Exemple de données créées avec python

Exemple de données

Données linéaires

n=20

a = np.arange(n).reshape(4, -1); a  #Matrice à 5 rangées

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

Données aléatoires

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>

Affichage de la ligne de contour

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

<matplotlib.collections.PolyCollection at 0x1769b1e2208>

Affichage de la carte couleur

vague de péché

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>

vague de péché

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>

Je mets du bruit dessus

distribution normale

from  scipy import stats as ss

median = x[int(n/2)]  #Valeur médiane de 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>

fonction de journalisation

median = x[int(n/2)]  #Valeur médiane de 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>

Marche aléatoire

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

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

La marche aléatoire est tirée en générant aléatoirement n de (-1, 0, 1) avec np.random.randint (-1, 2, n) et en les accumulant avec cumsum ().

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>

Une moyenne mobile simple et une moyenne mobile exponentielle ont été tirées en même temps. On dit généralement que l'EMA est plus facile à refléter les derniers mouvements et à suivre les tendances que la SMA.

Cela n'a rien à voir avec le contenu de l'article, mais si vous l'écrivez dans un cahier Jupyter et le déposez au format md, c'est vraiment facile car vous n'avez qu'à le joindre à qiita.