problem
stringlengths 4.96k
7.57k
| gold_standard_solution
stringclasses 57
values | verification_info
dict | metadata
dict |
|---|---|---|---|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前20个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
import pandas as pd
def check_meu_51_2(df):
'''
验证MEU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前20个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['meu_51_2_subject'] = True # 所有公司均为上市公司
df['meu_51_2_condition'] = df['回购方式'] == '要约回购'
df['meu_51_2_constraint'] = None # 默认设为False
# 计算前20日交易均价逻辑（使用收盘价算术平均）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的20日收盘价算术平均
avg_price_list = []
for _, row in valid_resolutions.iterrows():
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
# 计算收盘价算术平均值
avg_price = last_20['收盘价'].mean()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': avg_price
})
# 步骤3：合并参考价格到主表
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_meu_51_2(df):
'''
验证MEU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前20个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['meu_51_2_subject'] = True # 所有公司均为上市公司
df['meu_51_2_condition'] = df['回购方式'] == '要约回购'
df['meu_51_2_constraint'] = None # 默认设为False
# 计算前20日交易均价逻辑（使用收盘价算术平均）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的20日收盘价算术平均
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前20个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_20 = sorted_dates.head(20)
if len(last_20) == 20:
# 计算收盘价算术平均值
avg_price = last_20['收盘价'].mean()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': avg_price
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'meu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 3,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 2,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前20个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
'''
df = df.copy()
# 初始化标记列
df['meu_51_2_subject'] = True # 所有公司均为上市公司
df['meu_51_2_condition'] = df['回购方式'] == '要约回购'
df['meu_51_2_constraint'] = None # 默认设为False
# 计算前20日交易均价逻辑（使用收盘价算术平均）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的20日收盘价算术平均
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
last_20 = sorted_dates.head(20)
if len(last_20) == 20:
# 计算收盘价算术平均值
avg_price = last_20['收盘价'].mean()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': avg_price
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'meu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_meu_51_2(df):
'''
验证MEU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前20个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['meu_51_2_subject'] = True # 所有公司均为上市公司
df['meu_51_2_condition'] = df['回购方式'] == '要约回购'
df['meu_51_2_constraint'] = None # 默认设为False
# 计算前20日交易均价逻辑（使用收盘价算术平均）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的20日收盘价算术平均
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前20个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_20 = sorted_dates.head(20)
if len(last_20) == 20:
# 计算收盘价算术平均值
avg_price = last_20['收盘价'].mean()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': avg_price
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'meu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 4,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 2,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前10个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
|
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 0,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 0,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前10个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 1,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 1,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前10个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 2,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 2,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前10个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
import pandas as pd
def check_cu_51_2(df):
'''
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 3,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 2,
"variant": "1"
}
|
# 身份
你是一个精通法律的程序员. 擅长编写代码以检验特定案例对于特定法律要求的合规性.
## ComplianceUnit概念简述
ComplianceUnit是法律条文拆解出的合规检查单元，包含：
- cu_id: ComplianceUnit的编号, 通常为"cu_n_k", 其中n是其所属的法条的编号, k是其在法条内部的编号
- subject: 责任主体（如"控股股东")
- condition: 触发条件（如"减持股份")
- constraint: 约束内容（如"提前15日公告")
- contextual_info: 补充说明（如价格计算方式）
# 任务
你现在面临一个编写代码以检验某法律事件的合规性的任务, 你需要编写一个函数, 这个函数的输入是一个日频的pandas dataframe, 每一行是在某个交易日内公司的情况和股东的情况, 这个函数会检验该dataframe的每一行在某一个给定的法律合规单元上的合规性, 标注在特定的列上, 并返回标注后的dataframe.
# 更多要求
- 你可以进行任意长度的思考, 然后用<CODE></CODE>包裹你的代码.
- 你需要按照下面这个框架编写代码:
- 1. 标记valid的subject(cu_n_k_subject); (复合subject的行标记为True, 不符合的为False)
- 2. 标记valid的condition(cu_n_k_condition); (符合condition的行标记为True, 不符合的为False)
- 3. 标记valid的constraint(cu_n_k_constraint); (符合constraint的行标记为True, 不符合的为False)
- 4. 在dataframe中记录subject, condition和constraint的valid情况;
- 注意: 对于简单操作dataframe就可以处理的项目, 对三元组<subject, conditon, constraint>的检查是各自独立的, 你需要分别标记三元组的True和False. 并不是只对符合subject和condition进行检查. 对于需要调用llm_content_check()函数的项目, 只对符合<subject, conditon>的constraint进行检查.
# example
下面是一个例子:
## 输入
法律的合规单元编号: cu_4_1
法律的合规单元内容: {"subject": "上市公司大股东 | 董监高", "condition": "计划通过本所集中竞价或大宗交易减持股份", "constraint": "应当及时通知公司，并在首次卖出的15个交易日前向本所报告并预先披露减持计划", "contextual_info": NaN}
必要的额外信息: NaN
## 输出
<CODE>
import pandas a pd
def check_cu_4_1(df):
'''
检查cu_4_1的合规性：
主体：上市公司大股东 | 董监高
条件：存在通过竞价/大宗交易的减持计划
约束：首次卖出前至少15个交易日披露
'''
df = df.copy()
# 初始化标记列
df['cu_4_1_subject'] = False
df['cu_4_1_condition'] = False
df['cu_4_1_constraint'] = None
# 1. 验证责任主体
is_major = (
df['股东身份'].isin(['控股股东', '实际控制人', '持股5%以上股东']) |
(df['持股比例'] >= 0.05)
)
is_director = df['股东身份'] == '董监高'
df.loc[is_major | is_director, 'cu_4_1_subject'] = True
# 2. 验证触发条件
valid_condition = (
df['减持方式'].isin(['竞价交易', '大宗交易']) &
df['存在减持计划']
)
df.loc[valid_condition, 'cu_4_1_condition'] = True
# 3. 核心改进：准确识别首次卖出日
def process_group(group):
group = group.sort_values('日期')
plans = []
current_plan = None
# 识别减持计划区间
for _, row in group.iterrows():
if row['存在减持计划']:
if current_plan is None:
current_plan = {
'披露日': row['计划披露日'],
'开始日': row['计划开始日'],
'减持记录': []
}
if row['当日减持比例'] > 0:
current_plan['减持记录'].append(row['日期'])
else:
if current_plan:
plans.append(current_plan)
current_plan = None
if current_plan:
plans.append(current_plan)
# 提取首次卖出日
return pd.DataFrame([{
'公司简称': group['公司简称'].iloc[0],
'股东': group['股东'].iloc[0],
'计划披露日': p['披露日'],
'首次卖出日': min(p['减持记录']) if p['减持记录'] else pd.NaT
} for p in plans])
# 按分组处理并合并
plan_info = df.groupby(['公司简称', '股东'], group_keys=False).apply(process_group)
df = df.merge(
plan_info,
on=['公司简称', '股东', '计划披露日'],
how='left'
) if not plan_info.empty else df.assign(首次卖出日=pd.NaT)
# 4. 交易日差计算（改进点：使用首次卖出日而非计划开始日）
trading_dates = pd.Series(df['日期'].unique()).sort_values().reset_index(drop=True)
date_map = {date: idx for idx, date in enumerate(trading_dates)}
df['交易日差'] = df.apply(
lambda x: date_map.get(x['首次卖出日'], np.nan) - date_map.get(x['计划披露日'], np.nan),
axis=1
)
# 5. 验证约束条件
# 至少提前15个交易日披露
df['cu_4_1_constraint'] = (df['交易日差'] >= 15)
return df
</CODE>
# 下面轮到你来完成这个任务
法律的合规检查单元编号: cu_51_2
法律的合规检查单元内容: {"subject": "上市公司","condition": "实施要约回购","constraint": "要约价格不得低于回购股份方案公告日前10个交易日该种股票每日加权平均价的算术平均值","contextual_info": null}
必要的额外信息: 方案公告日按照'决议通过日'计算, 只检查当日情况, 价格的计算也以该日为基准; 计算均价时采用收盘价代表该日价格, 不考虑日内价格变化. 不考虑取不到30个交易日的情况, 一定能取到.
你被分配的ComplianceUnit coding任务存在refer_to关系, 你需要参考下面这个ComplianceUnit的必要内容来完成你被安排的任务, 但你不需要直接执行下面的ComplianceUnit:
【cu_75_1】
{"subject": NaN, "condition": NaN, "constraint": NaN, "contextual_info": "交易均价的计算方式为：董事会审议通过回购股份决议前N个交易日（不含停牌日）的股票交易总额除以股票交易总量，且不包含大宗交易"}
# 附加信息
## 你可以操作的dataframe的columns:
[
# 基本信息
'日期', '公司简称', '公司法律情况',
# 股票信息
'收盘价', '总股本', '日收益率', '前收盘价', '上市日期', '发行价格',
'净资产', '净利润', '每股净资产', '每股净利润',
# 财务信息
'公告类型', '公告日期', '收盘价减每股净资产', '收盘价减每股净利润',
# 回购行为
'存在回购方案', '决议通过日', '实施开始日', '实施截止日',
'回购方式', '回购用途', '回购数量上限', '回购数量下限', '资金总额上限', '资金总额下限', '要约期限', '要约价格',
'申报价格', '当日回购数量', '累计回购数量', '已使用资金',
# 以集中竞价方式出售已回购的股份
'出售计划披露日', '存在出售计划', '出售开始日', '出售截止日', '拟出售比例','拟出售数量', '当日出售价格', '当日出售比例', '当日出售数量', '累计出售数量', '累计出售比例', '计划内累计出售比例', '披露出售进展',
]
## 其中:
- 这是一个二维的面板数据, 根据['日期', '公司简称']可以定位到特定公司在特定日期的状态. 数据已经按照公司简称和日期排序.
- 所有公司均为在本交易所上市的上市公司
- 所有日期相关的列都已经是pd.datetime格式, ['日期']列本身就是交易日, 不需要额外计算交易日, 但如需自然日, 要另行计算.
- 所有价格的单位都是元而非万元, 千元或百万元; 所有的比例都是小数而非百分数
- '公司法律情况'columns存在空值或者"重大违法行为"字符串
- ['存在回购方案', '存在出售计划']为布尔值, 表示当日是否存在股份回购方案或以集中竞价方式出售已回购股份的计划
- 关于股份回购行为
'决议通过日'是董事会或者股东大会最终审议通过股份回购方案的日期), ['实施开始日', '实施截止日']是该方案披露的相关日期.
'回购方式'有['竞价回购', '要约回购']两种情况, '回购用途'有['维护公司价值及股东权益所必需', '股权激励或者员工持股计划', '转换上市公司发行的可转换为股票的公司债券']
note:
- 理论上你撰写合规检验代码所需要的数据都可以从一致的数据中得到, 对于没有直接对应的数据你需要自己计算得到, 不要简单地认为无法完成.
- 除非材料提供, 否则不要主动进行简化的假设. 如果你认为所给的信息不足以判断案例的合规性, 可以在函数的结尾进行注释说明. 但这种情况应该很少出现.
你被分配的题目是代码补全任务，有部分代码被 mask 掉的 Ground Truth 代码作为提示，请你仔细思考代码结构和ComplianceUnit的联系，补全 Ground Truth 代码。你仍然需要输出<CODE></CODE>包过的完整代码。
以下是被 mask 掉的 GT 代码:
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
______MASKED______
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
```python
import pandas as pd
def check_cu_51_2(df):
'''
验证CU_51_2合规性：
- subject: 上市公司（所有行自动满足）
- condition: 实施要约回购（回购方式为要约回购）
- constraint: 要约价格不低于方案公告日前10个交易日平均价
'''
df = df.copy()
# 初始化标记列
df['cu_51_2_subject'] = True # 所有公司均为上市公司
df['cu_51_2_condition'] = df['回购方式'] == '要约回购'
df['cu_51_2_constraint'] = None # 默认设为False
# 计算前10日交易均价逻辑（以成交量加权）
# 步骤1：提取有效决议记录
valid_resolutions = df[['公司简称', '决议通过日']].dropna().drop_duplicates()
# 步骤2：计算每个决议对应的10日成交量加权均价
avg_price_list = []
for _, row in valid_resolutions.iterrows():
company = row['公司简称']
resolution_date = row['决议通过日']
# 获取决议日前10个交易日数据
company_data = df[(df['公司简称'] == company) & (df['日期'] < resolution_date)]
sorted_dates = company_data.sort_values('日期', ascending=False)
last_10 = sorted_dates.head(10)
if len(last_10) == 10:
# 计算成交量加权平均收盘价
weighted_avg = (last_10['收盘价'] * last_10['成交量']).sum() / last_10['成交量'].sum()
avg_price_list.append({
'公司简称': company,
'决议通过日': resolution_date,
'ref_price': weighted_avg
})
# 步骤3：合并参考价格到主表
if avg_price_list:
ref_df = pd.DataFrame(avg_price_list)
df = df.merge(ref_df, on=['公司简称', '决议通过日'], how='left')
# 步骤4：执行价格比较（仅当要约价格和参考价均存在时）
price_mask = df['要约价格'].notna() & df['ref_price'].notna()
df.loc[price_mask, 'cu_51_2_constraint'] = df.loc[price_mask, '要约价格'] >= df.loc[price_mask, 'ref_price']
# 清理临时列
df.drop(columns=['ref_price'], inplace=True)
return df
```
|
{
"language": "python",
"test_code": "```python\n# 读取模拟数据\nimport pandas as pd\ndf = pd.read_csv('data_simulation/data_generated/data_simulate_04.csv')\ndate_columns = ['日期', '决议通过日', '实施开始日', '实施截止日', '上市日期', '公告日期', '出售开始日', '出售截止日']\nfor col in date_columns:\n df[col] = pd.to_datetime(df[col])\n```"
}
|
{
"compliance_unit_id": "cu_51_2",
"derived_derived_id": 4,
"derived_id": 1,
"id": "cu_51_2_1",
"law_article_id": 51,
"law_document_id": "BSE04",
"mask_count": 2,
"variant": "1"
}
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.