Mit Python erstellte Beispieldaten

Beispieldaten

Lineare Daten

n=20

a = np.arange(n).reshape(4, -1); a  #5-zeilige Matrix

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
        17, 18, 19, 20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41,
        42, 43, 44, 45, 46, 47, 48, 49],
       [50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66,
        67, 68, 69, 70, 71, 72, 73, 74],
       [75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91,
        92, 93, 94, 95, 96, 97, 98, 99]])

df = pd.DataFrame(a, columns=list('abcde')); df

Zufällige Daten

r = np.random.randn(4, 5); r

array([[-0.37840346, -0.84591793,  0.50590263,  0.0544243 ,  0.59361247],
       [-0.2726931 , -1.74415635,  0.0199559 , -0.20695113, -1.19559455],
       [-0.59799566, -0.26810224, -0.18738038,  1.05843686,  0.72317579],
       [ 1.23389386,  1.91293041, -1.33322818,  0.78255026,  2.04737357]])

df = pd.DataFrame(r, columns=list('abcde')); df

df.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x17699af2a58>

df = pd.DataFrame(np.random.randn(n,n))

plt.contourf(df, cmap='jet')

<matplotlib.contour.QuadContourSet at 0x1769a1a12b0>

Konturlinienanzeige

plt.pcolor(df, cmap='jet')

<matplotlib.collections.PolyCollection at 0x1769b1e2208>

Farbkartenanzeige

Sündenwelle

n=100
x = np.linspace(0, 2*np.pi, n)

s = pd.Series(np.sin(x), index=x)
s.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1769e695780>

Sündenwelle

snoise = s + 0.1 * np.random.randn(n)
sdf = pd.DataFrame({'sin wave':s, 'noise wave': snoise})
sdf.plot(color=('r', 'b'))

<matplotlib.axes._subplots.AxesSubplot at 0x1769e8586d8>

Ich mache Lärm drauf

Normalverteilung

from  scipy import stats as ss

median = x[int(n/2)]  #Medianwert von x
g = pd.Series(ss.norm.pdf(x, loc=median), x)
g.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1769ffba128>

gnoise = g + 0.01 * np.random.randn(n)
df = pd.DataFrame({'gauss wave':g, 'noise wave': gnoise})
df.plot(color=('r', 'b'))

<matplotlib.axes._subplots.AxesSubplot at 0x1769e970828>

Protokollfunktion

median = x[int(n/2)]  #Medianwert von x
x1 = x + 10e-3
l = pd.Series(np.log(x1), x1)
l.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1769ffba5f8>

lnoise = l + 0.1 * np.random.randn(n)
df = pd.DataFrame({'log wave':l, 'noise wave': lnoise})
df.plot(color=('r', 'b'))

<matplotlib.axes._subplots.AxesSubplot at 0x176a00ec358>

Zielloser Spaziergang

n = 1000
se = pd.Series(np.random.randint(-1, 2, n)).cumsum()
se.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x284f3c62c18>

Random Walk wird gezeichnet, indem zufällig n von (-1, 0, 1) mit np.random.randint (-1, 2, n) erzeugt und mit cumsum () akkumuliert werden.

sma100 = se.rolling(100).mean()
ema100 = se.ewm(span=100).mean()

df = pd.DataFrame({'Chart': se,  'SMA100': sma100, 'EMA100': ema100})
df.plot(style = ['--','-','-'])

<matplotlib.axes._subplots.AxesSubplot at 0x284f3cadcc0>

Gleichzeitig wurden ein einfacher gleitender Durchschnitt und ein exponentieller gleitender Durchschnitt gezogen. Es wird allgemein gesagt, dass EMA leichter die neuesten Bewegungen widerspiegelt und Trends folgt als SMA.

Es hat nichts mit dem Inhalt des Artikels zu tun, aber wenn Sie ihn in ein Jupyter-Notizbuch schreiben und im MD-Format ablegen, ist es wirklich einfach, da Sie ihn nur an Qiita anhängen müssen.