首页 > 其他分享 >3.3-时间序列和Resample函数

3.3-时间序列和Resample函数

时间：2023-10-18 15:36:23浏览次数：23  
标签：12 Resample 01 2019 3.3 2022 序列 2020 2021

3.3-时间序列和Resample函数    

3.3.1 时间序列

  • index横坐标为日期数据
  • 数据导入：pandas reader

3.3.2 Resample函数

  • 计数、均值、方差、累加、累乘
  • 周期转换
  • 数据验证: for循环vs内置函数
  In [ ]: 
pip install pandas_datareader
    
Collecting pandas_datareader
  Downloading pandas_datareader-0.10.0-py3-none-any.whl (109 kB)
     ---------------------------------------- 0.0/109.5 kB ? eta -:--:--
     --- ------------------------------------ 10.2/109.5 kB ? eta -:--:--
     ---------- -------------------------- 30.7/109.5 kB 262.6 kB/s eta 0:00:01
     ------------------------ ------------ 71.7/109.5 kB 435.7 kB/s eta 0:00:01
     ------------------------------------ 109.5/109.5 kB 576.9 kB/s eta 0:00:00
Collecting lxml (from pandas_datareader)
  Obtaining dependency information for lxml from https://files.pythonhosted.org/packages/80/2e/49751104148b03ad880aaf381cc24d67b7d8f401f7d074ad7db4f6d95597/lxml-4.9.3-cp39-cp39-win_amd64.whl.metadata
  Downloading lxml-4.9.3-cp39-cp39-win_amd64.whl.metadata (3.9 kB)
Requirement already satisfied: pandas>=0.23 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from pandas_datareader) (2.1.1)
Collecting requests>=2.19.0 (from pandas_datareader)
  Obtaining dependency information for requests>=2.19.0 from https://files.pythonhosted.org/packages/70/8e/0e2d847013cb52cd35b38c009bb167a1a26b2ce6cd6965bf26b47bc0bf44/requests-2.31.0-py3-none-any.whl.metadata
  Using cached requests-2.31.0-py3-none-any.whl.metadata (4.6 kB)
Requirement already satisfied: numpy>=1.22.4 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from pandas>=0.23->pandas_datareader) (1.26.0)
Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from pandas>=0.23->pandas_datareader) (2.8.2)
Requirement already satisfied: pytz>=2020.1 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from pandas>=0.23->pandas_datareader) (2023.3.post1)
Requirement already satisfied: tzdata>=2022.1 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from pandas>=0.23->pandas_datareader) (2023.3)
Collecting charset-normalizer<4,>=2 (from requests>=2.19.0->pandas_datareader)
  Obtaining dependency information for charset-normalizer<4,>=2 from https://files.pythonhosted.org/packages/b3/c5/edc62435a27b017a5826d215f25ef3ab02b8b68d37b6e64cf5b602f1b55d/charset_normalizer-3.3.0-cp39-cp39-win_amd64.whl.metadata
  Downloading charset_normalizer-3.3.0-cp39-cp39-win_amd64.whl.metadata (33 kB)
Collecting idna<4,>=2.5 (from requests>=2.19.0->pandas_datareader)
  Using cached idna-3.4-py3-none-any.whl (61 kB)
Collecting urllib3<3,>=1.21.1 (from requests>=2.19.0->pandas_datareader)
  Obtaining dependency information for urllib3<3,>=1.21.1 from https://files.pythonhosted.org/packages/26/40/9957270221b6d3e9a3b92fdfba80dd5c9661ff45a664b47edd5d00f707f5/urllib3-2.0.6-py3-none-any.whl.metadata
  Downloading urllib3-2.0.6-py3-none-any.whl.metadata (6.6 kB)
Collecting certifi>=2017.4.17 (from requests>=2.19.0->pandas_datareader)
  Obtaining dependency information for certifi>=2017.4.17 from https://files.pythonhosted.org/packages/4c/dd/2234eab22353ffc7d94e8d13177aaa050113286e93e7b40eae01fbf7c3d9/certifi-2023.7.22-py3-none-any.whl.metadata
  Using cached certifi-2023.7.22-py3-none-any.whl.metadata (2.2 kB)
Requirement already satisfied: six>=1.5 in c:\users\dengzl\.conda\envs\data_analysis\lib\site-packages (from python-dateutil>=2.8.2->pandas>=0.23->pandas_datareader) (1.16.0)
Using cached requests-2.31.0-py3-none-any.whl (62 kB)
Using cached lxml-4.9.3-cp39-cp39-win_amd64.whl (3.9 MB)
Using cached certifi-2023.7.22-py3-none-any.whl (158 kB)
Downloading charset_normalizer-3.3.0-cp39-cp39-win_amd64.whl (98 kB)
   ---------------------------------------- 0.0/98.2 kB ? eta -:--:--
   ---------------------------------------- 98.2/98.2 kB 2.7 MB/s eta 0:00:00
Downloading urllib3-2.0.6-py3-none-any.whl (123 kB)
   ---------------------------------------- 0.0/123.8 kB ? eta -:--:--
   ---------------------------------------- 123.8/123.8 kB 3.7 MB/s eta 0:00:00
Installing collected packages: urllib3, lxml, idna, charset-normalizer, certifi, requests, pandas_datareader
Successfully installed certifi-2023.7.22 charset-normalizer-3.3.0 idna-3.4 lxml-4.9.3 pandas_datareader-0.10.0 requests-2.31.0 urllib3-2.0.6
Note: you may need to restart the kernel to use updated packages.
  In [ ]: 
import pandas as pd
import pandas_datareader as pdr
  In [ ]: 
data=pdr.get_data_fred('GS10')   # 官方提示这个是用来获取美国政府5年来10年期债券的汇率
data
  Out[ ]:  
 GS10
DATE 
2018-11-01 3.12
2018-12-01 2.83
2019-01-01 2.71
2019-02-01 2.68
2019-03-01 2.57
2019-04-01 2.53
2019-05-01 2.40
2019-06-01 2.07
2019-07-01 2.06
2019-08-01 1.63
2019-09-01 1.70
2019-10-01 1.71
2019-11-01 1.81
2019-12-01 1.86
2020-01-01 1.76
2020-02-01 1.50
2020-03-01 0.87
2020-04-01 0.66
2020-05-01 0.67
2020-06-01 0.73
2020-07-01 0.62
2020-08-01 0.65
2020-09-01 0.68
2020-10-01 0.79
2020-11-01 0.87
2020-12-01 0.93
2021-01-01 1.08
2021-02-01 1.26
2021-03-01 1.61
2021-04-01 1.64
2021-05-01 1.62
2021-06-01 1.52
2021-07-01 1.32
2021-08-01 1.28
2021-09-01 1.37
2021-10-01 1.58
2021-11-01 1.56
2021-12-01 1.47
2022-01-01 1.76
2022-02-01 1.93
2022-03-01 2.13
2022-04-01 2.75
2022-05-01 2.90
2022-06-01 3.14
2022-07-01 2.90
2022-08-01 2.90
2022-09-01 3.52
2022-10-01 3.98
2022-11-01 3.89
2022-12-01 3.62
2023-01-01 3.53
2023-02-01 3.75
2023-03-01 3.66
2023-04-01 3.46
2023-05-01 3.57
2023-06-01 3.75
2023-07-01 3.90
2023-08-01 4.17
2023-09-01 4.38
  In [ ]: 
type(data)
  Out[ ]: 
pandas.core.frame.DataFrame
  In [ ]: 
# 均值
type(data.index)
data.resample(rule='Y').mean()   # 每年的均值
  Out[ ]:  
 GS10
DATE 
2018-12-31 2.975000
2019-12-31 2.144167
2020-12-31 0.894167
2021-12-31 1.442500
2022-12-31 2.951667
2023-12-31 3.796667
  In [ ]: 
# 计数
count = data.resample(rule='Y').count()
count
  Out[ ]:  
 GS10
DATE 
2018-12-31 2
2019-12-31 12
2020-12-31 12
2021-12-31 12
2022-12-31 12
2023-12-31 9
  In [ ]: 
# 累加
sum1 = data.resample(rule='Y').sum()
sum1
  Out[ ]:  
 GS10
DATE 
2018-12-31 5.95
2019-12-31 25.73
2020-12-31 10.73
2021-12-31 17.31
2022-12-31 35.42
2023-12-31 34.17
  In [ ]: 
sum1/count
  Out[ ]:  
 GS10
DATE 
2018-12-31 2.975000
2019-12-31 2.144167
2020-12-31 0.894167
2021-12-31 1.442500
2022-12-31 2.951667
2023-12-31 3.796667
  In [ ]: 
# 标准差
data.resample(rule='Y').std()   # 数据样本内部的差异
  Out[ ]:  
 GS10
DATE 
2018-12-31 0.205061
2019-12-31 0.410996
2020-12-31 0.362152
2021-12-31 0.178230
2022-12-31 0.734276
2023-12-31 0.306023
  In [ ]: 
# 最大
data.resample(rule='Y').std().max()
  Out[ ]: 
GS10    0.734276
dtype: float64
  In [ ]: 
# 累乘
data.resample(rule='Y').prod()
  Out[ ]:  
 GS10
DATE 
2018-12-31 8.829600
2019-12-31 7709.579518
2020-12-31 0.129870
2021-12-31 74.203795
2022-12-31 300600.586272
2023-12-31 159859.118429
  In [ ]: 
# 加载一份新的数据
data2 = pdr.get_data_fred('GS5')
data2
  Out[ ]:  
 GS5
DATE 
2018-11-01 2.95
2018-12-01 2.68
2019-01-01 2.54
2019-02-01 2.49
2019-03-01 2.37
2019-04-01 2.33
2019-05-01 2.19
2019-06-01 1.83
2019-07-01 1.83
2019-08-01 1.49
2019-09-01 1.57
2019-10-01 1.53
2019-11-01 1.64
2019-12-01 1.68
2020-01-01 1.56
2020-02-01 1.32
2020-03-01 0.59
2020-04-01 0.39
2020-05-01 0.34
2020-06-01 0.34
2020-07-01 0.28
2020-08-01 0.27
2020-09-01 0.27
2020-10-01 0.34
2020-11-01 0.39
2020-12-01 0.39
2021-01-01 0.45
2021-02-01 0.54
2021-03-01 0.82
2021-04-01 0.86
2021-05-01 0.82
2021-06-01 0.84
2021-07-01 0.76
2021-08-01 0.77
2021-09-01 0.86
2021-10-01 1.11
2021-11-01 1.20
2021-12-01 1.23
2022-01-01 1.54
2022-02-01 1.81
2022-03-01 2.11
2022-04-01 2.78
2022-05-01 2.87
2022-06-01 3.19
2022-07-01 2.96
2022-08-01 3.03
2022-09-01 3.70
2022-10-01 4.18
2022-11-01 4.06
2022-12-01 3.76
2023-01-01 3.64
2023-02-01 3.94
2023-03-01 3.82
2023-04-01 3.54
2023-05-01 3.59
2023-06-01 3.95
2023-07-01 4.14
2023-08-01 4.31
2023-09-01 4.49
  In [ ]: 
# 合并两个样本
data['GS5'] = data2
  In [ ]: 
data
  Out[ ]:  
 GS10GS5
DATE  
2018-11-01 3.12 2.95
2018-12-01 2.83 2.68
2019-01-01 2.71 2.54
2019-02-01 2.68 2.49
2019-03-01 2.57 2.37
2019-04-01 2.53 2.33
2019-05-01 2.40 2.19
2019-06-01 2.07 1.83
2019-07-01 2.06 1.83
2019-08-01 1.63 1.49
2019-09-01 1.70 1.57
2019-10-01 1.71 1.53
2019-11-01 1.81 1.64
2019-12-01 1.86 1.68
2020-01-01 1.76 1.56
2020-02-01 1.50 1.32
2020-03-01 0.87 0.59
2020-04-01 0.66 0.39
2020-05-01 0.67 0.34
2020-06-01 0.73 0.34
2020-07-01 0.62 0.28
2020-08-01 0.65 0.27
2020-09-01 0.68 0.27
2020-10-01 0.79 0.34
2020-11-01 0.87 0.39
2020-12-01 0.93 0.39
2021-01-01 1.08 0.45
2021-02-01 1.26 0.54
2021-03-01 1.61 0.82
2021-04-01 1.64 0.86
2021-05-01 1.62 0.82
2021-06-01 1.52 0.84
2021-07-01 1.32 0.76
2021-08-01 1.28 0.77
2021-09-01 1.37 0.86
2021-10-01 1.58 1.11
2021-11-01 1.56 1.20
2021-12-01 1.47 1.23
2022-01-01 1.76 1.54
2022-02-01 1.93 1.81
2022-03-01 2.13 2.11
2022-04-01 2.75 2.78
2022-05-01 2.90 2.87
2022-06-01 3.14 3.19
2022-07-01 2.90 2.96
2022-08-01 2.90 3.03
2022-09-01 3.52 3.70
2022-10-01 3.98 4.18
2022-11-01 3.89 4.06
2022-12-01 3.62 3.76
2023-01-01 3.53 3.64
2023-02-01 3.75 3.94
2023-03-01 3.66 3.82
2023-04-01 3.46 3.54
2023-05-01 3.57 3.59
2023-06-01 3.75 3.95
2023-07-01 3.90 4.14
2023-08-01 4.17 4.31
2023-09-01 4.38 4.49
  In [ ]: 
data['mean'] = (data['GS10'] + data['GS5']) / 2   # 计算10年期和5年期两个债券的均值并放进样本里
data
  Out[ ]:  
 GS10GS5mean
DATE   
2018-11-01 3.12 2.95 3.035
2018-12-01 2.83 2.68 2.755
2019-01-01 2.71 2.54 2.625
2019-02-01 2.68 2.49 2.585
2019-03-01 2.57 2.37 2.470
2019-04-01 2.53 2.33 2.430
2019-05-01 2.40 2.19 2.295
2019-06-01 2.07 1.83 1.950
2019-07-01 2.06 1.83 1.945
2019-08-01 1.63 1.49 1.560
2019-09-01 1.70 1.57 1.635
2019-10-01 1.71 1.53 1.620
2019-11-01 1.81 1.64 1.725
2019-12-01 1.86 1.68 1.770
2020-01-01 1.76 1.56 1.660
2020-02-01 1.50 1.32 1.410
2020-03-01 0.87 0.59 0.730
2020-04-01 0.66 0.39 0.525
2020-05-01 0.67 0.34 0.505
2020-06-01 0.73 0.34 0.535
2020-07-01 0.62 0.28 0.450
2020-08-01 0.65 0.27 0.460
2020-09-01 0.68 0.27 0.475
2020-10-01 0.79 0.34 0.565
2020-11-01 0.87 0.39 0.630
2020-12-01 0.93 0.39 0.660
2021-01-01 1.08 0.45 0.765
2021-02-01 1.26 0.54 0.900
2021-03-01 1.61 0.82 1.215
2021-04-01 1.64 0.86 1.250
2021-05-01 1.62 0.82 1.220
2021-06-01 1.52 0.84 1.180
2021-07-01 1.32 0.76 1.040
2021-08-01 1.28 0.77 1.025
2021-09-01 1.37 0.86 1.115
2021-10-01 1.58 1.11 1.345
2021-11-01 1.56 1.20 1.380
2021-12-01 1.47 1.23 1.350
2022-01-01 1.76 1.54 1.650
2022-02-01 1.93 1.81 1.870
2022-03-01 2.13 2.11 2.120
2022-04-01 2.75 2.78 2.765
2022-05-01 2.90 2.87 2.885
2022-06-01 3.14 3.19 3.165
2022-07-01 2.90 2.96 2.930
2022-08-01 2.90 3.03 2.965
2022-09-01 3.52 3.70 3.610
2022-10-01 3.98 4.18 4.080
2022-11-01 3.89 4.06 3.975
2022-12-01 3.62 3.76 3.690
2023-01-01 3.53 3.64 3.585
2023-02-01 3.75 3.94 3.845
2023-03-01 3.66 3.82 3.740
2023-04-01 3.46 3.54 3.500
2023-05-01 3.57 3.59 3.580
2023-06-01 3.75 3.95 3.850
2023-07-01 3.90 4.14 4.020
2023-08-01 4.17 4.31 4.240
2023-09-01 4.38 4.49 4.435
  In [ ]: 
# 周期转换
data.resample(rule='Y')
  Out[ ]: 
<pandas.core.resample.DatetimeIndexResampler object at 0x000002642B876B20>
  In [ ]: 
data.resample(rule='Y').first()
  Out[ ]:  
 GS10GS5mean
DATE   
2018-12-31 3.12 2.95 3.035
2019-12-31 2.71 2.54 2.625
2020-12-31 1.76 1.56 1.660
2021-12-31 1.08 0.45 0.765
2022-12-31 1.76 1.54 1.650
2023-12-31 3.53 3.64 3.585
  In [ ]:  

标签：12,Resample,01,2019,3.3,2022,序列,2020,2021
From： https://www.cnblogs.com/mlzxdzl/p/17772469.html

相关文章

  • keydb 6.3.3 modjs docker 镜像
    keydb6.3.3已经发布一段时间了，但是ModJS的支持镜像一直还没有提供，就基于现有的基础镜像搞了一个方便学习使用Dockerfile FROMeqalpha/modjsasbase FROMeqalpha/keydb:latestRUNmkdir-p/usr/lib/keydb/modules#Copyoverprecompiledubuntu1......
  • 下拉选项 数据验证 选择序列
    在Excel中设置下拉选项的步骤如下12：打开Excel，点击选中一个单元格，点击数据；然后点击数据验证；之后点击任何值边上的下拉箭头，选择序列；然后在来源中输入多个下拉选项，例如“男,女”，男和女之间用英文逗号隔开；之后我们点击确定；然后我们点击下拉箭头；可以看到里面有很多个下拉选项可以选择。......
  • TSMixer：谷歌发布的用于时间序列预测的全新全mlp架构
    这是谷歌在9月最近发布的一种新的架构TSMixer:Anall-MLParchitecturefortimeseriesforecasting，TSMixer是一种先进的多元模型，利用线性模型特征，在长期预测基准上表现良好。据我们所知，TSMixer是第一个在长期预测基准上表现与最先进的单变量模型一样好的多变量模型，在长期预测......
  • 最长上升子序列
    引入以下记\(s\)的长度为\(n\)，\(t\)的长度为\(m\)。一些问题：什么是子序列？称\(t\)是\(s\)的子序列，即是\(s\)删掉一些元素（可以什么都不删）后可以得到\(t\)。什么是上升子序列？称\(t\)是上升子序列，仅当\(s\)的子序列\(t\)满足\(\foralli\in[1,m),t_i<t_{......
  • n log n 的求最长上升子序列
    \(O(n\logn)\)的求最长上升子序列法一：二分intLIS(){intb[MAXN],top=0,a[MAXN];b[0]=-1;for(inti=1;i<=n;i++){if(a[i]>b[top]){top++,b[top]=a[i];}else{intl=1,r=top;w......
  • Python随机波动性SV模型：贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列
    全文链接：https://tecdat.cn/?p=33885原文出处：拓端数据部落公众号本文描述了帮助客户使用马尔可夫链蒙特卡洛（MCMC）方法通过贝叶斯方法估计基本的单变量随机波动模型，就像Kim等人（1998年）所做的那样。定义模型以及从条件后验中抽取样本的函数的代码也在Python脚本中提供。  ......
  • R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型|附代
    全文链接：http://tecdat.cn/?p=32496原文出处：拓端数据部落公众号人口流动与迁移，作为人类产生以来就存在的一种社会现象，伴随着人类文明的不断进步从未间断。人力资源是社会文明进步、人民富裕幸福、国家繁荣昌盛的核心推动力量。当前，我国经济正处于从以政府主导的投资驱动型的经......
  • R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达
    全文下载链接：http://tecdat.cn/?p=25880 最近我们被客户要求撰写关于泊松过程的研究报告，包括一些图形和统计输出。本文描述了一个模型，该模型解释了交易的聚集到达，并展示了如何将其应用于比特币交易数据。这是很有趣的，原因很多。例如，对于交易来说，能够预测在短期内是否有更多的买......
  • LeetCode 376. 摆动序列
    最长递增子序列题目链接:376.摆动序列题目描述:如果连续数字之间的差严格地在正数和负数之间交替，则数字序列称为**摆动序列。**第一个差（如果存在的话）可能是正数或负数。仅有一个元素或者含两个不等元素的序列也视作摆动序列。例如，[1,7,4,9,2,5]是一个摆动序列......
  • P9744 消除序列 题解
    本题有多种解法，我这里先讲一个我的考场做法吧。切入点我们发现我们至多使用一次操作一，而剩下部分的\(0\)肯定是依靠操作二补全，操作三的作用只是用来填补操作一的空白的，所以我们发现我们对一个序列的操作一定是前一段用操作一和操作三，后一段用操作二。思路1一开始考虑暴力\(......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99