NumPy Beginner's Guide 2e 带注释源码 三、熟悉 NumPy 常用函数
2024-05-18 15:59:15
# 来源：NumPy Biginner's Guide 2e ch3
读写文件
import numpy as np# eye 用于创建单位矩阵
i2 = np.eye(2)
print i2
'''
[[ 1. 0.]
[ 0. 1.]]
'''# 将数组以纯文本保存到 eye.txt 中
np.savetxt("eye.txt", i2)
'''
eye.txt:
1.000000000000000000e+00 0.000000000000000000e+00
0.000000000000000000e+00 1.000000000000000000e+00
'''# 还可以读进来
print np.loadtxt('eye.txt')
[[ 1. 0.][ 0. 1.]]
读取 CSV
'''
data.csv:
AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800
分别为：
名称，日期，空，开盘，最高，最低，收盘，成交量
'''# delimiter 是分隔符，设置为 ','
# usecols 设置需要取的列，这里只选择了收盘和成交量
# unpack 设置为 True，返回的数组是以列为主
# 可以分别将收盘和成交量赋给 c 和 v
c, v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)
均值
import numpy as npc, v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)# 计算成交量加权均价
# average 用于计算均值
# weights 参数指定权重
vwap = np.average(c, weights=v)
print "VWAP =", vwap
# VWAP = 350.589549353# mean 函数也能用于计算均值
print "mean =", np.mean(c)
# mean = 351.037666667# 计算时间时间加权均价
t = np.arange(len(c))
print "twap =", np.average(c, weights=t)
# twap = 352.428321839
最大最小值
import numpy as np# 这次读入了最高价和最低价
h, l = np.loadtxt('data.csv', delimiter=',', usecols=(4,5), unpack=True)# 计算历史最高价和最低价
print "highest =", np.max(h)
# highest = 364.9
print "lowest =", np.min(l)
# lowest = 333.53# ptp 函数用于计算极差
print "Spread high price", np.ptp(h)
# Spread high price 24.86
print "Spread low price", np.ptp(l)
# Spread low price 26.97
简单统计
import numpy as np# 读入收盘价
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)# 计算中位数
print "median =", np.median(c)
# median = 352.055# 手动计算中位数
# 首先排个序
sorted_close = np.msort(c)
print "sorted =", sorted_close
# 然后取中间元素
N = len(c)
print "middle =", sorted[(N - 1)/2]
# middle = 351.99
# 由于我们的数组长度是偶数
# 中位数应该是中间两个数的均值
# print "average middle =", (sorted[N /2] + sorted[(N - 1) / 2]) / 2
# average middle = 352.055# 方差
print "variance =", np.var(c)
# variance = 50.1265178889# 手动计算方差
print "variance from definition =", np.mean((c - c.mean())**2)
# variance from definition = 50.1265178889
股票收益
import numpy as np# 简单收益
# 当天收盘价减去前一天收盘价，再除以前一天收盘价
# returns = np.diff( arr ) / arr[ : -1]# 我们计算一下标准差（方差的平方根）
print "Standard deviation =", np.std(returns)
# Standard deviation = 0.0129221344368# 对数收益
# 当天收盘价的对数前前一天收盘价的对数
logreturns = np.diff( np.log(c) )# 计算收益为正的下标
# where 将布尔索引变成位置索引
posretindices = np.where(returns > 0)
print "Indices with positive returns", posretindices
# Indices with positive returns (array([ 0, 1, 4, 5, 6, 7, 9, 10, 11, 12, 16, 17, 18, 19, 21, 22, 23, 25, 28]),)# 年化波动
annual_volatility = np.std(logreturns)/np.mean(logreturns)
annual_volatility = annual_volatility / np.sqrt(1./252.)
print annual_volatility# 月化波动
print "Monthly volatility", annual_volatility * np.sqrt(1./12.)
处理日期
import numpy as np
from datetime import datetime# 将日期映射为星期
# Monday 0
# Tuesday 1
# Wednesday 2
# Thursday 3
# Friday 4
# Saturday 5
# Sunday 6
def datestr2num(s):return datetime.strptime(s, "%d-%m-%Y").date().weekday()# 读取星期和收盘价，converters 将日期映射成星期
dates, close = np.loadtxt('data.csv', delimiter=',', usecols=(1,6), converters={1: datestr2num}, unpack=True)
print "Dates =", dates
# Dates = [ 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 1. 2. 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4.]# 计算一周中每一天的均值
averages = np.zeros(5)for i in range(5):indices = np.where(dates == i) prices = np.take(close, indices)avg = np.mean(prices)print "Day", i, "prices", prices, "Average", avgaverages[i] = avg
'''
Day 0 prices [[ 339.32 351.88 359.18 353.21 355.36]] Average 351.79
Day 1 prices [[ 345.03 355.2 359.9 338.61 349.31 355.76]] Average 350.635
Day 2 prices [[ 344.32 358.16 363.13 342.62 352.12 352.47]] Average 352.136666667
Day 3 prices [[ 343.44 354.54 358.3 342.88 359.56 346.67]] Average 350.898333333
Day 4 prices [[ 336.1 346.5 356.85 350.56 348.16 360. 351.99]] Average 350.022857143
'''# 计算星期几最高，星期几最低
top = np.max(averages)
print "Highest average", top
# Highest average 352.136666667
print "Top day of the week", np.argmax(averages)
# Top day of the week 2bottom = np.min(averages)
print "Lowest average", bottom
# Lowest average 350.022857143
print "Bottom day of the week", np.argmin(averages
# Bottom day of the week 4
真实波动幅度均值（ATR）
# 真实波动幅度（TR）定义为以下三个度量的最大值
# 1. 当天最高价减当天最低价
# 2. 当天最高价减前一天的收盘价的绝对值
# 3. 前一天收盘价减当天最低价的绝对值import numpy as np
import sys# 读入最高价、最低价、收盘价
h, l, c = np.loadtxt('data.csv', delimiter=',', usecols=(4, 5, 6), unpack=True)# 读入数据数量
N = int(sys.argv[1])
# 获取最近 N 天的最高价和最低价
h = h[-N:]
l = l[-N:]print "len(h)", len(h), "len(l)", len(l)
print "Close", c# 由于需要前一天的收盘价，所以往天移动一天
previousclose = c[-N -1: -1]print "len(previousclose)", len(previousclose)
print "Previous close", previousclose
# maximum 逐元素获得最大值
truerange = np.maximum(h - l, h - previousclose, previousclose - l) print "True range", truerange# 计算 ATR
atr = np.zeros(N)# 第一个 ATR 通过均值来计算
atr[0] = np.mean(truerange)# 计算之后每一个 ATR
# atr[i] = ((N - 1) * atr[i - 1] + tr[i]) / N
for i in range(1, N):atr[i] = (N - 1) * atr[i - 1] + truerange[i]atr[i] /= Nprint "ATR", atr
简单滑动均值
# 每一天的简单滑动均值
# 就是当天与前 (N - 1) 天的均值
# 其中 N 是窗口大小
import numpy as np
import sys
from matplotlib.pyplot import plot
from matplotlib.pyplot import showN = int(sys.argv[1])# 使用 ones 函数创建大小为 N 的数组
# 并除以 N 来创建权重
weights = np.ones(N) / N
print "Weights", weights
# 假设 N 为 5：
# Weights [ 0.2 0.2 0.2 0.2 0.2]# 读入收盘价
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)# 调用 convolve 函数来计算滑动平均
sma = np.convolve(weights, c)[N-1:-N+1]# 绘制函数图像
# 要注意横轴从 (N - 1) 开始
t = np.arange(N - 1, len(c))
plot(t, c[N-1:], lw=1.0)
plot(t, sma, lw=2.0)
show()
注：
np.convolve计算离散卷积，定义为：
离散卷积其实就是系数数组的多项式乘法。例如计算[1, 2, 0, 3]和[1, -2, 5]的卷积：
结果为[1, 1, 13, -6, 15]。
指数滑动均值
import numpy as np
import sys
from matplotlib.pyplot import plot
from matplotlib.pyplot import showx = np.arange(5)
# exp 计算 e 的 x 次方
print "Exp", np.exp(x)
# Exp [ 1. 2.71828183 7.3890561 20.08553692 54.59815003]
# linspace 使用起始值、终止值和数量，返回等间隔的数组
print "Linspace", np.linspace(-1, 0, 5)
# Linspace [-1. -0.75 -0.5 -0.25 0. ]N = int(sys.argv[1])# 计算权重
weights = np.exp(np.linspace(-1., 0., N))
weights /= weights.sum()
print "Weights", weights
# 假设 N 为 5：
# Weights [ 0.11405072 0.14644403 0.18803785 0.24144538 0.31002201]# 读入收盘价
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
# 使用 convolve 计算指数滑动均值
ema = np.convolve(weights, c)[N-1:-N+1]# 绘制函数图像
t = np.arange(N - 1, len(c))
plot(t, c[N-1:], lw=1.0)
plot(t, ema, lw=2.0)
show()
布林带
import numpy as np
import sys
from matplotlib.pyplot import plot
from matplotlib.pyplot import show# 读取窗口大小
N = int(sys.argv[1])# 这是简单滑动平均的权重
weights = np.ones(N) / N
print "Weights", weights# 读取收盘价
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
# 计算简单滑动平均
sma = np.convolve(weights, c)[N-1:-N+1]# 手动计算滑动标准差
deviation = []
C = len(c)for i in range(N - 1, C):# 对于每一天# 滑动标准差是当天与前 (N - 1) 天的标准差# 和滑动均值类似，原书这里有误dev = c[i - (N - 1): i + 1]averages = np.zeros(N)# 这里的 fill 将数组元素全部变为指定值# 相当于 averages.flat = sma[i - (N - 1)]# 但是比它快averages.fill(sma[i - (N - 1)])# 也可以直接写 dev -= sma[i - (N - 1)]dev = dev - averages dev = dev ** 2dev = np.sqrt(np.mean(dev))deviation.append(dev)deviation = 2 * np.array(deviation)
print len(deviation), len(sma)
# 上布林带是简单滑动均值加上两倍滑动标准差
# 下布林带是简单滑动均值减去两倍滑动标准差
upperBB = sma + deviation
lowerBB = sma - deviationc_slice = c[N-1:]
between_bands = np.where((c_slice < upperBB) & (c_slice > lowerBB))print lowerBB[between_bands]
print c[between_bands]
print upperBB[between_bands]
between_bands = len(np.ravel(between_bands))
print "Ratio between bands", float(between_bands)/len(c_slice)# 绘制收盘价、简单滑动均值
# 上布林带和下布林带的图像
# 要注意横轴从 N - 1 开始
t = np.arange(N - 1, C)
plot(t, c_slice, lw=1.0)
plot(t, sma, lw=2.0)
plot(t, upperBB, lw=3.0)
plot(t, lowerBB, lw=4.0)
show()
使用线性模型预测收盘价
import numpy as np
import sysN = int(sys.argv[1])# 读入收盘价
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)# 取后 N 天的收盘价，并倒序
b = c[-N:]
bbx = b[::-1]
print "bbx", bbx
# bbx [ 351.99 346.67 352.47 355.76 355.36]# 构建 NxN 的二维数组
A = np.zeros((N, N), float)
print "Zeros N by N", A
'''
A = np.zeros((N, N), float)
print "Zeros N by N", A
Zeros N by N [[ 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0.]]
'''# A[i] 是倒数第 i 天的前 N 天的收盘价
for i in range(N):A[i, ] = c[-N - 1 - i: - 1 - i]print "A", A
'''
A [[ 360. 355.36 355.76 352.47 346.67][ 359.56 360. 355.36 355.76 352.47][ 352.12 359.56 360. 355.36 355.76][ 349.31 352.12 359.56 360. 355.36][ 353.21 349.31 352.12 359.56 360. ]]
'''# 根据每一天前 N 天收盘价来预测当天收盘价
# np.linalg.lstsq 是最小二乘法的多元线性回归
# A 是输入属性的数据集，行是记录，列是属性
# b 是输出属性的数组
# x 是系数数组，x = (A^T A)^(-1) A^T b
(x, residuals, rank, s) = np.linalg.lstsq(A, b)print x, residuals, rank, s
# [ 0.78111069 -1.44411737 1.63563225 -0.89905126 0.92009049] [] 5 [ 1.77736601e+03 1.49622969e+01 8.75528492e+00 5.15099261e+00 1.75199608e+00]# 通过后 N 天收盘价来预测下一天的收盘价
print np.dot(b, x)
# 357.939161015
剪切和压缩数组
import numpy as npa = np.arange(5)
print "a =", a
# a = [0 1 2 3 4]# clip 用于剪切数组
# 小于最小值的元素会替换成最小值
# 大于最大值的元素会替换成最大值
print "Clipped", a.clip(1, 2)
# Clipped [1 1 2 2 2]a = np.arange(4)
print a
# [0 1 2 3]# compress 用于过滤元素
# 等价于 a[a > 2]
print "Compressed", a.compress(a > 2)
# Compressed [3]
计算阶乘
import numpy as npb = np.arange(1, 9)
print "b =", b
# b = [1 2 3 4 5 6 7 8]# prod 用于求出各元素乘积
print "Factorial", b.prod()
# Factorial 40320# cumprod 求出累积连乘
# P[i] = a[0] * ... * a[i]
print "Factorials", b.cumprod()
# Factorials [ 1 2 6 24 120 720 5040 40320]
NumPy Beginner's Guide 2e 带注释源码 三、熟悉 NumPy 常用函数相关推荐
- NumPy Beginner's Guide 2e 带注释源码 四、NumPy 便利的函数
# 来源:NumPy Beginner's Guide 2e ch4 交易相关偶对 import numpy as np from matplotlib.pyplot import plot from ...
- NumPy Beginner's Guide 2e 带注释源码 七、NumPy 特殊例程
# 来源:NumPy Biginner's Guide 2e ch7 字典排序 import numpy as np import datetime# 日期转成字符串 def datestr2num( ...
- NumPy Beginner's Guide 2e 带注释源码 二、NumPy 基础入门
# 来源:NumPy Biginner's Guide 2e ch2 >>> from numpy import * 多维数组 # 创建多维数组 >>> m = a ...
- [转载] NumPy Beginner‘s Guide 2e 带注释源码 七、NumPy 特殊例程
参考链接: Python中的numpy.npv 版权声明:License CC BY-NC-SA 4.0 https://blog.csdn.net/wizardforcel/article/deta ...
- NumPy Beginner's Guide 2e 带注释源码 九、使用 Matplotlib 绘图
# 来源:NumPy Biginner's Guide 2e ch9 绘制多项式函数 import numpy as np import matplotlib.pyplot as plt# 创建函数 ...
- NumPy Beginner's Guide 2e 带注释源码 六、深入 NumPy 模块
# 来源:NumPy Biginner's Guide 2e ch6 矩阵的逆 import numpy as npA = np.mat("0 1 2;1 0 3;4 -3 8") ...
- NumPy Beginner's Guide 2e 带注释源码 五、处理 NumPy 矩阵和 ufunc
# 来源:NumPy Biginner's Guide 2e ch5 创建矩阵 import numpy as np# mat 函数创建矩阵 # 空格分割行,分号分隔列 A = np.mat('1 2 ...
- NumPy Essentials 带注释源码 三、NumPy 数组使用
版权声明:License CC BY-NC-SA 4.0 https://blog.csdn.net/wizardforcel/article/details/73252085 # 来源:NumPy ...
- NumPy Cookbook 带注释源码 十一、NumPy 的底牌
# 来源:NumPy Cookbook 2e Ch11np.random.seed(44) a = np.random.random_integers(-4, 4, 7) print(a) # [ 0 ...
最新文章
- 20145129 《Java程序设计》第6周学习总结
- SAP UI5 如何通过 manifest.json 文件定义第三方库依赖关系
- 树结构-------前缀树
- 海信空调拥抱变革 扎实技术+多样产品组合引爆市场
- 华为P50首发麒麟9000L：5nm EUV工艺打造 配置有所缩减
- 线程池选择使用的hash算法
- django模块导入/函数/中间件/MVC和MTV/CSRF
- ZOJ 3826 Hierarchical Notation 模拟
- Solr中的q与fq参数的区别
- ABP Framework 5.3.0 版本新增功能和变更说明
- 【转】如何订机票最划算？
- 联阿里接腾讯，B站如何实现“意义非凡”的一年
- arduino uno+驱动器控制42步进电机
- ufs2.1 android bench,小米6使用的是UFS2.1闪存吗？小米6闪存AndroBench跑分成绩
- iot架构 mqtt netty_百度IoT：MQTT Broker架构设计
- 用Python每天自动给女朋友免费发短信，谁说程序员不懂浪漫？
- SQL Server附加数据库失败，823错误。
- 下载mysql源码包
- RK3399PRO-RKNN_DEMO模块开发最新资料下载
- day81_babasport第七天
热门文章
- （44）FPGA面试题CMOS和TTL电路区别
- JsonCpp测试代码使用新API
- lwip-1.4.1文档sys_arch翻译
- 【STM32】高级定时器、通用定时器和基本定时器---配置寄存器产生PWM
- 【蓝桥杯单片机】数码管
- volatile的作用及原理
- redhat修改mysql编码格式_RedHatLinux下修改MySQL编码方式
- matlab excel 新建sheet,MATLAB怎么在保存结果的EXCEL里面添加内容?比如把 'sheet1‘ 改成 ‘已知点’ ,在第一行加上 '已知点' ,'x', 'y' 等....
- 计算机基础--操作系统基础
- 【LeetCode】【HOT】84. 柱状图中最大的矩形（栈）