[Introduction à Python] Utilisons les pandas
[Introduction à Python] Utilisons les pandas
Cette fois, j'utiliserai des pandas. Tout d'abord, préparez les données csv en guise de préparation. Cette fois, nous prendrons la moyenne Nikkei comme exemple.
#exemple de données csv(partie)
Date de données,le dernier prix,Prix ouvert,Prix élevé,Bas prix
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
Exécutons-le en Python. Exécutez d'abord le code suivant.
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import datasets
plt.style.use('ggplot') #Un tour de magie pour afficher la figure proprement
font = {'family' : 'meiryo'}
Ensuite, lisez les données csv et voyez à quoi ressemblent les données avec .head (). ) Ici, la partie de parse_dates est insérée pour définir le type de "date de données" sur la date et l'heure.
nikkei = pd.read_csv("nikkei.csv", parse_dates=['Date de données']) #Lire les données csv
nikkei.head() #Jetez un œil à l'aperçu
Vérifions le type de données.
type(nikkei["Date de données"][0])
C'est un horodatage. Ensuite, regardons les colonnes.
nikkei.columns
Je publierai la sortie jusqu'à présent.
Enfin, jetons un œil à la figure. Quand j'exécute le code suivant ...
plt.figure(figsize=(10, 8))
plt.plot(nikkei['Date de données'], nikkei['le dernier prix'], label='test')
plt.xticks(fontsize=8)
plt.yticks(fontsize=22)
plt.xlabel("Date")
plt.ylabel("nikkei_heikin")
Il s'est avéré être quelque chose comme ça. Cette fois, c'est fini. Les améliorations seront discutées dans un article ultérieur.
Recommended Posts