首页 > 其他分享 >【Quant102】 经典技术指标 Pandas 实现（第一部分）

【Quant102】 经典技术指标 Pandas 实现（第一部分）

时间：2024-05-13 19:08:35浏览次数：20  
标签：False df signal inplace DataFrame Pandas 技术指标 Quant102 col

双均线策略

假设你是个高级程序员和量化研究员，编写函数实现双均线策略。函数接受数据帧df，较短均线的列名称short_col和较长均线的列名称long_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def dual_moving_average_strategy(df, short_col='sma_short', long_col='sma_long', inplace=False):
    """
    实现双均线策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame。
    short_col : str
        短周期均线的列名。
    long_col : str
        长周期均线的列名。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    if not inplace:
        df = df.copy()

    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：短周期均线由下向上穿越长周期均线
    df.loc[(df[short_col] > df[long_col]) & (df[short_col].shift(1) <= df[long_col].shift(1)), 'signal'] = 1
    
    # 产生卖出信号：短周期均线由上向下穿越长周期均线
    df.loc[(df[short_col] < df[long_col]) & (df[short_col].shift(1) >= df[long_col].shift(1)), 'signal'] = -1
    
    return df

布林带指标

假设你是个高级程序员和量化研究员，编写函数实现布林带指标。函数接受数据帧df，中布林带的列名称mid_col，上布林带列名称upper_col，下布林带列名称lower_col，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def bollinger_bands(
	df, mid_col='mid_band', 
	upper_col='upper_band', 
	lower_col='lower_band', 
	window=20, num_std=2, 
	inplace=False
):
    """
    计算布林带指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    window : int, optional
        计算简单移动平均线SMA的窗口大小，默认为20。
    num_std : int, optional
        计算布林带通道时使用的标准差倍数，默认为2。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含布林带指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算中轨（简单移动平均线SMA）
    df['mid_band'] = df['close'].rolling(window=window).mean()
    
    # 计算价格的标准差
    std = df['close'].rolling(window=window).std()
    
    # 计算布林带上轨
    df['upper_band'] = df['mid_band'] + (std * num_std)
    
    # 计算布林带下轨
    df['lower_band'] = df['mid_band'] - (std * num_std)
    
    return df

布林带策略

假设你是个高级程序员和量化研究员，编写函数实现布林带策略。函数接受数据帧df，中轨的列名称mid_col，上轨列名称upper_col，下轨列名称lower_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def bollinger_bands_strategy(df, mid_col='mid_band', upper_col='upper_band', lower_col='lower_band', inplace=False):
    """
    实现布林带策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'mid_col', 'upper_col', 'lower_col'列。
    mid_col : str
        中轨（通常是简单移动平均线SMA）的列名。
    upper_col : str
        上轨的列名。
    lower_col : str
        下轨的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：价格跌破下轨
    df.loc[df['close'] < df[lower_col], 'signal'] = 1
    
    # 产生卖出信号：价格突破上轨
    df.loc[df['close'] > df[upper_col], 'signal'] = -1
    
    return df

MACD 指标

假设你是个高级程序员和量化研究员，编写函数实现 MACD 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def macd(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', fast_window=12, slow_window=26, signal_window=9, inplace=False):
    """
    计算MACD指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    fast_window : int, optional
        快速EMA的窗口大小，默认为12。
    slow_window : int, optional
        慢速EMA的窗口大小，默认为26。
    signal_window : int, optional
        信号线的窗口大小，默认为9。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含MACD指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算快速EMA
    fast_ema = df['close'].ewm(span=fast_window, adjust=False).mean()
    
    # 计算慢速EMA
    slow_ema = df['close'].ewm(span=slow_window, adjust=False).mean()
    
    # 计算MACD线
    df[dea_col] = fast_ema - slow_ema
    
    # 计算信号线
    df[dif_col] = df[dea_col].ewm(span=signal_window, adjust=False).mean()
    
    # 计算MACD柱
    df[hist_col] = df[dea_col] - df[dif_col]
    
    return df

MACD 策略

假设你是个高级程序员和量化研究员，编写函数实现MACD策略。函数接受数据帧df，DEA列名称dea_col，DIF列名称dif_col，柱状图列名称hist_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def macd_strategy(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', inplace=False):
    """
    实现MACD策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含MACD指标数据的DataFrame，必须包含'dea_col', 'dif_col', 'hist_col'列。
    dea_col : str
        DEA（信号线）的列名。
    dif_col : str
        DIF（MACD线）的列名。
    hist_col : str
        MACD柱状图的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：DIF上穿DEA
    df.loc[(df[dif_col] > df[dea_col]) & (df[dif_col].shift(1) <= df[dea_col].shift(1)), 'signal'] = 1
    
    # 产生卖出信号：DIF下穿DEA
    df.loc[(df[dif_col] < df[dea_col]) & (df[dif_col].shift(1) >= df[dea_col].shift(1)), 'signal'] = -1
    
    return df

RSI 指标

假设你是个高级程序员和量化研究员，编写函数实现 RSI 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def rsi(df, rsi_col='rsi', window=14, inplace=False):
    """
    计算RSI指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    window : int, optional
        RSI指标的窗口大小，默认为14。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含RSI指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算价格变动
    chg = df['close'].diff()
    
    # 计算上涨和下跌的平均值
    up_avg = chg.where(chg > 0).rolling(window=window).mean()
    down_avg = -chg.where(chg < 0).rolling(window=window).mean()
    
    # 防止除以零
    up_avg.fillna(0, inplace=True)
    down_avg.fillna(0, inplace=True)
    
    # 计算RSI
    df[rsi_col] = 100 - (100 / (1 + (up_avg / down_avg)))
    
    return df

RSI 策略

假设你是个高级程序员和量化研究员，编写函数实现RSI策略。函数接受数据帧df，RSI列名称rsi_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def rsi_strategy(df, rsi_col='rsi', inplace=False):
    """
    实现RSI策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含RSI指标数据的DataFrame，必须包含'rsi_col'列。
    rsi_col : str
        RSI指标的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：RSI低于30
    df.loc[df[rsi_col] < 30, 'signal'] = 1
    
    # 产生卖出信号：RSI高于70
    df.loc[df[rsi_col] > 70, 'signal'] = -1
    
    return df

KDJ 指标

假设你是个高级程序员和量化研究员，编写函数实现 KDJ 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def kdj(df, k_col='K', d_col='D', j_col='J', n=9, m1=3, m2=3, inplace=False):
    """
    计算KDJ指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    n : int, optional
        计算KDJ指标的时间窗口，默认为9。
    m1 : int, optional
        计算D线的时间窗口，默认为3。
    m2 : int, optional
        计算J线的参数，默认为3。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含KDJ指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算最小值和最大值
    low_min = df['low'].rolling(window=n).min()
    high_max = df['high'].rolling(window=n).max()
    
    # 计算K值
    df[k_col] = (df['close'] - low_min) / (high_max - low_min) * 100
    
    # 计算D值
    df[d_col] = df[k_col].rolling(window=m1).mean()
    
    # 计算J值
    df[j_col] = m2 * df[d_col] - df[k_col].rolling(window=m2).mean()
    
    return df

KDJ 策略

假设你是个高级程序员和量化研究员，编写函数实现KDJ策略。函数接受数据帧df，K/D/J列名称k_col、d_col、j_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def kdj_strategy(df, k_col='K', d_col='D', j_col='J', inplace=False):
    """
    实现KDJ策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含KDJ指标数据的DataFrame，必须包含'k_col', 'd_col', 'j_col'列。
    k_col : str
        K值的列名。
    d_col : str
        D值的列名。
    j_col : str
        J值的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：K值上穿D值
    df.loc[(df[k_col] > df[d_col]) & (df[k_col].shift(1) <= df[d_col].shift(1)), 'signal'] = 1
    
    # 产生卖出信号：K值下穿D值
    df.loc[(df[k_col] < df[d_col]) & (df[k_col].shift(1) >= df[d_col].shift(1)), 'signal'] = -1
    
    return df

CCI 指标

假设你是个高级程序员和量化研究员，编写函数实现 CCI 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def cci(df, cci_col='cci', n=20, inplace=False):
    """
    计算CCI指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    n : int, optional
        CCI指标的时间窗口，默认为20。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含CCI指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算移动平均值
    sma = df['close'].rolling(window=n).mean()
    
    # 计算标准差
    std = df['close'].rolling(window=n).std()
    
    # 计算CCI
    df[cci_col] = (df['close'] - sma) / (0.015 * std)
    
    return df

CCI 策略

假设你是个高级程序员和量化研究员，编写函数实现CCI策略。函数接受数据帧df，CCI列名称cci_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def cci_strategy(df, cci_col='cci', inplace=False):
    """
    实现CCI策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含CCI指标数据的DataFrame，必须包含'cci_col'列。
    cci_col : str
        CCI指标的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：CCI低于-100
    df.loc[df[cci_col] < -100, 'signal'] = 1
    
    # 产生卖出信号：CCI高于+100
    df.loc[df[cci_col] > 100, 'signal'] = -1
    
    return df

OBV 指标

假设你是个高级程序员和量化研究员，编写函数实现 OBV 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def obv(df, obv_col='obv', inplace=False):
    """
    计算OBV指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含OBV指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
	# 计算收盘价差异的符号
    chg = df['close'].diff()
	sgn = np.sign(chg)
	sgn.iloc[0] = 0
	# 计算OBV
	df[obv_col] = (df['volume'] * sgn).cumsum()
    
    return df

OBV 策略

假设你是个高级程序员和量化研究员，编写函数实现OBV策略。函数接受数据帧df，OBV列名称obv_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def obv_strategy(df, obv_col, inplace=False):
    """
    实现OBV策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含OBV指标数据的DataFrame，必须包含'obv_col'列。
    obv_col : str
        OBV指标的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：OBV连续上升
    df.loc[df[obv_col].rolling(window=3).sum() > 0, 'signal'] = 1
    
    # 产生卖出信号：OBV连续下降
    df.loc[df[obv_col].rolling(window=3).sum() < 0, 'signal'] = -1
    
    return df

ADX 指标

假设你是个高级程序员和量化研究员，编写函数实现 ADX 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def adx(df, window=14, inplace=False):
    """
    计算ADX指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close'列。
    window : int, optional
        ADX指标的时间窗口，默认为14。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含ADX指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算最高价和最低价之间的差异
    df['range'] = df['high'] - df['low']
    
    # 计算动量（Momentum）
    plus_dm = np.where(df['close'] - df['open'] > 0, df['range'], 0)
    minus_dm = np.where(df['open'] - df['close'] > 0, -df['range'], 0)
    
    # 计算ADM和ADN
    plus_dm_mean = plus_dm.rolling(window=window).mean()
    minus_dm_mean = minus_dm.rolling(window=window).mean()
    
    # 计算DX
    dx = (plus_dm_mean - minus_dm_mean) / (plus_dm_mean + minus_dm_mean)
    dx_mean = dx.rolling(window=window).mean()
    
    # 计算ADX
    df['adx'] = (100 - 100 / (1 + np.sqrt(dx_mean)))
    
    return df

ADX 策略

假设你是个高级程序员和量化研究员，编写函数实现ADX策略。函数接受数据帧df，ADX列名称adx_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def adx_strategy(df, adx_col='adx', inplace=False):
    """
    实现ADX策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含ADX指标数据的DataFrame，必须包含'adx_col'列。
    adx_col : str
        ADX指标的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：ADX超过25
    df.loc[df[adx_col] > 25, 'signal'] = 1
    
    # 产生卖出信号：ADX低于25
    df.loc[df[adx_col] < 25, 'signal'] = -1
    
    return df

VWAP 指标

假设你是个高级程序员和量化研究员，编写函数实现 VWAP 指标。函数接受数据帧df，inplace参数控制是否原地更新df。df包含四个列：open开盘价、high最高价、low最低价和close收盘价。所有指标都应当保存到df中，最后返回df。

def vwap(df, vwap_col='vwap', inplace=False):
    """
    计算VWAP指标，并更新DataFrame。
    
    参数:
    df : DataFrame
        包含价格数据的DataFrame，必须包含'open', 'high', 'low', 'close', 'volume'列。
    window : int, optional
        滚动窗口的大小，默认为1。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        包含VWAP指标的新DataFrame（如果inplace为False）。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 计算VWAP
    df['vwap'] = (df['open'] + df['high'] + df['low'] + df['close']) / 4 * df['volume']
        
    return df

VWAP 策略

假设你是个高级程序员和量化研究员，编写函数实现VWAP策略。函数接受数据帧df，VWAP列名称vwap_col，inplace参数控制是否原地更新df。买卖信号应保存在signal列中。最后返回df。

def vwap_strategy(df, vwap_col='vwap', inplace=False):
    """
    实现VWAP策略，生成买卖信号。
    
    参数:
    df : DataFrame
        包含VWAP指标数据的DataFrame，必须包含'vwap_col'列。
    vwap_col : str
        VWAP指标的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，默认为False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一个名为'signal'的列，包含买卖信号。
    """
    
    # 复制DataFrame以避免修改原始数据
    if not inplace:
        df = df.copy()
    
    # 初始化信号列，默认为无操作
    df['signal'] = 0
    
    # 产生买入信号：价格突破VWAP
    df.loc[df['close'] > df[vwap_col], 'signal'] = 1
    
    # 产生卖出信号：价格跌破VWAP
    df.loc[df['close'] < df[vwap_col], 'signal'] = -1
    
    return df

标签：False,df,signal,inplace,DataFrame,Pandas,技术指标,Quant102,col
From： https://www.cnblogs.com/apachecn/p/18189805

相关文章

  • 机器学习包keras skiti-learn tensorflow pytorh yolov6 tensorboad seaborn numpy p
    这些是一些常用的Python库和框架，它们在机器学习、深度学习、数据科学和可视化等领域中被广泛使用。下面是每个库的简要介绍以及一个应用示例：Keras:Keras是一个高级神经网络API，可以运行在TensorFlow、MicrosoftCognitiveToolkit(CNTK)或Theano之上。它提供了简单而灵活......
  • swifter：加速 Pandas 数据操作
    Github地址：https://github.com/jmcarpenter2/swifter在数据科学和数据分析领域，Pandas是一个非常强大的Python库，用于数据操作和数据清洗。然而，当处理大规模数据集时，Pandas可能会变得相对较慢。这就是PythonSwifter出现的原因。本文将深入介绍PythonSwifter，它是一个用于......
  • geopandas：Python绘制数据地图
    https://mp.weixin.qq.com/s/Nq5Ygy0axI83H2dclU56yQGeoPandas是一个Python开源项目，旨在提供丰富而简单的地理空间数据处理接口。GeoPandas扩展了Pandas的数据类型，并使用matplotlib进行绘图。GeoPandas官方仓库地址为：GeoPandas。GeoPandas的官方文档地址为：GeoPandas-doc。本......
  • 数据分析-Pandas模块
    pandas是以NumPy为基础进行设计的，因此pandas不仅能与其他大多数模块兼容，而且还能借力NumPy模块强大的计算能力，因此，在数据分析中pandas和NumPy这两个模块经常是一起使用的。为了数据分析的需要，pandas既不使用Python已有的内置数据结构，也不使用其他库的数据结构，而是专门设计了两种......
  • [数据分析与可视化] Python绘制数据地图3-GeoPandas使用要点-转载
    [数据分析与可视化]Python绘制数据地图3-GeoPandas使用要点 本文主要介绍GeoPandas的使用要点。GeoPandas是一个Python开源项目，旨在提供丰富而简单的地理空间数据处理接口。GeoPandas扩展了Pandas的数据类型，并使用matplotlib进行绘图。GeoPandas官方仓库地址为：GeoPandas。Ge......
  • pandas：时间序列数据的周期转换
    时间序列数据是数据分析中经常遇到的类型，为了更多的挖掘出数据内部的信息，我们常常依据原始数据中的时间周期，将其转换成不同跨度的周期，然后再看数据是否会在新的周期上产生新的特性。下面以模拟的K线数据为例，演示如何使用pandas来进行周期转换。1.创建测试数据首先创建测试数据......
  • [990] Functions of pandas
    Series.isxxxx()Series.isin():WhetherelementsinSeriesarecontainedin values.top_oceania_wines=reviews[(reviews.country.isin(['Australia','NewZealand']))&(reviews.points>=95)Series.str.islower():Checkwh......
  • [989] How to Use the Apply Method in Pandas
    References:Tutorial:HowtoUsetheApplyMethodinPandaspandas.Series.applypandas.DataFrame.apply1.pandas.Series.applyApplyafunctiontoeachelementofaSeries. importpandasaspd#CreateaSeriess=pd.Series([1,2,3,4,5])#Define......
  • Pandas的基本使用
    Pandas的使用下载pipinstallpandaspandas数据读取数据类型 说明 pandas读取方法csv、tev、txt 用逗号分隔、tab分隔的纯文字文件 pd.read_csvexcel 微软xls或者xlsx文件 pd.read_excelmysql 关系型数据库 pd.read_sql导入importpandasaspd1......
  • 最近常用的几个【行操作】的Pandas函数
    最近在做交易数据的统计分析时，多次用到数据行之间的一些操作，对于其中的细节，简单做了个笔记。1.shfit函数shift函数在策略回测代码中经常出现，计算交易信号，持仓信号以及资金曲线时都有涉及。这个函数的主要作用是将某列的值上下移动。默认情况下，shift函数是向下移动一行，移动后，新......

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