, 가서 csv
하여 자신의 독자를 구현하고 평균 계산을 직접 해결 . 그것은 훌륭한 운동입니다.
그러나, 당신은 더 적은 코딩을하고 분석에 더 많은 시간을 보내고, pandas
(또는 적어도 numpy
) 같은 뭔가를 사용하려는 경우. pandas
라이브러리는 이러한 유형의 데이터 분석에 뛰어납니다.
다음 ipython 세션은 이러한 유형의 계산이 pandas
과 얼마나 쉬운 지 보여줍니다. (ipython을 사용하지 않는다면 다른 도구가됩니다.) 이 강의에서는 Apple 주식 데이터가 포함 된 CSV 파일을 읽었습니다. 데이터 파일 'aapl.CSV는 '다음과 같습니다
Date,Open,High,Low,Close,Volume,Adj Close
2013-02-25,453.85,455.12,442.57,442.80,13276100,442.80
2013-02-22,449.25,451.60,446.60,450.81,11798600,450.81
2013-02-21,446.00,449.17,442.82,446.06,15970800,446.06
2013-02-20,457.69,457.69,448.80,448.85,17010800,448.85
2013-02-19,461.10,462.73,453.85,459.99,15563700,459.99
2013-02-15,468.85,470.16,459.92,460.16,13990900,460.16
2013-02-14,464.52,471.64,464.02,466.59,12688400,466.59
...
1984-09-14,27.62,28.50,27.62,27.87,8826400,3.13
1984-09-13,27.50,27.62,27.50,27.50,7429600,3.09
1984-09-12,26.87,27.00,26.12,26.12,4773600,2.94
1984-09-11,26.62,27.37,26.62,26.87,5444000,3.02
1984-09-10,26.50,26.62,25.87,26.37,2346400,2.97
1984-09-07,26.50,26.87,26.25,26.50,2981600,2.98
가져 오기 팬더 라이브러리 :
In [1]: import pandas as pd
를 사용하여 DataFrame에 데이터를 읽기'
In [2]: aapl = pd.read_csv('aapl.csv', index_col=0, parse_dates=True)
정렬 인덱스로 날짜 '열을 오름차순으로 색인 :
In [3]: aapl = aapl.sort()
처음 몇 레코드를 살펴보십시오.
In [4]: aapl.head()
Out[4]:
Open High Low Close Volume Adj Close
Date
1984-09-07 26.50 26.87 26.25 26.50 2981600 2.98
1984-09-10 26.50 26.62 25.87 26.37 2346400 2.97
1984-09-11 26.62 27.37 26.62 26.87 5444000 3.02
1984-09-12 26.87 27.00 26.12 26.12 4773600 2.94
1984-09-13 27.50 27.62 27.50 27.50 7429600 3.09
데이터를 월 단위로 다시 샘플링하십시오. 기본적으로 매일 값의 평균이 사용됩니다
In [5]: monthly = aapl.resample('1M')
In [6]: monthly.head()
Out[6]:
Open High Low Close Volume Adj Close
Date
1984-09-30 26.981250 27.333125 26.606250 26.738750 4807300.000000 3.007500
1984-10-31 25.035652 25.313478 24.780435 24.806957 5559408.695652 2.788696
1984-11-30 24.545238 24.782857 24.188095 24.236190 5749561.904762 2.724286
1984-12-31 27.060000 27.378500 26.841000 26.947500 6195360.000000 3.031500
1985-01-31 29.520000 29.855909 29.140000 29.253182 10353818.181818 3.289091
플롯 월별 데이터의 '닫기'열 :
:
In [7]: monthly.plot(y='Close')
Out[7]: <matplotlib.axes.AxesSubplot at 0x45ff4d0>
는 '닫기'열에서보세요 여기
In [8]: monthly['Close']
Out[8]:
Date
1984-09-30 26.738750
1984-10-31 24.806957
1984-11-30 24.236190
1984-12-31 26.947500
1985-01-31 29.253182
1985-02-28 28.089474
1985-03-31 22.741429
1985-04-30 21.425238
1985-05-31 19.656818
1985-06-30 16.399000
1985-07-31 17.185455
1985-08-31 15.098636
1985-09-30 15.738500
1985-10-31 16.940000
1985-11-30 19.460000
...
2011-12-31 392.930476
2012-01-31 428.578000
2012-02-29 497.571000
2012-03-31 577.507727
2012-04-30 606.003000
2012-05-31 564.673182
2012-06-30 574.562381
2012-07-31 601.068095
2012-08-31 642.696087
2012-09-30 681.568421
2012-10-31 634.714286
2012-11-30 564.345714
2012-12-31 532.055000
2013-01-31 497.822381
2013-02-28 459.026875
Freq: M, Name: Close, Length: 342
는
plot
방법에 의해 생성 된 줄거리입니다 :
우리 스택 오버플로! 우리가 당신을 위해 몇 가지 코드를 작성하기를 원하는 것처럼 보입니다. 대부분의 사용자는 곤경에 처한 코더 코드를 기꺼이 만들지 만 일반적으로 포스터가 이미 문제를 해결하려고 시도했을 때만 도움이됩니다. 이러한 노력을 입증하는 좋은 방법은 지금까지 작성한 코드, 예제 입력 (있는 경우), 예상 출력 및 실제로 얻은 출력 (콘솔 출력, 스택 추적, 컴파일러 오류 등)을 포함시키는 것입니다. 응용할 수 있는). 더 자세하게 제공할수록 더 많은 답변을받을 수 있습니다. –
사과, 내가 지금까지 가지고있는 것을 게시 할 것이다. –
시계열을 빠르고 효율적으로 집계하려면 [pandas] (http://pandas.pydata.org/pandas-docs/stable/timeseries.html) 라이브러리를 살펴 보는 것이 좋습니다. – Trevor