Python之数据分析（numpy线性模型、线性预测、线性拟合）

文章目录

一、线性预测
二、线性拟合

线性模型分为两种：线性预测和线性拟合，这两种都可以起到预测走势和数据点的作用，当然，预测是存在一定误差的，因此这种预测图像仅供参考。

一、线性预测

1、基本概念
线性预测(a*x=b)

/a b c\        /A\      / d \
|b c d|   X   | B |  =  | e |
\c d e/        \C/      \ f /

2、numpy进行预测的函数

numpy.linalg.lstsq(a, b)
需要预测的就是x

3、价格预测案例

import datetime as dt
import numpy as np
import matplotlib.pylab as mp
import matplotlib.dates as md
import pandas as pd  # 日期计算def dmy2ymd(dmy):dmy = str(dmy, encoding='utf-8')  # 转码dmy日期date = dt.datetime.strptime(dmy, '%d-%m-%Y').date()  # 获取时间对象ymd = date.strftime('%Y-%m-%d')return ymddates, closing_prices = np.loadtxt('0=数据源/beer_price.csv', delimiter=',',usecols=(0, 4), unpack=True,dtype=np.dtype('M8[D], f8'),converters={0: dmy2ymd}
)'''
收盘价格预测
'''
N = 5  # 最开始是数组是2*N个，
# 初始化预测价格
pred_prices = np.zeros(closing_prices.size - 2*N + 1)  # 2*N是表示无法预测的
# 给预测价格数组填入职
for i in range(pred_prices.size):a = np.zeros((N, N))  # 初始化N*N的矩阵# a[0, ] = closing_prices[0: 5]  # a的第0行，对应收盘价的0到5个元素# a[1, ] = closing_prices[1: 6]# a[2, ] = closing_prices[2: 7]# 得到a矩阵：用循环表示以上的效果for j in range(N):a[j, ] = closing_prices[i+j: i+j+N]  # +i表示跟上起点位置# 得到b向量b = closing_prices[i+N: i+N*2]x = np.linalg.lstsq(a, b)[0]  # 第0个值才是解方程的根pred_prices[i] = b.dot(x)  # b点乘x# 检验计算# print(a.dot(x), b)  # a点乘x就是b# 曲线图基础设置
mp.figure('Stock Price Prediction', facecolor='lightgray')
mp.title('Stock Price Prediction', fontsize=20)
mp.xlabel('Date', fontsize=14)
mp.ylabel('Price', fontsize=14)# 主刻度设置为以周一为起始的星期格式
ax = mp.gca()  # 获取刻度线（坐标轴）
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO)
)
# 次刻度设置为以天为单位
ax.xaxis.set_minor_locator(md.DayLocator()
)
# 主刻度的格式化
ax.xaxis.set_major_formatter(md.DateFormatter('%d %b %Y')
)mp.tick_params(labelsize=10)  # 字体
mp.grid(linestyle=':')  # 网格线# 绘制曲线
dates = dates.astype(md.datetime.datetime)  # 将日期标准化成numpy的日期
mp.plot(dates, closing_prices, 'o-', c='lightgray', label="Closing Price")  # 绘制曲线# 新增一个日期：计算两个时间点的距离
dates = np.append(dates, dates[-1] + pd.tseries.offsets.BDay())  # 在dates后面加上后面这个新的日期# 绘制预测的股价，起点是N*2，o-表示点图
mp.plot(dates[N*2: ], pred_prices, 'o-', c='orangered', label='Predicted Price')# 打印预测价格
# print(pred_prices)mp.legend()  # 显示图例
mp.gcf().autofmt_xdate()  # 设置格式展示的自动化调整
mp.show()  # 显示图像

csv数据：
![1

4、测试效果

二、线性拟合

1、基本概念

kx1 + b = y1
kx2 + b = y2
...
kxn + b = yn

/ x1 \    / k \    / y1 \
| x2  | x | b |  = | y2 |
|...  |   \   /    |... |
\ xn /             \ yn /a           x          b

2、numpy的对应函数
x = np.linalg.lstsq(a, b)

3、统计学知识

趋势点：设定的某几项数据的平均值（此处为最高价、最低价与收盘价的平均值）
压力点：趋势点+每天的幅度
支撑点：趋势点-每天的幅度
计算趋势线：日期乘斜率+截距

4、线性拟合趋势图案例

import datetime as dt
import numpy as np
import matplotlib.pylab as mp
import matplotlib.dates as md# 转换时间格式
def dmy2ymd(dmy):dmy = str(dmy, encoding='utf-8')# 利用python能够解析日-月-年的时间格式，来解析成时间信息，再转化成年-月-日的numpy时间格式date = dt.datetime.strptime(dmy, '%d-%m-%Y').date()  # 得到日期子对象ymd = date.strftime('%Y-%m-%d')  # 将时间信息格式化成字符串return ymd# 解包取出：时间，开盘价，最高价，最低价，收盘价
dates, opening_prices, highest_prices, lowest_prices, closing_prices = np.loadtxt('0=数据源/beer_price.csv', delimiter=',',usecols=(0, 1, 2, 3, 4), unpack=True,dtype='M8[D], f8, f8, f8, f8',converters = {0:dmy2ymd}
)
# M是numpy 的时间数据类型,[]表示精度，D是日，以日为单位的时间
# 由于数据内时间格式是日-月-年，需要用converter转化成年月日
# {0:dmy2ymd}表示将第0列的数据全部用dmy2ymd执行一遍
# print(opening_prices)# 得到b向量（趋势点）：将趋势点定位最高价、最低价和收盘价的平均值，不管开盘价
trend_points = (highest_prices + lowest_prices + closing_prices) / 3  # 每天三个价格平均值的数组
# 每天的幅度
spreads = highest_prices - lowest_prices
# 压力点：趋势点+每天的幅度
resistance_points = trend_points + spreads
# 支撑点：趋势点-每天的幅度
support_points = trend_points - spreads# 日期类型转换：将日期换成以天为单位，直接用int
days = dates.astype(int)
# 得到a矩阵：将天数与全是1的矩阵按列组合在一起
a = np.column_stack((days, np.ones_like(days)))  # ones_like得到一个全是1的矩阵，矩阵格式与days相等
# 计算趋势线：日期乘斜率+截距
x1 = np.linalg.lstsq(a, trend_points)[0]
trend_line = days * x1[0] + x1[1]
# 计算压力线：
x2 = np.linalg.lstsq(a, resistance_points)[0]
resistance_line = days * x2[0] + x2[1]
# 计算支撑线：
x3 = np.linalg.lstsq(a, support_points)[0]
support_line = days * x3[0] + x3[1]# 图像基本参数
mp.figure('Trend', facecolor='lightgray')
mp.title('Trend', fontsize=20)
mp.xlabel('Date', fontsize=14)  # 横轴、纵轴的标签
mp.ylabel('Price', fontsize=14)# 坐标轴设置
ax = mp.gca()  # 获取坐标轴
# 设置主、副刻度定位器
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO)  # 星期定位器，MO（Monday）表示以星期一作为主刻度定位
)
ax.xaxis.set_minor_locator(md.DayLocator()  # 日定位器
)
# 日期的格式
ax.xaxis.set_major_formatter(md.DateFormatter('%d %b %Y'))
mp.tick_params(labelsize=10)  # 设置标签所用的字体
mp.grid(linestyle=':')  # 网格线# 将日期转换成matplotlib.dates（md）的类型
dates = dates.astype(md.datetime.datetime)# 获取价格差：数组相减再做判断等于一个装满布尔值的数组
rise = closing_prices - opening_prices >= 0.01  # 上涨
fall = opening_prices - closing_prices >= 0.01  # 下跌# 确定每根K线的颜色
# 初始化颜色数组为0，个数为dates的个数，颜色数据格式是3个float
fc = np.zeros(dates.size, dtype='3f4')  # 填充色
ec = np.zeros(dates.size, dtype='3f4')  # 边框色
fc[rise], fc[fall] = (1, 1, 1), (0.85, 0.85, 0.85)
# 将fc中为真的（上涨）设置颜色为(1, 1, 1)白色，下跌的设置为(0, 0.5, 0)绿色
ec[rise], ec[fall] = (0.85, 0.85, 0.85), (0.85, 0.85, 0.85)# 画引线：矩形条
mp.bar(dates, highest_prices-lowest_prices, 0, lowest_prices, color=fc, edgecolor=ec)
# 纵坐标是最高价-最低价（数组），0表示矩形条宽度（最窄），1表示最宽；
# 起点位以最低价为起点，边框颜色是ec
mp.bar(dates, closing_prices-highest_prices, 0.8, opening_prices, color=fc, edgecolor=ec)
# 绘制趋势线：将这些趋势点(最高、最低、收盘)用点一个个小蓝点表示出来
mp.scatter(dates, trend_points, c="dodgerblue", alpha=0.5, s=60, zorder=2)  # 点
mp.plot(dates, trend_line, c="dodgerblue", linewidth=3, label="Trend")  # 线
# 绘制压力线
mp.scatter(dates, resistance_points, c="limegreen", alpha=0.5, s=30, zorder=2)  # 点
mp.plot(dates, resistance_line, c="limegreen", linewidth=1.5, label="Resistance")  # 线
# 绘制支撑线
mp.scatter(dates, support_points, c="orangered", alpha=0.5, s=30, zorder=2)  # 点
mp.plot(dates, support_line, c="orangered", linewidth=1.5, label="Support")  # 线# 自动格式化水平方向的日期
mp.gcf().autofmt_xdate()
mp.legend()
mp.show()

csv数据：

5、测试效果

Python之数据分析（numpy线性模型、线性预测、线性拟合）相关推荐

python输入数组并计算_利用Python进行数据分析——Numpy基础：数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
python散点图拟合曲线-【python常用图件绘制#01】线性拟合结果图
一.功能介绍输入:实测x.y数据输出:必选:x.y散点图必选:x.y线性拟合直线可选:相关性.显著性分析结果显示1-1 1-2 二.代码2-1 import random from scipy ...
【Python】数据分析.numpy.矩阵乘法运算
Python.numpy.矩阵乘法运算声明:本文章转载于矩阵的乘法运算及Python实现在讲矩阵相乘之前,我们先看一个生活中的例子. 假如猪肉.牛肉.鸡蛋的价格在一周内不发生变化,记录近三周内的价 ...
python数据分析numpy_利用python进行数据分析-NumPy高级应用
1.ndarray对象的内部机理 NumPy的ndarray提供了一种将同质化数据块解释为多维数组对象的方式,ndarray如此强大的部分原因是所有数组对象都是数据块的一个跨度视图. ndarray内 ...
python数据分析 - numpy | ndarray数组 | numpy常用函数
文章目录数据分析 numpy概述 numpy历史 numpy的核心:多维数组 numpy基础 ndarray数组内存中的ndarray对象 ndarray数组对象的特点 ndarray数组对象的创 ...
excel线性拟合的斜率_邵励治的机器学习 2 / 100 天：「简单线性回归」
前言好了,我们闲言碎语不多讲,下面开始机器学习100天:第2天的学习! 另外,如果看官老爷喜欢我的文章,还请点个赞的说! 这是对我的认真分享最好的鼓励! 知识储备环节今天我们学习的内容是:&q ...
用python的numpy作线性拟合、多项式拟合、对数拟合
转自:http://blog.itpub.net/12199764/viewspace-1743145/ 项目中有涉及趋势预测的工作,整理一下这3种拟合方法: 1.线性拟合-使用math import ...
python数据分析之单因素分析（线性拟合）
功能:线性拟合,单因素分析,对散点图进行线性拟合,并放大散点图的局部位置输入:某个xlsx文件,包含'患者密度(人/10万人)'和'人口密度(人/平方千米)'两列输出:对这两列数据进行线性拟合,绘 ...
Python之数据分析（numpy中的多项式拟合）
1.多项式拟合的概念用一个无穷级数表示一个可微函数,任何可微的函数,总可以用一个N次多项式来近似,而比N次幂更高阶的部分可以作为无穷小量而被忽略不计. f(x) = p0x^n + p1x^n-1 ...

Python之数据分析（numpy线性模型、线性预测、线性拟合）

文章目录

一、线性预测

二、线性拟合

Python之数据分析（numpy线性模型、线性预测、线性拟合）相关推荐

最新文章

热门文章