[Einführung in Python] Verwenden wir Pandas

Es wird das 3. Mal sein. Dieses Mal werde ich etwas tun, das der Nikkei-Durchschnitt des Themas zu sein scheint. Lesen Sie zuerst die CSV-Daten wie gewohnt.

import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import datasets

plt.style.use('ggplot') #Magie
font = {'family' : 'meiryo'}

nikkei = pd.read_csv("nikkei.csv", parse_dates=['Daten Datum']) #CSV-Daten lesen
nikkei.head() #Schauen Sie sich die Übersicht an

Volatilität und Histogramm der Einnahmen aus Datum und Uhrzeit

Berechnen wir zunächst die Fluktuationsrate von Datum und Uhrzeit und zeigen sie in der Abbildung.

nikkei['Day. Change P'] = (nikkei['Schlusskurs'] - nikkei['Offener Preis']) / nikkei['Offener Preis'] #Berechnen Sie die Umsatzschwankungsrate für Datum und Uhrzeit
plt.figure(figsize=(22, 8))
plt.hist(nikkei['Day. Change P'], bins = 100)

2020-02-06 (3).png

Ich fühle mich so. Es ist fast normal verteilt. Es scheint, dass es viele Tage gibt, an denen der Nikkei-Durchschnitt nicht stark schwankt. Bitte verwenden Sie Ihr eigenes Urteilsvermögen für die Analyse. Ich meine, ich konnte es so machen ...

Zeichne ein Kerzendiagramm

Als nächstes schreiben Sie ein Kerzendiagramm. Es war unerwartet einfach. Es gibt etwas, das genau richtig ist.

import plotly.graph_objs as go
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot

#Create OHLC (open-high-low-close) charts
trace = go.Ohlc(x = nikkei['Daten Datum'], 
               open = nikkei['Offener Preis'], 
               high = nikkei['Hoher Preis'], 
               low = nikkei['Niedriger Preis'], 
               close = nikkei['Schlusskurs'])
data = [trace]
iplot(data)

2020-02-06 (5).png

Zeichnen Sie einen gleitenden Durchschnitt

Zum Schluss berechnen und zeichnen wir den gleitenden Durchschnitt.

nikkei['5dayma'] = nikkei['Schlusskurs'].rolling(window = 5).mean()
nikkei['25dayma'] = nikkei['Schlusskurs'].rolling(window = 25).mean()
nikkei['50dayma'] = nikkei['Schlusskurs'].rolling(window = 50).mean()
 
nikkei.tail()

Berechnen wir wie oben und fügen es dem Datenrahmen hinzu. Hier ist es mit .head () schwierig zu bestätigen, dass '5dayma' nur am 5. Tag berechnet wird, indem NaN vom 1. bis zum 4. Tag angezeigt wird. Daher ist es schwierig zu bestätigen, ob es richtig berechnet werden kann, also .tail () Ich benutze.

trace_close = go.Scatter(x = nikkei['Daten Datum'][-200:], 
                        y = nikkei['Schlusskurs'][-200:], 
                        name = "close", 
                        line = dict(color = '#000000'), #Machen Sie es eine schwarze Linie
                        opacity = 0.8)

trace_5day = go.Scatter(x = nikkei['Daten Datum'][-200:], 
                        y = nikkei['5dayma'][-200:], 
                        name = "5day", 
                        opacity = 0.8)

trace_25day = go.Scatter(x = nikkei['Daten Datum'][-200:], 
                        y = nikkei['25dayma'][-200:], 
                        name = "25day", 
                        opacity = 0.8)

trace_50day = go.Scatter(x = nikkei['Daten Datum'][-200:], 
                        y = nikkei['50dayma'][-200:], 
                        name = "50day", 
                        opacity = 0.8)

data = [trace_close, trace_5day, trace_25day, trace_50day]
layout = dict(title = "Moving averages:5, 25, 50  for 200days", )
fig = dict(data = data, layout=layout)
iplot(fig)

2020-02-06 (6).png Es stellte sich heraus, dass es so etwas war. Wenn Sie jede Achse einstellen, schneiden Sie sie als "[-200:]" und zeigen Sie 200 Tage an. Sie müssen es nicht tun, weil es nur das Aussehen betont. In diesem Fall ist es der gesamte Zeitraum.

abschließend

Im Vergleich zur vorherigen Heatmap haben wir diesmal eine anständige. Ich habe noch nicht viel getan, aber ich hoffe, ich kann mit diesem ** Nikkei Average ** ein bisschen mehr spielen.