Python使用线性回归实现对股票的预测(2)，面试官必问问题及答案

本文链接：https://blog.csdn.net/2401_84139908/article/details/137884027

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

输出

在这里插入图片描述

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

五、画图显示


import matplotlib.pyplot as plt

from matplotlib import style

# 修改matplotlib样式

style.use('ggplot');

one_day = 86400; #86400秒 代表24小时

# 在df中新建Forecast列，用于存放预测值

df['Forecast'] = np.nan;

# 取df最后一行的时间索引

last_date = df.iloc[-1].name;

last_unix = last_date.timestamp();  #将时间转化为时间戳

next_unix = last_unix+one_day;  #下一天的时间戳


**（1）Python所有方向的学习路线（新版）**  

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。



![在这里插入图片描述](https://img-blog.csdnimg.cn/1f807758e039481fa866130abf71d796.png#pic_center)



**（2）Python学习视频**



包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

![在这里插入图片描述](https://img-blog.csdnimg.cn/d66e3ad5592f4cdcb197de0dc0438ec5.png#pic_center)



**（3）100多个练手项目**

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

![在这里插入图片描述](https://img-blog.csdnimg.cn/f5aeb4050ab547cf90b1a028d1aacb1d.png#pic_center)




**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/694a6be4318aad522c6c14e3031f1d60.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！**
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）**
[外链图片转存中...(img-1hqlInMc-1713350224141)]

**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！**