头歌实验 MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型构建在线实验闯关

最新推荐文章于 2025-05-07 09:48:05 发布
最新推荐文章于 2025-05-07 09:48:05 发布
阅读量2.5k 收藏 23
点赞数 17
文章标签： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_76039426/article/details/143590239
版权

文章目录

第1关：移动平均线指标计算

#********** Begin **********#

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

# 计算收盘价5、10、20日移动平均价格，

# 返回计算结果，结果用一个数据框ma表示，第1-3列依次为5、10、20日移动平均价格

def return_values():

    import pandas as pd

    data=pd.read_excel('trd_data.xlsx')

    d=data[data.iloc[:,0].values==601668]

    d=d[d.iloc[:,1].values>='2017-01-01']

    d=d[d.iloc[:,1].values<='2018-01-01']

    d.index=range(len(d)) #索引重新排序

    #2.移动平均线指标的计算

    ma5=d['收盘价'].rolling(5).mean() #计算5日的移动平均

    ma10=d['收盘价'].rolling(10).mean() #计算10日的移动平均

    ma20=d['收盘价'].rolling(20).mean() #计算20日的移动平均

    #3.合并数据并保存Excel表

    ma={'MA5':ma5,'MA10':ma10,'MA20':ma20}

    ma=pd.DataFrame(ma)    

    return ma

#********** End **********#

第2关：指数平滑异同平均线指标的计算

#********** Begin **********#

#今有部分股票交易数据表“trd_data”，字段名称为：
# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额
# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，
# 计算MACD指标，公式参考书本
# 返回计算结果，结果用一个数据框macd表示。
#注意：读取的交易数据表，需按照日期的升序进行排序
def return_values():
    import pandas as pd
    data=pd.read_excel('trd_data.xlsx')#题目数据
    d=data[data.iloc[:,0].values==601668]
    d=d[d.iloc[:,1].values>='2017-01-01']
    d=d[d.iloc[:,1].values<='2018-01-01']
    d.index=range(len(d)) #索引重新排序
    #2.平滑异同平均线MACD指标值
    import numpy as np
    #指数平滑移动平均
    ema12=pd.DataFrame.ewm(d['收盘价'],span=12).mean() 
    ema26=pd.DataFrame.ewm(d['收盘价'],span=26).mean()
    dif=ema12-ema26
    dea=np.zeros((len(dif))) #以dif为长度做全为0的数组
    macd=np.zeros((len(dif)))
    
    for t in range(len(dif)):
        if t==0:
            dea[t]=dif[t]
        if t>0:
            dea[t]=(2*dif[t]+8*dea[t-1])/10
        macd[t]=2*(dif[t]-dea[t])
    #3.合并数据并保存Excel表 
    macd={'MACD':macd}
    macd=pd.DataFrame(macd) 
    
    
    
    return macd

#********** End **********#

第3关：随机指标K、D、J的计算

#********** Begin **********#

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

# 计算KDJ指标，公式参考书本

# 返回计算结果，结果用一个数据框KDJ表示,

# 其中第1列为交易日期，2-4列分别为K、D、J指标值

#注意：读取的交易数据表，需按照日期的升序进行排序

def return_values():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    d=A[A.iloc[:,0].values==601668]

    d=d[d.iloc[:,1].values>='2017-01-01']

    d=d[d.iloc[:,1].values<='2018-01-01']

    d.index=range(len(d)) #索引重新排序

    #2.平滑异同平均线MACD指标值

    #计算移动周期内的最大值和最小值

    import numpy as np

    Lmin=d['最低价'].rolling(9).min() #周期数为9

    Lmax=d['最高价'].rolling(9).max()

    rsv=(d['收盘价'].values-Lmin)/(Lmax-Lmin)

    K=np.zeros((len(rsv)))

    D=np.zeros((len(rsv)))

    J=np.zeros((len(rsv)))

    for t in range(9,len(d)):

        if t==0:

            K[t]=rsv[t]

            D[t]=rsv[t]

        if t>0:

            K[t]=2/3*K[t-1]+1/3*rsv[t]

            D[t]=2/3*D[t-1]+1/3*K[t]

        J[t]=3*D[t]-2*K[t]

    #3.合并数据并保存Excel表

    kdj={'D':D,'J':J,'K':K}

    kdj=pd.DataFrame(kdj)

    date={'交易日期':d['Trddt'].values}

    date=pd.DataFrame(date)

    KDJ=date.join(kdj)

   

   

    return KDJ

#********** End **********#

第4关：计算相对强弱RSI指标

# -*- coding: utf-8 -*-

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd 、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

#计算出的三个指标RSI6、RSI12、RSI24用数据框Data储存

#Data的前三列的指标数分别为RSI6、RSI12、RSI24,

'''注意：读取的交易数据表，需按照日期的升序进行排序，即:2017年开始日期到结束日期，不按照命名要求进行命名

则无法检测答题结果是否准确'''

def return_values():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    a1=A['Trddt'].values>='2017-01-01'

    a2=A['Trddt'].values<='2017-12-31'

    data1=A.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))  #规范索引

    #预定义涨跌标识向量z

    import numpy as np

    z=np.zeros(len(data1)-1)

    #涨跌标识向量赋值

    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>=0]=1 #涨

    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌

    #涨情况统计

    zhang=pd.Series(z==1) #转化为序列

    #6天移动计算涨数

    zhang1=zhang.rolling(6).sum()

    zhang1=zhang1.values   #转化为数组

    #12天移动计算涨数

    zhang2=zhang.rolling(12).sum()

    zhang2=zhang2.values   #转化为数组

    #24天移动计算涨数

    zhang3=zhang.rolling(24).sum()

    zhang3=zhang3.values   #转化为数组

    #跌情况统计

    die=pd.Series(z==-1) #转化为序列

    #6天移动计算跌数

    die1=die.rolling(6).sum()

    die1=die1.values   #转化为数组

    #12天移动计算跌数

    die2=die.rolling(12).sum()

    die2=die2.values   #转化为数组

    #24天移动计算跌数

    die3=die.rolling(24).sum()

    die3=die3.values   #转化为数组

    #RSI指标计算

    rsi6=np.zeros((len(data1)))

    rsi12=np.zeros((len(data1)))

    rsi24=np.zeros((len(data1)))

    for t in range(6-1,len(data1)-1):

        rsi6[t]=zhang1[t]/(zhang1[t]+die1[t])

    for i in range(12-1,len(data1)-1):

        rsi12[i]=zhang2[i]/(zhang2[i]+die2[i])  

    for j in range(24-1,len(data1)-1):

        rsi24[j]=zhang3[j]/(zhang3[j]+die3[j])

    #将计算出的指标与交易日期利用字典整合起来

    rsi={'RSI6':rsi6,'RSI12':rsi12,'RSI24':rsi24}

    rsi=pd.DataFrame(rsi)    

    date={'交易日期':data1['Trddt'].values}

    date=pd.DataFrame(date)

    RSI=date.join(rsi)

   

    return RSI


第5关：乖离率指标BIAS的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd 、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据

#计算出的三个指标Bias5、Bias10、Bias520用数据框Data储存

#Data的前三列的指标数分别为Bias5、Bias10、Bias520,请按照左侧提供的公式进行计算。

#注意：读取的交易数据表，需按照日期的升序进行排序

def return_values():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    data=A

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))

    #预定义乖利率指标

    import numpy as np

    bias5=np.zeros((len(data1)))

    bias10=np.zeros((len(data1)))

    bias20=np.zeros((len(data1)))

   

    #计算5天移动平均价格和BIAS指标计算

    man5=data1.iloc[:,5].rolling(5).mean()

    for t in range(5-1,len(data1)):

        bias5[t]=(data1.iloc[t,5]-man5[t])/man5[t]

   

    #计算10天移动平均价格和BIAS指标计算

    man10=data1.iloc[:,5].rolling(10).mean()

    for i in range(10-1,len(data1)):

        bias10[i]=(data1.iloc[i,5]-man10[i])/man10[i]

   

    #计算20天移动平均价格和BIAS指标计算

    man20=data1.iloc[:,5].rolling(20).mean()

    for j in range(20-1,len(data1)):

        bias20[j]=(data1.iloc[j,5]-man20[j])/man20[j]

       

    #将计算出的指标与交易日期利用字典整合起来

    bias={'BIAS5':bias5,'BIAS10':bias10,'BIAS20':bias20}

    bias=pd.DataFrame(bias)  

    Data = bias

   

    return Data

第6关：能量潮指标OBV的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd 、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2017-12-31的交易数据

#计算能量潮OBV指标，请根据左边所提供的公式来进行计算

#能量潮指标OBV的计算结果用一个数据框L来表示，

#注意：读取的交易数据表，需按照日期的升序进行排序

def result():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    data=A

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))

    #预定义能量潮指标

    import numpy as np

    obv=np.zeros((len(data1)))

    for t in range(len(data1)):

        if t==0:

            obv[t]=data1['交易量'].values[t]

        if t>0:

            if data1['收盘价'].values[t]>=data1['收盘价'].values[t-1]:

                obv[t]=obv[t-1]+data1['交易量'].values[t]

            if data1['收盘价'].values[t]<data1['收盘价'].values[t-1]:

                obv[t]=obv[t-1]-data1['交易量'].values[t]

               

    #将计算出的能量潮指标与交易日期利用字典整合起来

    obv={'OBV':obv}

    obv=pd.DataFrame(obv)  

    L=obv

    return L


第7关：涨跌趋势指标的定义及计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd 、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据

'''计算出涨跌趋势指标其方法如下：下一日收盘价减去当日收盘价，

若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示'''

#计算结果用数据框Y进行储存，

#注意：读取的交易数据表，需按照日期的升序进行排序

def result():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    data=A

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))

    #预定义因变量y和标识变量z

    import numpy as np

    y=np.zeros((len(data1)))

    z=np.zeros((len(y)-1))

    for t in range(len(z)):

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>0]=1 #涨

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values==0]=0 #平

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌

        y[t]=z[t]

    Y={'涨跌趋势':y}

    Y=pd.DataFrame(Y)

    return Y

第8关：基于技术指标的股票价格涨跌趋势预测模型的构建（支持向量机模型）

#请结合前几题所计算出的各种指标，构建出股票价格涨跌趋势预测模型

#将指标与交易日期以及股价的涨跌趋势整合起来

##提取训练（1-11月）和测试数据（12月）

#数据标准化

#支持向量机模型

#计算模型准确率和预测准确率分别用sc和Rs储存,模型实用支持向量机模型

#若不按照命名要求进行命名则无法检测答题结果是否准确

def result():

    import pandas as pd

    data1=pd.read_excel('Y.xlsx')  #跌涨趋势指标

    data1.drop('Unnamed: 0', axis=1, inplace=True)

    data2=pd.read_excel('MA.xlsx') #移动平均线指标

    data2.drop('Unnamed: 0', axis=1, inplace=True)

    data3=pd.read_excel('MACD.xlsx') #平滑异同平均线指标

    data3.drop('Unnamed: 0', axis=1, inplace=True)

    data4=pd.read_excel('KDJ.xlsx')  #随机指标

    data4.drop('Unnamed: 0', axis=1, inplace=True)

    data5=pd.read_excel('RSI.xlsx')  #相对强弱指标

    data5.drop('Unnamed: 0', axis=1, inplace=True)

    data6=pd.read_excel('BIAS.xlsx') #乖离率指标

    data6.drop('Unnamed: 0', axis=1, inplace=True)

    data7=pd.read_excel('OBV.xlsx')  #能量潮指标

    data7.drop('Unnamed: 0', axis=1, inplace=True)

    #将指标与交易日期以及股价的涨跌趋势整合起来

    zh=pd.concat([data3,data4,data5,data6,data7,data1],axis=1)

    zh.drop('交易日期',axis=1,inplace=True)

    zh=pd.concat([data2,zh],axis=1)

    zh1=zh.dropna()

    #提取训练和测试数据

    x1=zh1['交易日期']<='2017-11-30'

    index=x1.values==True

    index1=x1.values==False

    x_train=zh1.iloc[index,1:15]

    y_train=zh1.iloc[index,15]

    x_test=zh1.iloc[index1,1:15]

    y_test=zh1.iloc[index1,15]

    #数据标准化

    from sklearn.preprocessing import StandardScaler

    scaler = StandardScaler()

    scaler.fit(x_train)

    x_train=scaler.transform(x_train)

    x_test=scaler.transform(x_test)

   

    #支持向量机模型

    from sklearn import svm

    clf= svm.SVC(kernel='rbf', C=5)

    clf.fit(x_train,y_train)

    sc=clf.score(x_train,y_train)

    result=clf.predict(x_test)

    Z=result-y_test

    Rs=len(Z[Z==0])/len(Z)

   

    return [sc,Rs]

优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关
Junds0的博客
03-22 1815
任务描述本关任务:以中国建筑（股票代码：601668）2017年的交易数据为例，编写一个程序脚本（非函数形式），计算其涨跌趋势指标值。其方法如下：下一日收盘价减去当日收盘价，若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示。相关知识股价趋势预测主要是通过建立预测模型进行的，是自变量，是因变量。本节主要是将这些技术指标作为输入自变量，而因变量是根据股票每日的收盘价确定的。
OBV指标计算与预测模型在线实验闯关
ByteKnight的博客
08-15 431
OBV指标是一种基于成交量的技术分析工具，用于测量买入和卖出压力的强弱。通过分析成交量的变动情况，OBV指标可以帮助投资者判断股票价格的趋势以及买卖信号。除了计算OBV指标，我们还可以使用机器学习算法构建一个预测模型来预测未来的OBV值。综上所述，我们介绍了OBV指标的计算方法，并以Python代码示例展示了如何计算OBV指标和构建OBV指标预测模型。最后，我们可以使用均方误差（Mean Squared Error，MSE）等评价指标评估预测结果与实际情况之间的误差。会返回一个包含OBV值的列表。
MA、MACD、KDJ、RSI、OBV相关指标计算
JS74110的博客
12-15 1989
z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values==0]=0 #平。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>=0]=1 #涨。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌。
基于macd、kdj、ma技术指标分析股票多空方向——应用开发3 计算股票相关技术指标数据
m0_64902855的博客
01-18 3992
接上一节，我们获取了000001.SZ股票过去一年的历史数据stock_df，接下来我们就计算技术指标 所用包 pandas_ta import pandas_ta as ta 关于pandas_ta 可以在GitHub - twopirllc/pandas-ta: Technical Analysis Indicators - Pandas TA is an easy to use Python 3 Pandas Extension with 130+ Indicators这里了解更多...
1.1 pandas清洗数据、做均线
actuaryzx的博客
05-09 1310
前言 量化投资实践入门，从处理基本数据开始。 这个python程序就是用于处理基本股票日度收益率。数据来源是国泰安CSMAR数据库 其中，各个标签的意思如下： Stkcd： 股票代码 Trddt： 交易日期 Opnprc： 开盘价 Hiprc： 最高价 Loprc： 最低价 Clsprc： 收盘价 Adjprcwd：...
优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关 2.html
09-23
其中，移动平均线（MA）、指数平滑异同移动平均线（MACD）、随机指标（KDJ）、相对强弱指数（RSI）以及能量潮指标（OBV）是投资者在市场分析中广泛使用的工具。 移动平均线（MA）是最基础的技术分析工具之一，它...
文华财经期货软件指标公式源码赢顺云指标macd kdj rsi cci boll dmi vol obv bias.docx
07-30
"文华财经期货软件指标公式源码赢顺云指标macd kdj rsi cci boll dmi vol obv bias" 本文档提供了一份关于期货软件指标公式的源码，涵盖了多种技术指标，包括MACD、KDJ、RSI、CCI、BOLL、DMI、VOL、OBV、BIAS等。...
上市公司综合排名及投资组合构建、收益率计算在线实验闯关
Junds0的博客
03-24 2912
本关任务：采用综合评价方法，基于2016年的财务指标数据进行综合评价，获得排名前20的股票代码构建投资组合，以2017年5月1日至12月31日为持有期，计算投资组合的收益率，并与同期的沪深300指数收益率比较。变量或指标的单位不同，造成有些指标数据值非常大，而有些非常小，在模型运算中，大的数据会把小的数据覆盖，造成模型失真，因此需要对这些数据进行规范化处理。为了完成本关任务，你需要掌握的知识：1.掌握综合评价方法，2.获得排名前20的股票代码构建投资组合。3.计算投资组合的收益率。
股票联动与轮动布尔数据集构建在线实验闯关
cfy2401926342的博客
07-04 719
【代码】股票联动与轮动布尔数据集构建在线实验闯关。
上市公司综合排名及投资组合构建
JS74110的博客
12-15 1687
6.读取上市公司基本信息表：“TRD_Co.xlsx”，字段名称依次为：股票代码、股票简称。# 2.投资组合持有期为2017-05-01日至2017-12-31日，计算其收益率。# 股票代码、会计期间、营业收入、营业利润、利润总额、净利润、资产总计、# 持有期内最后交易日的考虑现金红利再投资的收盘价可比价p2卖出，# 股票代码、交易日期、收盘价、考虑现金红利再投资的收盘价可比价、# 固定资产净额、资产收益率、每股净资产、每股资本公积、每股收益。# 不考虑现金红利再投资的收盘价可比价。
科比投篮预测——可视化与探索性数据分析（一）
Junds0的博客
05-11 2476
第1关：投篮位置 本关任务：从数据中，我们无法看出特征lat，lon和loc_x，loc_y的区别，所以我们绘制一个一行两列的两个散点图，表示loc_x，loc_y，lat，lon的关系。 import matplotlib.pyplot as plt import pandas as pd pd.set_option('display.max_columns', 1000) pd.set_option('display.width', 1000) pd.set_option('display.max_co
boll指标 java_ta-lib计算BOLL值、RSI值、OBV成交量
weixin_42341237的博客
02-23 3321
在使用Ta-lib计算MACD与KDJ 篇中给出了使用python talib模块计算MACD 和 KDJ值的方法，除了这两个指标，本篇再结合该模块，取下BOLL 布林线、RSI 强弱指数、OBV成交量三个指标。一、BOLL布林线布林线指标，即BOLL指标，其英文全称是“Bollinger Bands”，布林线(BOLL)由约翰 布林先生创造，其利用统计原理，求出股价的标准差及其信赖区间，从而确...
股票数据表相关字段含义（通过tushare获取）
k_717的博客
04-10 3033
目录 一、字段来源 二、股票数据表 （1）index_basic（指数基本信息表） （2）index_global（国际主要指数表） （3）listedcompany_basic（上市公司基本信息） （4）stock_basic（每支股票基本数据） （5）日线行情 （6）交易日 一、字段来源 Tushare数据工具 二、股票数据表 （1）index_basic（指数基本信息表） 输出参数 名称 类型 描述 ts_code str TS代码
pythonmacd指标编写_利用python编写macd、kdj、rsi、ma等指标
weixin_39618169的博客
11-30 1028
利用python编写macd、kdj、rsi、ma等指标 (3页) 本资源提供全文预览，点击全文预览即可全文预览,如果喜欢文档就下载吧，查找使用更方便哦！8.90 积分# -*- coding: utf-8 -*- “““ Created on Thu Dec 15 13:57:32 2016@author: four “““ import pandas as pd#获取地址数据 def get...
数据分析实战 -- 股票量化交易分析
热门推荐
一名新生程序员的日常
10-03 1万+
前景提要 大二实习结束过去五个多月了。 当时入职数据分析还算是有点基础进入的公司。 如今这么久不学数据分析了，似乎都有点生疏了。 今天写个数据分析实战，为了弥补一下亏欠粉丝的承诺吧。 主要目标 使用Python爬取股票数据 数据清洗并上传至HDFS 使用PyHive对股票数据进行分析 Python数据分析-量化交易 股票量化交易分析 使用Python爬取股票数据 我们这次的目标地址是url:网易行情中心 沪深行情 在这个网站里面找到行业面板，里面随便点开一个行业信息，我在这里点开通用设备制造。 因为
KDJ、RSI、MACD
qq_32619837的博客
01-16 3706
MACD——指数平滑异同移动平均线(趋势类指标代表) 一、简介：指数平滑异同移动平均线,又称指数离差指标，是移动平均线原理的进一步发展。这一技术分析工具自1971年由查拉尔德拉徘尔创造出来之后，一直深受股市投资者的欢迎。 MACD的原理是运用短期（快速）和长期（慢速）移动平均线聚合和分散的征兆加以双重平滑运算，用来研判买进与卖出的时机，在股市中这一指标有较大的实际意义。根据移动平均线的特性，在一...
构建高质量数据湖：大数据治理在湖仓一体架构下的实践指南
最新发布
2401_88419115的博客
05-07 1066
湖仓一体（Lakehouse）是数据湖（Data Lake）和数据仓库（Data Warehouse）两者的融合架构，旨在将数据湖的扩展性和灵活性与数据仓库的数据管理能力和结构化查询性能结合起来。支持 Hive / HBase / Kafka / Spark 等平台接入提供 REST API 和 Web UI 查询支持数据血缘、分类、标签、审计等功能通过对数据湖的五大治理模块进行系统化建设，企业可以在保持数据湖开放与扩展能力的同时，实现安全、可控、高质量的数据管理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值