Python之数据分析（案例：净额成交量、矢量化、数据曲线平滑）

深藏阁楼爱情的钟 2022-11-25 00:49 201阅读 0赞

### 文章目录 ###

*   *   *  一、净额成交量
         *  二、标量函数矢量化
         *  三、数据曲线平滑

### 一、净额成交量 ###

**1、案例分析**

*  符号数组a: \[10 -20 30 40 -50\]
 *  用法：numpy.sign(a)  
    结果是\[1 -1 1 1 -1\]
 *  净额成交量：简称OBV，赚了是正，赔了是负
 *  利用条件筛选来得到盈亏指标：一参是差分数组，二参是条件数组，三参是各个条件对应的值数组

**2、第二种筛选方法**

sign_closing_price = np.piecewise(
    diff_closing_price,
    [diff_closing_price < 0,
    diff_closing_price == 0,
    diff_closing_price > 0],
    [-1, 0 , 1]
    )

**3、案例源码**

![11][]

### 二、标量函数矢量化 ###

**1、矢量化概念**

def 标量函数(标量参数1, 标量参数2, ...)
        ...
        return 标量返回值1, 标量返回值2, ...

矢量化：np.vectorize(标量函数)——>转换成矢量函数

def 矢量函数(矢量参数1, 矢量参数2, ...)
        ...
    矢量返回值1, 矢量返回值2, ...

**2、练习代码**

import numpy as np
    
    def fun1(a, b):
        return a+b, a-b, a*b
    A = np.array([10, 20, 30])
    B = np.array([100, 200, 300])
    
    # 不需要循环迭代，就可以对传入的数组对应着进行处理
    # 此处表示将A与B两个数组中的值一一对应传入fun1中进行处理，处理结果返回给C数组
    C = np.vectorize(fun1)(A, B)
    print(C)

### 三、数据曲线平滑 ###

**1、数据平滑**  
卷积降噪（消除随机噪声干扰）——>曲线拟合（获得数学模型）——>求特征值（反映业务特征）

**2、平滑过程**  
y=f(x)  
y=g(x)  
y1=f(x1)  
y1=g(x1)  
f(x1)=g(x1)  
f(x1)-g(x1)=0  
f(x)-g(x)=0的根就是x1  
np.polysub(p1, p2)得到p3，即为方程f(x)-g(x)=0的各个项系数  
np.roots(p3) 得到p3的根，即x1

**3、案例源码**

import datetime as dt
    import numpy as np
    import matplotlib.pylab as mp
    import matplotlib.dates as md
    
    
    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 ymd
    
    dates, beer_closing_prices = np.loadtxt(
        '0=数据源/beer_price2.csv', delimiter=',',
        usecols=(0, 4), unpack=True,
        dtype=np.dtype('M8[D], f8'),
        converters={ 0: dmy2ymd}
    )
    __, apple_closing_prices = np.loadtxt(
        '0=数据源/apple_price.csv', delimiter=',',
        usecols=(0, 4), unpack=True,
        dtype=np.dtype('M8[D], f8'),
        converters={ 0: dmy2ymd}
    )
    # 用理想差分（后一天减去前一天的值）求日收益，再除每天的收盘价
    beer_returns = np.diff(beer_closing_prices)/beer_closing_prices[:-1]
    apple_returns = np.diff(apple_closing_prices)/apple_closing_prices[:-1]
    
    # 卷积降噪
    N = 8  # 卷积和的宽度
    weights = np.hanning(N)  # 权重是大小为8的汉宁窗，8各自对称的数据
    # print(weights)
    weights /= weights.sum()  # 除权重和
    # 两条曲线的卷积
    beer_smooth_returns = np.convolve(beer_closing_prices, weights, 'valid')
    apple_smooth_returns = np.convolve(apple_closing_prices, weights, 'valid')
    
    # 拟合曲线
    days = dates[N-2:-1].astype(int)  # 转化成以天为单位
    degree = 5
    beer_p = np.polyfit(days, beer_smooth_returns, degree)
    beer_fitted_returns = np.polyval(beer_p, days)
    apple_p = np.polyfit(days, apple_smooth_returns, degree)
    apple_fitted_returns = np.polyval(apple_p, days)
    
    # polysub处理
    sub_p = np.polysub(beer_p, apple_p)
    roots = np.roots(sub_p)  # 取根
    reals = roots[np.isreal(roots)].real  # 取实根
    inters = []
    for real in reals:
        if days[0] <= real <= days[-1]:
            inters.append([real, np.polyval(beer_p, real)])
    inters.sort()  # 按照横坐标进行排序
    inters = np.array(inters)  # 变成numpy的数组
    
    # 曲线图基础设置
    mp.figure('Smooth returns', facecolor='lightgray')
    mp.title('Smooth returns', fontsize=20)
    mp.xlabel('Date', fontsize=14)
    mp.ylabel('Returns', 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[:-1], beer_returns, c='dodgerblue', alpha=0.25, label='Beer')
    mp.plot(dates[:-1], apple_returns, c='limegreen', alpha=0.25, label='Apple')
    ''' 此处由于数据不够匹配，因此差别很大，绘制不出想要的效果 '''
    # 绘制卷积后的曲线：卷积之前的数据是没有算入曲线的，所以N-2
    # mp.plot(dates[N-2:-1], beer_smooth_returns, c='dodgerblue', alpha=0.75, label='Smooth Beer')
    # mp.plot(dates[N-2:-1], apple_smooth_returns, c='limegreen', alpha=0.75, label='Smooth Apple')
    # 绘制拟合曲线
    # mp.plot(dates[N-2:-1], beer_fitted_returns, c='dodgerblue', linewidth=3, label='Fitted Beer')
    # mp.plot(dates[N-2:-1], apple_fitted_returns, c='limegreen', linewidth=3, label='Fitted Apple')
    # 绘制polysub后的点
    dates, returns = np.hsplit(inters, 2)
    dates = dates.astype(int).astype('M8[D]').astype(md.datetime.datetime)
    mp.scatter(dates, returns, marker='x', c='firebrick', s=100, lw=3, zorder=3)
    
    
    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

![22][]

[11]: /images/20221124/e7e90b057e4448b7b0dc7c1ef18ddf4b.png
[22]: /images/20221124/92de81b86c83449d92199db56bd3556e.png