先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Python全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
import quandl
import math
from sklearn import preprocessing #包提供几种常用的效用函数及转换器类,用于更改原始特征向量表示形式以适应后续评估量。
import numpy as np
从quandl处 获取数据
quandl.ApiConfig.api_key = ‘这里填写自己的key值’;
df = quandl.get(‘WIKI/GOOGL’);
print (df.columns.tolist()) #输出所有的列
输出
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200514162037939.png)
二、数据处理
定义预测列标签名 存放研究对象的标签名
forecast_col = ‘Adj. Close’;
定义预测天数 这里取所有数据量长度的百分之1
forecats_count = math.ceil(len(df)*0.01)
z只用到以下字段
df = df[[‘Adj. Open’,‘Adj. High’,‘Adj. Low’,‘Adj. Close’,‘Adj. Volume’]];
print(df);
构造两个新的列 HL_PCT为股票最高价与最低价变化百分比 PCT_Change为股票收盘价与开盘价的变化百分比
df[‘HL_PCT’] = (df[‘Adj. High’]-df[‘Adj. Low’])/df[‘Adj. Close’]*100;
df[‘PCT_Change’] = (df[‘Adj. Close’]-df[‘Adj. Open’])/df[‘Adj. Open’]*100;
真正用到的特征字段如下
df = df[[‘Adj. Close’,‘HL_PCT’,‘PCT_Change’,‘Adj. Volume’]];
print(df.head());
sklearn并不会处理空值 这里将空值全部填充为比较难出现的值 这里填-99999 增加inplace=True 填充的作用将改变数据源 否则不改变数据源
df.fillna(-99999,inplace=True);
增加label字段表示预测结果 即y 用df[‘Adj. Close’]向前移动forecats_count来进行表示
df[‘label’] = df[forecast_col].shift(forecats_count);
三、生成X y以及预测用到的X\_lately
X = np.array(df.drop([‘label’],axis=1)); #axis=1 表示删除这一列
X = preprocessing.scale(X); #对数据进行规范化处理 示其服从正态分布
上面生成label时 留下%1行没有数据 所有其对应的其他数据可以作为预测时的输入数据
X_lately = X[-forecats_count:];
X = X[:-forecats_count];
df.dropna(inplace=True); # 抛弃那些 label列为空的行 之前已经填充过了 所以现在只有label有空的
y = np.array(df[‘label’]);
四、机器学习
from sklearn.linear_model import LinearRegression
from sklearn import model_selection,svm
将X y 分为训练集和测试集合
X_train,X_test,Y_train,Y_test = model_selection.train_test_split(X,y,test_size=0.2,random_state=1)
训练
lr = LinearRegression();
lr.fit(X_train,Y_train);# 训练
accuracy = lr.score(X_test,Y_test);# 用测试数据评估准确性
print(“输出评估值”,accuracy);
进行预测
forecats_set = lr.predict(X_lately);
print(“预测值”,forecats_set);
print(“截距”,lr.intercept_);
print(“系数”,lr.coef_);
输出
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200514162436331.png)
五、画图显示
### 最后
> **🍅 硬核资料**:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
> **🍅 技术互助**:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
> **🍅 面试题库**:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
> **🍅 知识体系**:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)**
![img](https://img-blog.csdnimg.cn/img_convert/30921bc4cf0eeef5892010568e584ffc.png)
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
系统化的资料的朋友,可以添加V获取:vip1024c (备注python)**
[外链图片转存中...(img-hrvq2ETR-1713350200194)]
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**