Python使用线性回归实现对股票的预测(1)，技术实现

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！**