接上篇《61、Pandas中DataFrame对象的操作(二)》
上一篇我们讲解DataFrame对象的统计分析、可视化以及数据导出与保存相关内容。本篇我们延续之前学习的DataFrame对象的知识,结合一个数据案例进行实践操作。
一、案例说明
我们将通过一个股票数据分析的案例来展示如何使用Pandas的DataFrame和Series对象进行数据分析和处理。在这个案例中,我们将分析某只股票的历史价格数据,包括开盘价、最高价、最低价和收盘价,并计算一些基本的统计指标和可视化结果。
二、准备工作
首先,确保你已经安装了Pandas、seaborn和Matplotlib(用于数据可视化)。如果没有安装,可以通过pip安装:
pip install pandas seaborn matplotlib
三、案例数据
为了简化,我们将直接在代码中定义一只股票(假设为“ABC公司”)的历史价格数据。这些数据包括日期、开盘价、最高价、最低价和收盘价。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 定义数据
data = {
'日期': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05'],
'开盘价': [100, 102, 101, 103, 104],
'最高价': [105, 107, 106, 108, 109],
'最低价': [98, 100, 99, 101, 102],
'收盘价': [103, 105, 104, 107, 108],
'成交量': [3100, 4300, 3400, 4700, 5400]
}
# 创建DataFrame
df = pd.DataFrame(data)
df['日期'] = pd.to_datetime(df['日期']) # 将日期列转换为datetime类型
df.set_index('日期', inplace=True) # 设置日期为索引
print(df)
效果:
四、数据分析和处理
1.计算日收益率
日收益率是股票分析中常用的一个指标,可以通过收盘价计算得到。
这里需要用到pct_change()函数。在Pandas库中,DataFrame.pct_change()是一个非常有用的函数,它用于计算给定DataFrame中数值列的百分比变化。这个函数通常被用来分析数据的时间序列变化,特别是在金融数据分析中非常常见,比如股票价格的变化率。
pct_change()函数的基本用法如下:
●基本语法:
DataFrame.pct_change(periods=1, fill_method='pad', limit=None)
●参数说明:
periods(int, 默认为1):表示向前多少个周期来计算变化率。如果设为1,则计算相邻两个周期之间的变化率。
fill_method(str, 默认为'pad'):填充缺失值的方法。可以是'pad'(使用前一个有效观测值)或'ffill'(同'pad')、'backfill'或'bfill'(使用后一个有效观测值)等。
limit(int, 默认为None):最大连续填充次数。
●返回值:
返回一个新的DataFrame,其中每个数值型列的值都表示相对于前一个时期(或指定时期的时期)的变化率。非数值型列会被忽略。
●示例:
我们对案例中股票价格的DataFrame的“收盘价”使用pct_change()函数:
# 计算日收益率
df['日收益率'] = df['收盘价'].pct_change()
print(df[['收盘价', '日收益率']])
效果:
注意:第一个元素的变化率通常是NaN(未定义),因为没有前期数据进行比较。
2.绘制收盘价走势图
使用Matplotlib绘制收盘价的走势图,以便更直观地观察价格变化。
# 设置Matplotlib支持中文
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置为黑体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像时负号'-'显示为方块的问题
# 创建一个新的图形窗口,设置窗口大小为10英寸宽和5英寸高
plt.figure(figsize=(10, 5))
# 绘制实际的数据。plt.plot() 是用来绘制线图的函数
# df.index表示DataFrame的索引,这里索引是日期,所以它将作为x轴的坐标。
# df['收盘价'] 表示DataFrame中名为“收盘价”的列,它将作为y轴的坐标。
# label='收盘价' 设置了图例标签,用于区分不同的数据系列
plt.plot(df.index, df['收盘价'], label='收盘价')
plt.title('ABC公司股票收盘价走势图') # 设置图表的标题
plt.xlabel('日期') # 设置x轴的标签名
plt.ylabel('价格') # 设置y轴的标签名
plt.grid(True) # 表示启用网格线
plt.legend() # 设置显示图例
plt.show() # 展示图表
效果:
3.统计分析
使用Pandas的内置函数进行统计分析,如计算收盘价的最大值、最小值、均值和标准差。
print("统计信息:")
print(df['收盘价'].describe())
效果:
4.筛选特定日期的数据
假设我们只对周一的数据感兴趣,可以筛选出周一的数据进行分析。
# 假设数据中的日期是连续的,且周一为每周的第一天
monday_df = df[df.index.weekday == 0]
print(monday_df)
效果:
注意:这里的weekday方法返回的是0(周一)到6(周日)的整数,具体取决于你的Pandas版本和设置。
5.相关性分析
分析不同变量之间的相关性,以了解它们之间的关系。
corr_matrix = df[['开盘价', '最高价', '最低价', '收盘价', '成交量']].corr()
print(corr_matrix)
# 可视化相关性矩阵
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()
效果:
6.成交量分析
分析成交量与股价变动之间的关系,寻找潜在的交易信号。
plt.figure(figsize=(12, 6))
plt.bar(df.index, df['成交量'], color='blue', alpha=0.5)
plt.title('ABC公司日成交量')
plt.xlabel('日期')
plt.ylabel('成交量')
plt.grid(True)
plt.show()
# 可以进一步分析成交量与价格变动的关联,如“量价背离”等
效果:
7.量价背离分析
在成交量分析的小节中,当我们进一步探讨成交量与价格变动的关联时,“量价背离”是一个非常重要的概念。它指的是成交量与价格走势之间出现了不一致或相反的趋势,这往往预示着市场可能即将发生转折。
(1)定义
●正量价背离:当价格创新高(或新低),但成交量未能同时创出新高(或新低),即成交量相对前期高点(或低点)有所减少,这通常被视为上涨(或下跌)动能减弱的信号,可能预示着市场即将反转。
●负量价背离:较为少见,但在某些情况下,价格可能形成新低(或新高),而成交量却显著放大,这可能是由于恐慌性抛售(或积极买入)导致的短暂现象,也可能预示着市场即将见底(或见顶)。
(2)示例分析
假设在我们的模拟数据中,我们观察到在股价持续上涨并创出新高时,成交量却未能同步放大,反而有所减少。这种情况就构成了正量价背离,可能意味着上涨动力正在减弱,投资者应警惕市场可能出现的回调或反转。
为了更直观地展示这一点,我们可以先绘制股价和成交量的对比图。
这里我们将故意将一些数据进行修改,方便分析量价背离:
# 将2023-01-05的收盘价改为 109
# 将2023-01-04的收盘价改为 108
# 将2023-01-04的成交量改为 2800
df.loc['2023-01-05', '收盘价'] = 109
df.loc['2023-01-04', '收盘价'] = 108
df.loc['2023-01-04', '成交量'] = 2800
# 绘制股价和成交量的对比图
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1) # 2行1列的第1个图
plt.plot(df.index, df['收盘价'], label='收盘价', color='blue')
plt.title('ABC公司股票价格走势')
plt.xlabel('日期')
plt.ylabel('价格')
plt.grid(True)
plt.legend()
plt.subplot(2, 1, 2) # 2行1列的第2个图
plt.bar(df.index, df['成交量'], color='green', alpha=0.5)
plt.title('ABC公司日成交量')
plt.xlabel('日期')
plt.ylabel('成交量')
plt.grid(True)
plt.tight_layout() # 调整子图布局以避免重叠
plt.show()
效果:
注意:上述代码并未实际检测量价背离,而是展示了如何绘制股价和成交量的对比图。检测量价背离需要额外的逻辑来比较价格和成交量的历史数据。要在上述案例中增加检测量价背离的逻辑代码,我们需要编写一个函数来识别股价和成交量之间的不一致趋势。以下是一个简化的示例,该函数将遍历DataFrame中的价格和成交量数据,以检测正量价背离(价格上涨但成交量减少)或负量价背离(这里我们主要关注正量价背离,因为负量价背离在实际应用中较为少见且复杂):
def detect_price_volume_divergence(df, price_col='收盘价', volume_col='成交量', window=2):
divergences = []
# 计算价格和成交量的滚动变化(这里使用diff而不是滚动平均,因为数据量小)
price_changes = df[price_col].diff(periods=1)
volume_changes = df[volume_col].diff(periods=1)
# 确保我们只在有足够数据的行上进行比较
valid_indices = price_changes.index[1:] # 从第二天开始,因为第一天没有前一天的数据
for idx in valid_indices:
# 获取基于位置的索引
idx_position = df.index.get_loc(idx)
# 检查价格是否上涨
if price_changes.loc[idx] > 0:
# 检查成交量是否显著减少(这里使用简单的百分比减少作为阈值)
if volume_changes.loc[idx] < 0 and df[volume_col].iloc[idx_position] < df[volume_col].iloc[idx_position - 1] * 0.9:
divergence = {
'date': idx,
'price_change': price_changes.loc[idx],
'current_volume': df[volume_col].iloc[idx_position],
'previous_volume': df[volume_col].iloc[idx_position - 1]
}
divergences.append(divergence)
return divergences
# 调用函数并打印结果
divergences = detect_price_volume_divergence(df, window=2) # 使用较小的窗口大小
for divergence in divergences:
print(f"在日期 {divergence['date'].date()} 检测到量价背离,价格上涨但成交量显著减少。")
print(f"当前成交量: {divergence['current_volume']}, 之前成交量: {divergence['previous_volume']}")
print("-----------")
# 注意:这个示例中的背离检测逻辑非常简化,并且可能需要根据实际情况进行调整。
# 特别是关于“成交量减少”的判定,这里仅使用了简单的平均值比较和硬编码的阈值(9%)。
# 在实际应用中,您可能需要考虑更复杂的逻辑,如使用标准差、百分比变化等。
注意:由于数据量很小,这里使用了window=2来确保有足够的数据点进行比较。
效果:
(3)注意事项
量价背离是一个警示信号,而非绝对的买卖信号。它需要结合其他技术指标和市场环境进行综合分析。
量价背离的可靠性可能受到市场流动性、投资者情绪、政策变化等多种因素的影响。
在实际应用中,建议结合多种分析工具和技术指标来提高分析的准确性和可靠性。
至此,关于Pandas中DataFrame和Series的内容全部介绍完毕,下一篇我们继续学习Pandas如何实现数据的Merge。
转载请注明出处:https://guangzai.blog.csdn.net/article/details/141110236