开场
Python 进行数据分析和价值挖掘是当前炙手可热的技术领域，如何高效地管理大量数据是其中非常关键的环节。数据库是最佳的解决方案之一，目前流行的数据库有Oracle、MySQL、MongoDB、Redis、SQLite……关于数据库的选型通常取决于性能、数据完整性以及应用方面的需求。
当然，适合自己的才是最好的！
- 假如有朋友是在第三方平台上做回测、模拟交易的，那么完全不用考虑数据库的问题，平台都替大家管理好了。
- 假如有朋友不习惯这些平台的风格和使用习惯，想自己搭建一套属于自己的量化框架，那么数据管理是非常重要的，毫不犹豫的要上数据库了。
如何选择数据库呢？
想必大家耳熟能详的几款一定是Oracle、MySQL、MongoDB、Redis……这些数据库的确非常优秀，无论是功能还是性能都非常强大，是企业级别应用的最佳选择。但是也会带来一个问题——上手难度大，学习成本太高，对于个体的量化交易者来说，有点杀鸡用牛刀了，好不容易上手了，发现只是用到了冰山一角的功能，白忙活一阵！
于是诞生了今天的主题！
本场Chat推荐一款Python内置的轻型数据库——SQLite3，它本身是用C写的，不但体积小巧，而且处理速度快，非常适合用于Python金融量化分析爱好者在本地实现数据管理。
推荐理由
DB-Engines发布的全球数据库流行度排名，如下图所示。
排名前五的一如既往还是Oracle、MySQL、Microsoft SQL Server、PostgreSQL、MongoDB。
不过每个数据库都有它的特点和最适合的应用场合，这里我们推荐一款轻型的关系型数据库SQLite，目前已经发布SQLite 3 版本，尽管SQLite几乎每个月都保持在10名左右，但我们还是强力推荐。
此处推荐理由如下
- SQLite本身是C写，所以体积小巧，占用资源低
- SQLite本身是C写，所以处理速度非常快
- SQLite3支持Windows/Linux/Unix等主流操作系统
- Python 2.5.x 以上版本默认内置SQLite3，无需单独安装和配置，直接使用！！！
当我们仅仅是用于本地的数据管理，无需多用户访问，数据容量小于2T，无需海量数据处理，关键是要求移植方便、使用简单、处理迅速的话，SQLite确实是个很不错的选择。
专题简介
本场Chat以股票交易数据为例具体介绍如下内容：
- 概述SQLite的发展和特点
- Python操作SQLite的API介绍
- Pandas操作SQLite的API介绍
- 建立SQLite股票行情数据库
- 基于SQLite股票行情数据分析
本场Chat 适用于具备Python 基础能力的同学，从中可以掌握在Python下通过SQLite实现大数据分析的技巧。
于是基于SQLite股票行情数据分析可以这样做。
比如查询'20190128'这天交易日收盘价在9到10元，涨幅超过5%的股票。
df = pd.read_sql_query("select *from 'STOCK000002' where close > 9 and close < 10 and pct_chg > 5 and trade_date == '20190128'", conn)
比如查询股价日涨幅超过5%的个股在19年1月至2月的分布，可以结合groupby()按关键字分组来实现功能。
df = pd.read_sql_query("select *from 'STOCK000002' where pct_chg > 5", conn) count_=df.groupby('trade_date')['ts_code'].count()
我们将分布情况用条形图展现。
同样的方法我们绘制出在19年1月至2月的期间，股价跌幅超过5%的分布图。
