[Einführung in Python] Verwenden wir Pandas
[Einführung in Python] Verwenden wir Pandas
Dieses Mal werde ich Pandas benutzen. Bereiten Sie zunächst die CSV-Daten als Vorbereitung vor. Dieses Mal nehmen wir den Nikkei-Durchschnitt als Beispiel.
#Beispiel für CSV-Daten(Teil)
Daten Datum,Schlusskurs,Offener Preis,Hoher Preis,Niedriger Preis
2017/01/04,19594.16,19298.68,19594.16,19277.93
2017/01/05,19520.69,19602.10,19615.40,19473.28
2017/01/06,19454.33,19393.55,19472.37,19354.44
Lassen Sie es uns in Python ausführen. Führen Sie zuerst den folgenden Code aus.
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import datasets
plt.style.use('ggplot') #Ein Zaubertrick, um die Figur ordentlich darzustellen
font = {'family' : 'meiryo'}
Lesen Sie als Nächstes die CSV-Daten und sehen Sie, wie die Daten mit .head () aussehen. ) Hier wird der Teil von parse_dates eingefügt, um den Typ des "Datendatums" auf Datum und Uhrzeit festzulegen.
nikkei = pd.read_csv("nikkei.csv", parse_dates=['Daten Datum']) #CSV-Daten lesen
nikkei.head() #Schauen Sie sich die Übersicht an
Lassen Sie uns den Datentyp überprüfen.
type(nikkei["Daten Datum"][0])
Es ist ein Zeitstempel. Als nächstes schauen wir uns die Spalten an.
nikkei.columns
Ich werde die Ausgabe bisher veröffentlichen.
Schauen wir uns zum Schluss die Abbildung an. Wenn ich den folgenden Code ausführe ...
plt.figure(figsize=(10, 8))
plt.plot(nikkei['Daten Datum'], nikkei['Schlusskurs'], label='test')
plt.xticks(fontsize=8)
plt.yticks(fontsize=22)
plt.xlabel("Date")
plt.ylabel("nikkei_heikin")
Es stellte sich heraus, dass es so etwas war. Diese Zeit ist vorbei. Verbesserungen werden in einem späteren Artikel besprochen.
Recommended Posts