Python 时间序列分析

关注微信号：小程在线

关注CSDN博客：程志伟的博客

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
 

sns.set_style('whitegrid')

#读取时间序列

goertek=pd.read_csv('H:/0date/gertek_2016_d.csv')
goertek.head()
Out[3]: 
         date     open     high  ...        v_ma5       v_ma10       v_ma20
0  2016-12-23  3333.40  3334.89  ...   93437446.4  110550392.0  139164898.4
1  2016-12-22  3335.12  3340.36  ...   92103587.2  115836250.4  141973738.0
2  2016-12-21  3313.75  3342.48  ...   96640270.4  118346918.4  144647190.8
3  2016-12-20  3328.30  3329.10  ...   99790819.2  118955928.8  147353865.6
4  2016-12-19  3342.34  3344.86  ...  106497921.6  121751879.2  151401558.8

[5 rows x 14 columns]

#参看数据类型

type(goertek['date'])
Out[4]: pandas.core.series.Series

type(goertek['date'][0])
Out[5]: str

#改为时间类型

goertek['date']=pd.to_datetime(goertek['date'])
type(goertek['date'][0])
Out[6]: pandas._libs.tslibs.timestamps.Timestamp

#把时间作为索引

goertek=goertek.set_index('date')
goertek.head()
Out[7]: 
               open     high    close  ...        v_ma5       v_ma10       v_ma20
date                                   ...                                       
2016-12-23  3333.40  3334.89  3307.60  ...   93437446.4  110550392.0  139164898.4
2016-12-22  3335.12  3340.36  3335.67  ...   92103587.2  115836250.4  141973738.0
2016-12-21  3313.75  3342.48  3338.54  ...   96640270.4  118346918.4  144647190.8
2016-12-20  3328.30  3329.10  3309.06  ...   99790819.2  118955928.8  147353865.6
2016-12-19  3342.34  3344.86  3328.98  ...  106497921.6  121751879.2  151401558.8

[5 rows x 13 columns]

type(goertek.index)
Out[8]: pandas.core.indexes.datetimes.DatetimeIndex

 

#parse_dates判断数据是否是时间格式

goertek=pd.read_csv('H:/0date/gertek_2016_d.csv',index_col='date',parse_dates=True)
goertek.head()
Out[9]: 
               open     high    close  ...        v_ma5       v_ma10       v_ma20
date                                   ...                                       
2016-12-23  3333.40  3334.89  3307.60  ...   93437446.4  110550392.0  139164898.4
2016-12-22  3335.12  3340.36  3335.67  ...   92103587.2  115836250.4  141973738.0
2016-12-21  3313.75  3342.48  3338.54  ...   96640270.4  118346918.4  144647190.8
2016-12-20  3328.30  3329.10  3309.06  ...   99790819.2  118955928.8  147353865.6
2016-12-19  3342.34  3344.86  3328.98  ...  106497921.6  121751879.2  151401558.8

[5 rows x 13 columns]

type(goertek.index)
Out[10]: pandas.core.indexes.datetimes.DatetimeIndex

 

#------------DateOffset与TimeDelta-----------

lastday=pd.datetime(2016,12,31)
lastday
__main__:1: FutureWarning: The pandas.datetime class is deprecated and will be removed from pandas in a future version. Import from datetime module instead.
Out[11]: datetime.datetime(2016, 12, 31, 0, 0)

#DateOffset偏移时间

newyear=lastday+pd.DateOffset(days=1)
newyear
Out[47]: Timestamp('2017-01-01 00:00:00')

#now查看当前时间

today=pd.datetime.now()
today
__main__:1: FutureWarning: The pandas.datetime class is deprecated and will be removed from pandas in a future version. Import from datetime module instead.
Out[12]: datetime.datetime(2020, 2, 21, 11, 5, 26, 681789)

#偏移一周

today+pd.DateOffset(weeks=1)
Out[13]: Timestamp('2020-02-28 11:05:26.681789')

#偏移2年6个月 乘以 2

today+2*pd.DateOffset(years=2, months=6)
Out[14]: Timestamp('2025-02-21 11:05:26.681789')

import datetime

#时间间隔7天

weekDelta=datetime.timedelta(weeks=1)
weekDelta
Out[16]: datetime.timedelta(days=7)

#延后7天

today=pd.datetime.now()
today+weekDelta
__main__:1: FutureWarning: The pandas.datetime class is deprecated and will be removed from pandas in a future version. Import from datetime module instead.
Out[17]: datetime.datetime(2020, 2, 28, 11, 10, 35, 497125)

 

 

#----------------------------时间序列函数-------------------

goertek=goertek.sort_index(ascending=True)
goertek.head()
Out[18]: 
                open      high     close  ...        v_ma5       v_ma10       v_ma20
date                                      ...                                       
2016-01-04  3725.856  3726.245  3469.066  ...  115749635.2  145030968.0  138741052.8
2016-01-05  3382.177  3518.217  3478.780  ...  117375344.0  139499139.2  141152744.8
2016-01-06  3482.406  3543.739  3539.808  ...  126191462.4  136065387.2  142161998.0
2016-01-07  3481.150  3481.150  3294.384  ...  113886000.0  119773936.0  138700858.8
2016-01-08  3371.871  3418.851  3361.563  ...  130703180.8  123651742.4  141988050.4

[5 rows x 13 columns]

goertek.tail()
Out[19]: 
               open     high    close  ...        v_ma5       v_ma10       v_ma20
date                                   ...                                       
2016-12-19  3342.34  3344.86  3328.98  ...  106497921.6  121751879.2  151401558.8
2016-12-20  3328.30  3329.10  3309.06  ...   99790819.2  118955928.8  147353865.6
2016-12-21  3313.75  3342.48  3338.54  ...   96640270.4  118346918.4  144647190.8
2016-12-22  3335.12  3340.36  3335.67  ...   92103587.2  115836250.4  141973738.0
2016-12-23  3333.40  3334.89  3307.60  ...   93437446.4  110550392.0  139164898.4

[5 rows x 13 columns]

#shift偏移数据

goertek.shift(1).head(3)
Out[20]: 
                open      high     close  ...        v_ma5       v_ma10       v_ma20
date                                      ...                                       
2016-01-04       NaN       NaN       NaN  ...          NaN          NaN          NaN
2016-01-05  3725.856  3726.245  3469.066  ...  115749635.2  145030968.0  138741052.8
2016-01-06  3382.177  3518.217  3478.780  ...  117375344.0  139499139.2  141152744.8

[3 rows x 13 columns]

#按月进行

goertek.asfreq('BM')
Out[21]: 
                open      high     close  ...        v_ma5       v_ma10       v_ma20
date                                      ...                                       
2016-01-29  2855.598  2965.309  2946.090  ...  110646072.0  111380396.8  122499499.2
2016-02-29  2939.580  2939.875  2877.467  ...  123694110.4  121202825.6  108902741.2
2016-03-31  3229.200  3241.927  3218.088  ...  107497318.4  138788992.8  129922554.0
2016-04-29  3153.537  3171.289  3156.745  ...   62888933.6   83644518.0  103044368.2
2016-05-31  3068.596  3170.926  3169.559  ...   75895244.0   69714819.6   74371733.0
2016-06-30  3152.833  3163.720  3153.921  ...   92700076.8   83469470.0   84343779.4
2016-07-29  3217.192  3225.418  3203.930  ...  102453550.4   95620234.4  112470896.4
2016-08-31  3310.565  3333.972  3327.793  ...   82890593.6   95886160.0  107540506.4
2016-09-30  3240.177  3260.940  3253.284  ...   54814162.4   57857660.8   72046803.6
2016-10-31       NaN       NaN       NaN  ...          NaN          NaN          NaN
2016-11-30  3557.640  3567.070  3538.000  ...  184444368.0  163708126.4  151030986.4

[11 rows x 13 columns]

#按小时，前填充

goertek.asfreq('H',method='ffill')
Out[22]: 
                         open      high  ...       v_ma10       v_ma20
date                                     ...                          
2016-01-04 00:00:00  3725.856  3726.245  ...  145030968.0  138741052.8
2016-01-04 01:00:00  3725.856  3726.245  ...  145030968.0  138741052.8
2016-01-04 02:00:00  3725.856  3726.245  ...  145030968.0  138741052.8
2016-01-04 03:00:00  3725.856  3726.245  ...  145030968.0  138741052.8
2016-01-04 04:00:00  3725.856  3726.245  ...  145030968.0  138741052.8
                      ...       ...  ...          ...          ...
2016-12-22 20:00:00  3335.120  3340.360  ...  115836250.4  141973738.0
2016-12-22 21:00:00  3335.120  3340.360  ...  115836250.4  141973738.0
2016-12-22 22:00:00  3335.120  3340.360  ...  115836250.4  141973738.0
2016-12-22 23:00:00  3335.120  3340.360  ...  115836250.4  141973738.0
2016-12-23 00:00:00  3333.400  3334.890  ...  110550392.0  139164898.4

[8497 rows x 13 columns]

goertek_m=pd.read_csv('H:/0date/gertek_2016.csv',parse_dates=True,index_col='date')
goertek_m.head()
Out[23]: 
                        open     high    close  ...      v_ma5     v_ma10     v_ma20
date                                            ...                                 
2016-12-22 15:00:00  3334.41  3335.63  3335.63  ...  5323810.0  4528870.0  5701990.0
2016-12-22 14:45:00  3339.31  3340.04  3334.36  ...  4604820.0  4151560.0  5685350.0
2016-12-22 14:30:00  3334.99  3339.39  3339.31  ...  4160060.0  4118640.0  5785230.0
2016-12-22 14:15:00  3331.56  3336.99  3335.10  ...  3909410.0  4263560.0  5786760.0
2016-12-22 14:00:00  3328.97  3331.21  3331.21  ...  3858020.0  4628960.0  5906510.0

[5 rows x 13 columns]

goertek_resample=goertek_m.resample('30Min')
type(goertek_resample)
Out[24]: pandas.core.resample.DatetimeIndexResampler

goertek_resample.mean()
Out[25]: 
                         open      high  ...     v_ma10     v_ma20
date                                     ...                      
2016-10-10 10:30:00  3263.620  3272.490  ...  5132490.0  3723360.0
2016-10-10 11:00:00  3277.510  3280.080  ...  5362790.0  3780180.0
2016-10-10 11:30:00  3279.470  3292.100  ...  5557140.0  3905820.0
2016-10-10 12:00:00       NaN       NaN  ...        NaN        NaN
2016-10-10 12:30:00       NaN       NaN  ...        NaN        NaN
                      ...       ...  ...        ...        ...
2016-12-22 13:00:00  3327.580  3328.270  ...  6539310.0  6348340.0
2016-12-22 13:30:00  3324.625  3328.825  ...  5723880.0  6146430.0
2016-12-22 14:00:00  3330.265  3334.100  ...  4446260.0  5846635.0
2016-12-22 14:30:00  3337.150  3339.715  ...  4135100.0  5735290.0
2016-12-22 15:00:00  3334.410  3335.630  ...  4528870.0  5701990.0

[3514 rows x 13 columns]

 

#-------------------股票数据案例----------------------

import tushare as ts

from datetime import datetime

auto_list=['000625','600104','002594','601238']

changan=ts.get_h_data('000625','2016-01-01','2016-12-23')

sqjt=ts.get_h_data('600104','2016-01-01','2016-12-23')

byd=ts.get_h_data('002594','2016-01-01','2016-12-23')

gqjt=ts.get_h_data('601238','2016-01-01','2016-12-23')

changan=pd.read_csv('H:/0date/changan.csv',index_col='date',parse_dates=True)

changan.head()
Out[36]: 
             open   high  close    low      volume       amount
date                                                           
2016-12-23  15.25  15.25  15.03  14.99  17339349.0  261627029.0
2016-12-22  15.25  15.35  15.26  15.11  21042253.0  320306792.0
2016-12-21  15.12  15.27  15.25  15.09  18803404.0  285494781.0
2016-12-20  15.19  15.22  15.06  14.98  16265938.0  245299075.0
2016-12-19  15.28  15.33  15.17  15.12  14068049.0  214149866.0

changan.describe()
Out[37]: 
             open        high  ...        volume        amount
count  219.000000  219.000000  ...  2.190000e+02  2.190000e+02
mean    14.965479   15.166027  ...  2.967817e+07  4.572622e+08
std      0.974644    0.977192  ...  1.816421e+07  2.902145e+08
min     13.180000   13.380000  ...  8.074326e+06  1.254679e+08
25%     13.970000   14.190000  ...  1.739413e+07  2.612642e+08
50%     15.280000   15.500000  ...  2.552496e+07  3.804228e+08
75%     15.715000   15.910000  ...  3.458674e+07  5.210668e+08
max     16.710000   17.260000  ...  1.360965e+08  2.020822e+09

[8 rows x 6 columns]

changan.info()
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 219 entries, 2016-12-23 to 2016-01-04
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   open    219 non-null    float64
 1   high    219 non-null    float64
 2   close   219 non-null    float64
 3   low     219 non-null    float64
 4   volume  219 non-null    float64
 5   amount  219 non-null    float64
dtypes: float64(6)
memory usage: 12.0 KB

#收盘价

changan['close'].plot(legend=True,figsize=(10,4))
Out[39]: <matplotlib.axes._subplots.AxesSubplot at 0x222e15c4f60>


#成交量

changan['volume'].plot(legend=True,figsize=(10,4))
Out[40]: <matplotlib.axes._subplots.AxesSubplot at 0x222e190cb38>


#移动平均值

ma_day = [10,20,50]
for ma in ma_day:
    column_name = "MA for %s days" %(str(ma))
    changan[column_name] = changan['close'].rolling(window=ma).mean()

changan[['close','MA for 10 days','MA for 20 days','MA for 50 days']].plot(subplots=False,figsize=(10,4))
Out[42]: <matplotlib.axes._subplots.AxesSubplot at 0x222e1974518>


#收盘价变动比率

changan['Daily Return'] = changan['close'].pct_change()
changan['Daily Return'].plot(figsize=(10,4),legend=True,linestyle='--',marker='o')
Out[43]: <matplotlib.axes._subplots.AxesSubplot at 0x222e1a53550>


#接近正态分布

sns.distplot(changan['Daily Return'].dropna(),bins=100, color = 'purple');



changan['Daily Return'].hist(bins=100)
Out[45]: <matplotlib.axes._subplots.AxesSubplot at 0x222e1c3ef28>