
- 特征标准化
- 训练测试集分割，准备训练和测试数据，使用当天的特征预测下一天的目标值
- 保持时间序列顺序
- 数据验证
4. 模型训练：
- 使用RandomForestRegressor
- 设置合适的模型参数
- 提供训练过程日志
- 返回训练好的模型
5. 模型评估：
- 计算R2分数
- 计算MSE和RMSE
- 计算MAE
- 格式化输出结果
6. 可视化展示：
- 预测结果对比图
- 特征重要性分析图
- 使用英文标签
- 支持图片保存
函数接口规范：
1. get_stock_data(stock_code: str, start_date: str, end_date: str) -> pd.DataFrame:
"""获取股票数据"""
2. create_features(df: pd.DataFrame) -> pd.DataFrame:
"""创建技术指标特征，只保留数值列返回新变量"""
3. prepare_data(df: pd.DataFrame, target_col: str, test_size: float) -> tuple:
"""准备训练和测试数据，使用当天的特征预测下一天的目标值"""
4. train_model(X_train: np.ndarray, y_train: np.ndarray) -> RandomForestRegressor:
"""训练模型"""
5. evaluate_predictions(y_true: np.ndarray, y_pred: np.ndarray) -> dict:
"""评估预测结果"""
6. plot_predictions(dates: pd.Series, y_true: np.ndarray, y_pred: np.ndarray, stock_code: str):
"""绘制预测结果"""
7. main() -> tuple:
"""主函数"""
数据示例：
股票名称 股票代码 日期 开盘 收盘 最高 最低 成交量 成交额 振幅 涨跌幅 涨跌额 换手率
0 谷歌-A GOOGL 2023-01-03 89.185 88.72 90.65 88.120 28131224 2.512678e+09 2.88 1.01 0.89 0.47
1 谷歌-A GOOGL 2023-01-04 89.950 87.68 90.25 86.871 34854776 3.074915e+09 3.81 -1.17 -1.04 0.58
数据流转说明：
1. get_stock_data获取原始数据
2. create_features处理原始数据生成特征
3. prepare_data准备训练数据
4. train_model训练模型
5. evaluate_predictions评估结果
6. plot_predictions可视化
关键要求：
1. 所有函数都要有完整的文档字符串
2. 包含异常处理机制
3. 提供进度提示信息
4. 保持代码简洁易读
5. 避免复杂的依赖关系
完整示例用法：
```python
if __name__ == "__main__":
# 设置股票代码和日期范围
stock_code = 'MSFT'
start_date = '20230101'
end_date = '20241030'
# 运行主程序
model, scaler, feature_cols = main()
如何运行代码
运行代码报错，之后选中，然后让MarsCode来修复。
反复修改各种报错。
最后生成股票的预测图。
最终代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
import efinance as ef
def get_stock_data(stock_code: str, start_date: str, end_date: str) -> pd.DataFrame:
"""
获取股票数据
:param stock_code: 股票代码
:param start_date: 开始日期
:param end_date: 结束日期
:return: 包含股票数据的DataFrame
"""
try:
# 尝试从本地缓存读取数据
df = pd.read_csv(f"{stock_code}_{start_date}_{end_date}.csv")
print("Data loaded from cache.")
except FileNotFoundError:
# 如果本地缓存不存在，则从网络获取数据
print("Fetching data from the web...")
df = ef.stock.get_quote_history(stock_code, beg=start_date, end=end_date)
# 将数据保存到本地缓存
df.to_csv(f"{stock_code}_{start_date}_{end_date}.csv", index=False)
print("Data fetched and saved to cache.")
# 将日期列转换为 datetime 类型，并设置为索引
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
return df
def create_features(df: pd.DataFrame, target_col: str) -> pd.DataFrame:
"""
创建技术指标特征，保留目标列（'收盘'）并只返回数值列
:param df: 包含原始数据的DataFrame
:param target_col: 目标列名
:return: 包含新特征的DataFrame
"""
# 计算成交量价格比
df['volume_price_ratio'] = df['成交量'] / df['成交额']
# 处理缺失值
df.fillna(method='ffill', inplace=True)
# 只保留数值列，并确保目标列被保留
df = df.select_dtypes(include=[np.number])
return df
def prepare_data(df: pd.DataFrame, target_col: str, test_size: float) -> tuple:
"""
准备训练和测试数据，使用当天的特征预测下一天的目标值
:param df: 包含特征和目标值的DataFrame
:param target_col: 目标值列名
:param test_size: 测试集占比
:return: 包含训练集和测试集的元组
"""
# 特征标准化
scaler = StandardScaler()
X = df.drop(target_col, axis=1) # 删除目标列
y = df[target_col] # 目标列
X_scaled = scaler.fit_transform(X) # 特征标准化
# 训练测试集分割，保持时间序列顺序
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=test_size, shuffle=False)
return X_train, X_test, y_train, y_test, scaler
def train_model(X_train: np.ndarray, y_train: np.ndarray) -> RandomForestRegressor:
"""
训练模型
:param X_train: 训练集特征
:param y_train: 训练集目标值
:return: 训练好的模型
"""
print("Training the model...")
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
print("Model training completed.")
return model
def evaluate_predictions(y_true: np.ndarray, y_pred: np.ndarray) -> dict:
"""
评估预测结果
:param y_true: 真实目标值
:param y_pred: 预测目标值
:return: 包含评估指标的字典
"""
r2 = r2_score(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_true, y_pred)
return {'R2 Score': r2, 'MSE': mse, 'RMSE': rmse, 'MAE': mae}
def plot_predictions(dates: pd.Series, y_true: np.ndarray, y_pred: np.ndarray, stock_code: str):
"""
绘制预测结果，并智能调整时间横轴的密集程度
:param dates: 日期序列
:param y_true: 真实目标值
:param y_pred: 预测目标值
:param stock_code: 股票代码
"""
plt.figure(figsize=(12, 6))
# 确保 dates 是 pandas 的 datetime 类型，不要转换成字符串
plt.plot(dates, y_true, label='True Values')
plt.plot(dates, y_pred, label='Predicted Values')
plt.title(f"Stock Price Prediction for {stock_code}")
plt.xlabel('Date')
plt.ylabel('Price')
# 获取时间跨度（最大日期 - 最小日期）
time_span = (dates.max() - dates.min()).days
# 根据时间跨度智能调整日期的显示
ax = plt.gca()
if time_span > 365: # 超过一年，按月显示日期
ax.xaxis.set_major_locator(mdates.MonthLocator())
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m')) # 显示年份和月份
elif time_span > 31: # 超过一个月，按周显示日期
ax.xaxis.set_major_locator(mdates.WeekdayLocator())
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d')) # 显示年份、月份和日期
else: # 小于一个月，按天显示日期
ax.xaxis.set_major_locator(mdates.DayLocator())
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d')) # 显示年份、月份和日期
# 自动旋转 x 轴标签以防止重叠
plt.xticks(rotation=45)
# 显示图例
plt.legend()
plt.tight_layout() # 确保布局不被压缩
plt.savefig(f"{stock_code}_prediction.png")
plt.show()
def main() -> tuple:
"""
主函数
:return: 训练好的模型、标准化器和特征列名
"""
# 设置股票代码和日期范围
stock_code = input("请输入股票代码: ")
start_date = input("请输入开始日期（格式为YYYYMMDD）: ")
end_date = input("请输入结束日期（格式为YYYYMMDD）: ")
# 获取股票数据
df = get_stock_data(stock_code, start_date, end_date)
# 创建特征
target_col = '收盘'
df = create_features(df, target_col)
# 准备数据
X_train, X_test, y_train, y_test, scaler = prepare_data(df, target_col, test_size=0.2)
# 训练模型
model = train_model(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 评估预测结果
evaluation = evaluate_predictions(y_test, y_pred)
print("Model Evaluation:")
for metric, value in evaluation.items():
print(f"{metric}: {value}")
# 可视化预测结果
plot_predictions(df.index[-len(y_test):], y_test, y_pred, stock_code)
return model, scaler, df.columns.drop(target_col)
if __name__ == "__main__":
main()
14、总结
1）零基础的话，MarsCode可以做一个入门编程指导老师，通过提问可以学习一步步怎么写代码，执行代码等等。
2）对小白来说的话，我认为最大的难点可能在于基础环境的搭建，在安装python依赖的时候花了5个小时，总有各种报错，可能有些报错比较简单，但对小白来说就是看不懂，只能各种MarsCode或者百度来一个个尝试。
3）使用MarsCode来优化代码的时候，实际遇到的情况就是MarsCode给出的一种方式不行的时候，再优化MarsCode会陷入循环，一直提供都是同一种方式，可能它也没有别的方式。对于小白来说，这个问题就不好自己解决了。
4）纸上得来终觉浅，还是要动手多操作。纵然是按着文档或者老师一步步来，也可能是不同的结果。
5）MarsCode还是很强大，一些初级代码它都写的很好，绝对是提升生产力的工具。
感兴趣的小伙伴，可以一起来MarsCodde共学，报名链接 。
