該系列視頻已經(jīng)搬運(yùn)至bilibili：?點(diǎn)擊查看

歡迎來(lái)到Python for Finance教程系列的第3部分。在本教程中，我們將使用我們的股票數(shù)據(jù)進(jìn)一步分解一些基本的數(shù)據(jù)操作和可視化。我們將要使用的開(kāi)始代碼(在前面的教程中已經(jīng)介紹過(guò))是：

import datetime as dt

import matplotlib.pyplot as plt

from matplotlib import style

import pandas as pd

import pandas_datareader.data as web

style.use('ggplot')

df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0)

pandas模塊配備了一系列可以利用的內(nèi)置功能，以及創(chuàng)建自定義pandas功能的方法。稍后我們將介紹一些自定義函數(shù)，但現(xiàn)在讓我們對(duì)這些數(shù)據(jù)執(zhí)行一個(gè)非常常見(jiàn)的操作：移動(dòng)平均線moving averages。

簡(jiǎn)單移動(dòng)平均線的想法是花時(shí)間窗口，并計(jì)算該窗口中的平均價(jià)格。然后我們把這個(gè)窗口轉(zhuǎn)過(guò)一段時(shí)間，然后再做一次。在我們的例子中，我們將執(zhí)行100日均線(100ma)。因此，這將采用當(dāng)前價(jià)格，并將過(guò)去99天的價(jià)格加起來(lái)除以100，然后確定當(dāng)前的100日均線。然后我們移動(dòng)窗戶超過(guò)1天，然后再做同樣的事情。在pandas中這樣做很簡(jiǎn)單：

df['100ma'] = df['Adj Close'].rolling(window=100).mean()

做df ['100ma']允許我們重新定義包含現(xiàn)有列的內(nèi)容(如果我們有一個(gè)名為“100ma”的)，或者創(chuàng)建一個(gè)新列，這就是我們?cè)谶@里所做的。我們說(shuō)df ['100ma']列等同于應(yīng)用滾動(dòng)方法的df ['Adj Close']列，窗口為100，這個(gè)窗口將是一個(gè)平均值( )(平均)操作。

現(xiàn)在，我們可以這樣做：

print(df.head())

Date Open High Low Close Volume \

Date

2010-06-29 2010-06-29 19.000000 25.00 17.540001 23.889999 18766300

2010-06-30 2010-06-30 25.790001 30.42 23.299999 23.830000 17187100

2010-07-01 2010-07-01 25.000000 25.92 20.270000 21.959999 8218800

2010-07-02 2010-07-02 23.000000 23.10 18.709999 19.200001 5139800

2010-07-06 2010-07-06 20.000000 20.00 15.830000 16.110001 6866900

Adj Close 100ma

Date

2010-06-29 23.889999 NaN

2010-06-30 23.830000 NaN

2010-07-01 21.959999 NaN

2010-07-02 19.200001 NaN

2010-07-06 16.110001 NaN

發(fā)生了什么？ 在100ma列下，我們只看到NaN。 我們選擇了100個(gè)移動(dòng)平均線，理論上需要100個(gè)之前的數(shù)據(jù)點(diǎn)進(jìn)行計(jì)算，所以我們?cè)谇?00行中不會(huì)有任何數(shù)據(jù)。 NaN的意思是“Not a Number”。 在Pandas，你可以決定做許多事情與缺失的數(shù)據(jù)，但現(xiàn)在，讓我們實(shí)際上只是改變最小周期參數(shù)：

df['100ma'] = df['Adj Close'].rolling(window=100,min_periods=0).mean()

print(df.head())

Date Open High Low Close Volume \

Date

2010-06-29 2010-06-29 19.000000 25.00 17.540001 23.889999 18766300

2010-06-30 2010-06-30 25.790001 30.42 23.299999 23.830000 17187100

2010-07-01 2010-07-01 25.000000 25.92 20.270000 21.959999 8218800

2010-07-02 2010-07-02 23.000000 23.10 18.709999 19.200001 5139800

2010-07-06 2010-07-06 20.000000 20.00 15.830000 16.110001 6866900

Adj Close 100ma

Date

2010-06-29 23.889999 23.889999

2010-06-30 23.830000 23.860000

2010-07-01 21.959999 23.226666

2010-07-02 19.200001 22.220000

2010-07-06 16.110001 20.998000

看吧，現(xiàn)在生效了，現(xiàn)在我們想看看它！ 但是我們已經(jīng)看到了簡(jiǎn)單的圖表，稍微復(fù)雜一點(diǎn)的東西呢？

ax1 = plt.subplot2grid((6,1), (0,0), rowspan=5, colspan=1)

ax2 = plt.subplot2grid((6,1), (5,0), rowspan=1, colspan=1,sharex=ax1)

基本上，我們說(shuō)我們要?jiǎng)?chuàng)建兩個(gè)子圖，并且這兩個(gè)子圖都會(huì)像6x1網(wǎng)格一樣工作，我們有6行1列。 第一個(gè)子圖從該網(wǎng)格上的(0,0)開(kāi)始，跨越5行，并跨越1列。 下一個(gè)軸也位于6x1網(wǎng)格上，但它始于(5,0)，跨越1行和1列。 第二個(gè)軸也有sharex = ax1，這意味著ax2將始終將其x軸與ax1的x軸對(duì)齊，反之亦然。 現(xiàn)在我們只是制作我們的地塊：

ax1.plot(df.index, df['Adj Close'])

ax1.plot(df.index, df['100ma'])

ax2.bar(df.index, df['Volume'])

plt.show()

綜上，我們繪制了第一軸上的close和100ma，第二軸上的volume。 我們的結(jié)果：

完整的代碼到目前為止：

import datetime as dt

import matplotlib.pyplot as plt

from matplotlib import style

import pandas as pd

import pandas_datareader.data as web

style.use('ggplot')

df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0)

df['100ma'] = df['Adj Close'].rolling(window=100, min_periods=0).mean()

print(df.head())

ax1 = plt.subplot2grid((6,1), (0,0), rowspan=5, colspan=1)

ax2 = plt.subplot2grid((6,1), (5,0), rowspan=1, colspan=1, sharex=ax1)

ax1.plot(df.index, df['Adj Close'])

ax1.plot(df.index, df['100ma'])

ax2.bar(df.index, df['Volume'])

plt.show()

在接下來(lái)的幾節(jié)教程中，我們將學(xué)習(xí)如何通過(guò)Pandas數(shù)據(jù)重采樣制作燭臺(tái)圖形，并學(xué)習(xí)更多關(guān)于使用Matplotlib的知識(shí)。

總結(jié)

以上是生活随笔為你收集整理的python股票分析系列_Python股票分析系列——基础股票数据操作（一）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。