利用Python进行数据分析的学习笔记——chap11

最新推荐文章于 2023-10-07 15:34:46 发布
最新推荐文章于 2023-10-07 15:34:46 发布
阅读量514 收藏
点赞数
分类专栏： 笔记 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hlinging/article/details/123312434
版权

金融和经济数据应用

数据规整化方面的话题

时间序列以及截面对齐

import numpy as np
import pandas as pd
from pandas import DataFrame, Series

stock_px = pd.read_csv("E:\python_study_files\python\pydata-book-2nd-edition\examples\stock_px.csv",parse_dates=True,index_col=0)
prices = stock_px[['AAPL','JNJ','SPX','XOM']]['2011-09-06':'2011-09-14']
prices
AAPLJNJSPXXOM
2011-09-06379.7464.641165.2471.15
2011-09-07383.9365.431198.6273.65
2011-09-08384.1464.951185.9072.82
2011-09-09377.4863.641154.2371.01
2011-09-12379.9463.591162.2771.84
2011-09-13384.6263.611172.8771.65
2011-09-14389.3063.731188.6872.64
stock_pxx = pd.read_csv("E:\\python_study_files\\python\\pydata-book-2nd-edition\\examples\\volume.csv",parse_dates=True,index_col=0)
volume = stock_pxx[['AAPL','JNJ','XOM']]['2011-09-06':'2011-09-12']
volume
AAPLJNJXOM
2011-09-0618173500.015848300.025416300.0
2011-09-0712492000.010759700.023108400.0
2011-09-0814839800.015551500.022434800.0
2011-09-0920171900.017008200.027969100.0
2011-09-1216697300.013448200.026205800.0
prices*volume
AAPLJNJSPXXOM
2011-09-066.901205e+091.024434e+09NaN1.808370e+09
2011-09-074.796054e+097.040072e+08NaN1.701934e+09
2011-09-085.700561e+091.010070e+09NaN1.633702e+09
2011-09-097.614489e+091.082402e+09NaN1.986086e+09
2011-09-126.343972e+098.551710e+08NaN1.882625e+09
2011-09-13NaNNaNNaNNaN
2011-09-14NaNNaNNaNNaN
vwap = (prices*volume).sum()/volume.sum()
vwap

AAPL    380.655181
JNJ      64.394769
SPX            NaN
XOM      72.024288
dtype: float64

vwap.dropna()

AAPL    380.655181
JNJ      64.394769
XOM      72.024288
dtype: float64

prices.align(volume,join='inner')

(              AAPL    JNJ    XOM
 2011-09-06  379.74  64.64  71.15
 2011-09-07  383.93  65.43  73.65
 2011-09-08  384.14  64.95  72.82
 2011-09-09  377.48  63.64  71.01
 2011-09-12  379.94  63.59  71.84,
                   AAPL         JNJ         XOM
 2011-09-06  18173500.0  15848300.0  25416300.0
 2011-09-07  12492000.0  10759700.0  23108400.0
 2011-09-08  14839800.0  15551500.0  22434800.0
 2011-09-09  20171900.0  17008200.0  27969100.0
 2011-09-12  16697300.0  13448200.0  26205800.0)

s1 = Series(range(3),index=['a','b','c'])
s2 = Series(range(4),index=['d','b','c','e'])
s3 = Series(range(3),index=['f','a','c'])
DataFrame({'one':s1,'two':s2,'three':s3})
onetwothree
a0.0NaN1.0
b1.01.0NaN
c2.02.02.0
dNaN0.0NaN
eNaN3.0NaN
fNaNNaN0.0
DataFrame({'one':s1,'two':s2,'three':s3},index=list('face'))
onetwothree
fNaNNaN0.0
a0.0NaN1.0
c2.02.02.0
eNaN3.0NaN

频率不同的时间序列的运算

ts1 = Series(np.random.randn(3),index=pd.date_range('2012-6-13',periods=3,freq='W-WED'))
ts1

2012-06-13    1.581292
2012-06-20    0.891047
2012-06-27   -0.209271
Freq: W-WED, dtype: float64

ts1.resample('B')

<pandas.core.resample.DatetimeIndexResampler object at 0x000001F9A5F93610>

ts1.resample('B').ffill()

2012-06-13    1.581292
2012-06-14    1.581292
2012-06-15    1.581292
2012-06-18    1.581292
2012-06-19    1.581292
2012-06-20    0.891047
2012-06-21    0.891047
2012-06-22    0.891047
2012-06-25    0.891047
2012-06-26    0.891047
2012-06-27   -0.209271
Freq: B, dtype: float64

dates = pd.DatetimeIndex(['2012-6-12','2012-6-17','2012-6-18','2012-6-21','2012-6-22','2012-6-29'])
ts2 = Series(np.random.randn(6),index=dates)
ts2

2012-06-12   -0.183824
2012-06-17    0.716578
2012-06-18   -0.165628
2012-06-21    0.259746
2012-06-22   -0.303279
2012-06-29   -0.699029
dtype: float64

ts1.reindex(ts2.index,method='ffill')

2012-06-12         NaN
2012-06-17    1.581292
2012-06-18    1.581292
2012-06-21    0.891047
2012-06-22    0.891047
2012-06-29   -0.209271
dtype: float64

ts2 + ts1.reindex(ts2.index,method='ffill')

2012-06-12         NaN
2012-06-17    2.297870
2012-06-18    1.415663
2012-06-21    1.150793
2012-06-22    0.587769
2012-06-29   -0.908301
dtype: float64

使用Period

gdp = Series([1.78,1.94,2.08,2.01,2.15,2.31,2.46],
            index=pd.period_range('1984Q2',periods=7,freq='Q-SEP'))
infl = Series([0.025,0.045,0.037,0.04],
             index=pd.period_range('1982',periods=4,freq='A-DEC'))
gdp

1984Q2    1.78
1984Q3    1.94
1984Q4    2.08
1985Q1    2.01
1985Q2    2.15
1985Q3    2.31
1985Q4    2.46
Freq: Q-SEP, dtype: float64

infl

1982    0.025
1983    0.045
1984    0.037
1985    0.040
Freq: A-DEC, dtype: float64

infl_q = infl.asfreq('Q-SEP',how='end')
infl_q

1983Q1    0.025
1984Q1    0.045
1985Q1    0.037
1986Q1    0.040
Freq: Q-SEP, dtype: float64

infl_q.reindex(gdp.index,method='ffill')

1984Q2    0.045
1984Q3    0.045
1984Q4    0.045
1985Q1    0.037
1985Q2    0.037
1985Q3    0.037
1985Q4    0.037
Freq: Q-SEP, dtype: float64

时间和“最当前”数据选取

#生成一个交易日内的日期范围和索引
rng = pd.date_range('2012-06-01 09:30','2012-06-01 15:59',freq='T')
#生成5天的时间点（9：30~15：59之间的值）
rng = rng.append([rng + pd.offsets.BDay(i) for i in range(1,4)])
ts = Series(np.arange(len(rng),dtype=float),index=rng)
ts

2012-06-01 09:30:00       0.0
2012-06-01 09:31:00       1.0
2012-06-01 09:32:00       2.0
2012-06-01 09:33:00       3.0
2012-06-01 09:34:00       4.0
                        ...  
2012-06-06 15:55:00    1555.0
2012-06-06 15:56:00    1556.0
2012-06-06 15:57:00    1557.0
2012-06-06 15:58:00    1558.0
2012-06-06 15:59:00    1559.0
Length: 1560, dtype: float64

from datetime import time
ts[time(10,0)]

2012-06-01 10:00:00      30.0
2012-06-04 10:00:00     420.0
2012-06-05 10:00:00     810.0
2012-06-06 10:00:00    1200.0
dtype: float64

ts.at_time(time(10,0))

2012-06-01 10:00:00      30.0
2012-06-04 10:00:00     420.0
2012-06-05 10:00:00     810.0
2012-06-06 10:00:00    1200.0
dtype: float64

ts.between_time(time(10,0),time(10,1))

2012-06-01 10:00:00      30.0
2012-06-01 10:01:00      31.0
2012-06-04 10:00:00     420.0
2012-06-04 10:01:00     421.0
2012-06-05 10:00:00     810.0
2012-06-05 10:01:00     811.0
2012-06-06 10:00:00    1200.0
2012-06-06 10:01:00    1201.0
dtype: float64

#将该时间序列的大部分内容随机设置为NA
indexer = np.sort(np.random.permutation(len(ts))[700:])
irr_ts = ts.copy()
irr_ts[indexer] = np.nan
irr_ts['2012-06-01 09:50':'2012-06-01 10:00']

2012-06-01 09:50:00    20.0
2012-06-01 09:51:00     NaN
2012-06-01 09:52:00     NaN
2012-06-01 09:53:00    23.0
2012-06-01 09:54:00     NaN
2012-06-01 09:55:00    25.0
2012-06-01 09:56:00     NaN
2012-06-01 09:57:00     NaN
2012-06-01 09:58:00     NaN
2012-06-01 09:59:00     NaN
2012-06-01 10:00:00     NaN
dtype: float64

selection = pd.date_range('2012-06-01 10:00',periods=4,freq='B')
irr_ts.asof(selection)

2012-06-01 10:00:00      25.0
2012-06-04 10:00:00     417.0
2012-06-05 10:00:00     810.0
2012-06-06 10:00:00    1196.0
Freq: B, dtype: float64

拼接多个数据源

data1 = DataFrame(np.ones((6,3),dtype=float),
                 columns=['a','b','c'],
                 index=pd.date_range('6/12/2012',periods=6))
data2 = DataFrame(np.ones((6,3),dtype=float)*2,
                 columns=['a','b','c'],
                 index=pd.date_range('6/13/2012',periods=6))
spliced = pd.concat([data1.loc[:'2012-06-14'],data2.loc['2012-06-15':]])
spliced
abc
2012-06-121.01.01.0
2012-06-131.01.01.0
2012-06-141.01.01.0
2012-06-152.02.02.0
2012-06-162.02.02.0
2012-06-172.02.02.0
2012-06-182.02.02.0
data2 = DataFrame(np.ones((6,4),dtype=float)*2,
                 columns=['a','b','c','d'],
                 index=pd.date_range('6/13/2012',periods=6))
spliced = pd.concat([data1.loc[:'2012-06-14'],data2.loc['2012-06-15':]])
spliced
abcd
2012-06-121.01.01.0NaN
2012-06-131.01.01.0NaN
2012-06-141.01.01.0NaN
2012-06-152.02.02.02.0
2012-06-162.02.02.02.0
2012-06-172.02.02.02.0
2012-06-182.02.02.02.0
spliced_filled = spliced.combine_first(data2)
spliced_filled
abcd
2012-06-121.01.01.0NaN
2012-06-131.01.01.02.0
2012-06-141.01.01.02.0
2012-06-152.02.02.02.0
2012-06-162.02.02.02.0
2012-06-172.02.02.02.0
2012-06-182.02.02.02.0
spliced.update(data2,overwrite=False)
spliced
abcd
2012-06-121.01.01.0NaN
2012-06-131.01.01.02.0
2012-06-141.01.01.02.0
2012-06-152.02.02.02.0
2012-06-162.02.02.02.0
2012-06-172.02.02.02.0
2012-06-182.02.02.02.0
cp_spliced = spliced.copy()
cp_spliced[['a','c']] = data1[['a','c']]
cp_spliced
abcd
2012-06-121.01.01.0NaN
2012-06-131.01.01.02.0
2012-06-141.01.01.02.0
2012-06-151.02.01.02.0
2012-06-161.02.01.02.0
2012-06-171.02.01.02.0
2012-06-18NaN2.0NaN2.0

收益指数和累计收益

#import pandas.io.data as web
price = prices['AAPL']
price

2011-09-06    379.74
2011-09-07    383.93
2011-09-08    384.14
2011-09-09    377.48
2011-09-12    379.94
2011-09-13    384.62
2011-09-14    389.30
Name: AAPL, dtype: float64

price['2011-09-07']/price['2011-09-14']-1

-0.013793989211405067

returns = price.pct_change()
ret_index = (1+returns).cumprod()
ret_index[0] = 1#将第一个值设置为1
ret_index

2011-09-06    1.000000
2011-09-07    1.011034
2011-09-08    1.011587
2011-09-09    0.994049
2011-09-12    1.000527
2011-09-13    1.012851
2011-09-14    1.025175
Name: AAPL, dtype: float64

m_returns = ret_index.resample('BM').last().pct_change()
m_returns['2011']

2011-09-30   NaN
Freq: BM, Name: AAPL, dtype: float64

m_rets = (1+returns).resample('M',kind='period').prod()-1
m_rets['2011']

2011-09    0.025175
Freq: M, Name: AAPL, dtype: float64

分组变换和分析

#随机生成1000个股票代码
import random;random.seed(0)
import string
N = 1000
def rands(n):
    choices = string.ascii_uppercase
    return ''.join([random.choice(choices) for _ in range(n)])
tickers = np.array([rands(5) for _ in range(N)])
M = 500
df = DataFrame({'Momentum':np.random.randn(M) / 200+0.03,
               'Value':np.random.randn(M)/200+0.08,
               'ShortInterest':np.random.randn(M)/200-0.02},
              index=tickers[:M])
ind_names = np.array(['FINANCIAL', 'TECH'])
sampler = np.random.randint(0,len(ind_names),N)
industries = Series(ind_names[sampler],index=tickers,
                   name='industry')
by_industry = df.groupby(industries)
by_industry.mean()
MomentumValueShortInterest
industry
FINANCIAL0.0298850.080125-0.020667
TECH0.0294100.080572-0.019598
by_industry.describe()
MomentumValueShortInterest
countmeanstdmin25%50%75%maxcountmean...75%maxcountmeanstdmin25%50%75%max
industry
FINANCIAL237.00.0298850.0052690.0172540.0265630.0300060.0334590.045238237.00.080125...0.0838560.094185237.0-0.0206670.004603-0.036456-0.023736-0.020716-0.017739-0.006765
TECH263.00.0294100.0045480.0172330.0263890.0293380.0322030.040698263.00.080572...0.0836510.097748263.0-0.0195980.005081-0.033080-0.022999-0.019652-0.016281-0.005551

2 rows × 24 columns

#行业内标准化处理
def zscore(group):
    return (group-group.mean())/group.std()
df_stand = by_industry.apply(zscore)
df_stand.groupby(industries).agg(['mean','std'])
MomentumValueShortInterest
meanstdmeanstdmeanstd
industry
FINANCIAL2.389088e-161.0-7.045466e-161.0-5.801735e-161.0
TECH1.848965e-161.01.228844e-151.0-7.273438e-161.0
#行业内降序排名
ind_rank = by_industry.rank(ascending=False)
ind_rank.groupby(industries).agg(['min','max'])
MomentumValueShortInterest
minmaxminmaxminmax
industry
FINANCIAL1.0237.01.0237.01.0237.0
TECH1.0263.01.0263.01.0263.0
#行业内排名和标准化
by_industry.apply(lambda x:zscore(x.rank()))
MomentumValueShortInterest
MYNBI1.1174540.617886-0.657326
QPMZJ-0.289223-0.972842-0.092026
PLSGQ-1.152272-0.9334860.262543
EJEYD0.233372-1.1814441.079344
TZIRW0.4995680.6441790.433835
............
JPHKQ-1.630168-0.1051720.499568
VACPK-1.196333-0.709912-1.012282
MHNBS-1.3564720.7001150.656358
YBNCI1.0939290.8459720.933486
GXKFD-1.327301-1.400229-0.306300

500 rows × 3 columns

分组因子暴露

from numpy.random import rand
fac1,fac2,fac3 = np.random.rand(3,1000)
ticker_subset = tickers.take(np.random.permutation(N)[:1000])
#因子加权和以及噪声
port = Series(0.7*fac1 - 1.2*fac2 + 0.3*fac3 + rand(1000),
             index=ticker_subset)
factors = DataFrame({'f1':fac1,'f2':fac2,'f3':fac3},
                   index=ticker_subset)
factors.corrwith(port)

f1    0.435330
f2   -0.677363
f3    0.186326
dtype: float64

import statsmodels.api as sm
result = sm.OLS(endog=port, exog=factors).fit()
result.summary()
OLS Regression Results
Dep. Variable:y R-squared (uncentered): 0.761
Model:OLS Adj. R-squared (uncentered): 0.760
Method:Least Squares F-statistic: 1057.
Date:Fri, 04 Mar 2022 Prob (F-statistic):4.67e-309
Time:14:54:06 Log-Likelihood: -277.77
No. Observations: 1000 AIC: 561.5
Df Residuals: 997 BIC: 576.3
Df Model: 3
Covariance Type:nonrobust
coefstd errtP>|t|[0.0250.975]
f1 0.9950 0.029 34.785 0.000 0.939 1.051
f2 -0.8626 0.029 -30.150 0.000 -0.919 -0.806
f3 0.5914 0.030 19.917 0.000 0.533 0.650
Omnibus:33.929 Durbin-Watson: 1.974
Prob(Omnibus): 0.000 Jarque-Bera (JB): 16.242
Skew:-0.054 Prob(JB): 0.000297
Kurtosis: 2.385 Cond. No. 3.20


Notes:
[1] R² is computed without centering (uncentered) since the model does not contain a constant.
[2] Standard Errors assume that the covariance matrix of the errors is correctly specified. 
def beta_exposure(chunk,factors=None):
    return sm.OLS(endog=chunk,exog=factors).fit()
by_ind = port.groupby(industries)
exposures = by_ind.apply(beta_exposure,factors=factors)
exposures.unstack()

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

C:\windows in <module>
 

ValueError: The indices for endog and exog are not aligned

十分位和四分位分析

找不到数据，没完成。

'''
price = pd.read_pickle('E:/python_study_files/python/pydata-notebook-master/examples/yahoo_price.pkl')
volume = pd.read_pickle('E:/python_study_files/python/pydata-notebook-master/examples/yahoo_volume.pkl')
#data = price.loc['2006-01-01']
price
'''
import pandas_datareader.data as web
all_data = {ticker:web.get_data_yahoo(ticker) for ticker in ['AAPL', 'IBM', 'MSFT', 'GOOG']}

#price = pd.DataFrame({ticker: data['Adj Close']
                     for ticker, data in all_data.items()})
#volume = pd.DataFrame({ticker: data['Volume']
                      for ticker, data in all_data.items()})
all_data

  File "C:\windows.py", line 11
    for ticker, data in all_data.items()})
    ^
IndentationError: unexpected indent

#将收益率变换为趋势信号的函数
px = data['AAPL']
returns = px.pct_change()
def to_index(rets):
    index = (1+rets).cumprod()
    first_loc = max(index.notnull().argmax()-1,0)
    index.values[first_loc]=1
    return index
def trend_signal(rets,lookback,lag):
    signal = rets.rolling(window=lookback,min_periods=lookback-5).sum()
    return signal.shift(lag)
signal = trend_signal(returns,100,3)
trade_friday = signal.resample('W-FRI').resample('B').ffill()
trade_rets = trade_friday.shift(1)*returns
to_index(trade_rets).plot()

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

C:\windows in <module>
    
TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex, but got an instance of 'RangeIndex'

vol = returns.rolling(window=250,min_periods=200).std() * np.sqrt(250)
def sharpe(rets,ann=250):
    return rets.mean()/rets.std() * np.sqrt(ann)
trade_rets.groupby(pd.qcut(vol,4)).agg(sharpe)

---------------------------------------------------------------------------

NameError                                 Traceback (most recent call last)

C:\windows in <module>
     
NameError: name 'trade_rets' is not defined

更多示例应用

信号前沿分析

names = ['AAPL','GOOG','MSFT','DELL','GS','MS','BAC','C']
pxx = load_pkl("E:\python_study_files\python\pydata-notebook-master\examples\yahoo_price.pkl")
pxx

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

C:\windows\ in <module>

AttributeError: module 'pandas' has no attribute 'load_pkl'

期货合约转仓

调停者จุ๊บ
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pydata-book-2nd-edition:利用python进行数据分析隋书原始学习
03-23
Python for Data Analysis，第二版 由Wes McKinney撰写的“ Python for Data Analysis”的材料和IPython笔记本，由O'Reilly Media发布 第一版读者 如果您正在阅读第（2012年出版），请在第上找到经过重组的书籍材料。 笔译 徐良 IPython笔记本： 执照 代码 该存储库中的代码，包括上面列出的笔记本中的所有代码示例，均以。 在“了解更多信息。
EX10 BIASED ESTIMATION OF REGRESSION COEFFICIENTS
weixin_48697939的博客
11-25 996
import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm import statsmodels.stats.outliers_influence from prettytable import PrettyTable from statsmodels.stats.outliers_influence import variance_inflation_factor
【Python计量】linearmodels面板数据回归（二）
mfsdmlove的博客
07-21 4672
在本文，我将使用Grunfeld数据集（可在statsmodels.datasets中获得）来演示固定效应模型的使用。
【Python计量】linearmodels面板数据回归（一）
mfsdmlove的博客
07-16 7670
我们以伍德里奇《计量经济学导论现代方法》的”第14章高级面板数据方法“的案例14.1为例，使用jtrain中的数据来进行固定效应估计。
python第二版数据分析_pydata-notebook: 利用Python进行数据分析 2017 第二版 （Python for Data Analysis, 2nd Edition）中文翻译笔记...
weixin_39988888的博客
12-10 233
利用Python进行数据分析 2017 第二版 (Python for Data Analysis, 2nd Edition)中文翻译笔记这本书的英文版github仓库：pydata-book作者Wes McKinney是pandas的创作者，所以书中关于pandas的讲解也是最实用的部分。我也直接联系过了Wes本人，这个笔记不会有任何版权问题，当然，也不会用于任何商业用途。这本书自2013年第一...
Chap11 矢量数据分析(20220408 更新).rar
03-15
汤国安ArcGIS地理信息系统空间分析实验教程
完整版SPSS数据分析软件基础 中级教程 CHAP 11 回归分析.ppt
07-25
目前有关SPSS统计分析的书籍较多，但针对心理学专业教学方面的书籍几乎没有，使得教学过程中出现一些困难，如一些书上所举的例子、所练习的数据多适合医学等学科使用，和心理教育专业相差太远，所以，教学过程中，...
Python全套课程笔记-chap4-函数
01-02
适合小白了解python
Chap11_股票市场分析数据集.zip
01-26
Chap11_股票市场分析数据集.zip
Python全套课程笔记-chap5-面向对象
01-02
适合小白了解python
Python库 | cpkgtab-0.0.4.tar.gz
04-07
资源分类：Python库 所属语言：Python 资源全名：cpkgtab-0.0.4.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
PYTHON计算CPK及规范限合格率，绘制直方图概率密度曲线
最新发布
book_dw5189的博客
10-07 2165
CPK 值的计算结合了过程的均值、标准差以及规范上限（USL）和规范下限（LSL），它用于标准化地衡量一个过程的能力以产生在规格要求范围内的产品。
python cpk 计算
liugang0814的博客
01-07 7589
代码如下: def cpk_calc(df_data: pd.DataFrame, usl, lsl): """ :param df_data: 数据dataframe :param usl: 数据指标上限 :param lsl: 数据指标下限 :return: """ sigma = 3 # 若下限为0, 则使用上限反转负值替...
海量过程数据的 CPK 与 PPK 计算
yuchengming2003的博客
12-05 3129
工业过程控制中CPK、PPK概念与如何基于SQL快速计算海量数据的中CPK、PPK值
python-基础
qq_40516413的博客
10-15 141
path='E:/python/pydata-book-2nd-edition/datasets/bitly_usagov/example.txt' print(open(path).readline()) import json path='E:/python/pydata-book-2nd-edition/datasets/bitly_usagov/example.txt' records=...
python计算cpk
weixin_42702193的博客
08-23 414
在上面的代码中，首先定义了一个名为 `calculate_cpk` 的函数，该函数接受三个参数：数据集 `data`、上限规格 `specification_upper` 和下限规格 `specification_lower`。然后使用 numpy 库计算数据集的平均值和标准差，并根据公式计算 cpk 值。最后，打印出计算得到的 cpk 值。要计算 cpk（Capability Process Index，过程能力指数），需要使用 pandas 和 numpy 库来进行相关的数据处理和计算。
【python3】 csv/txt/excel/pkl/json/html文件读写
Amy9_Miss的博客
06-22 498
python3 pandas文件的读写 csv文件读写 csv读取 1. 数据中有索引列（时间类型），第一行为列名 import pandas as pd ## 方法一 ## 在调用read_csv()方法时指定engine为Python，避免文件名含中文报错 volume=pd.read_csv('volume.csv',engine = 'python', parse_dates=True,index_col=0) volume.head() ## 方法二 # 也可用read_table 默认分隔符‘
用python计算数量_用Python 计算Cpk使用外部文字档
weixin_42516007的博客
01-24 925
前个月前，本人曾经在制造学习联盟平台分享："如何在手机用python算标准差与cpk"经过一段时间的探索，在此继续分享如何使用外部文字档来计算Cpk。步骤如下：01安裝APP进入APP store,下载安装Python AI02建立编程文件进入文件画面建立一个编程檔=> READ_TXT_CPK.py把底下代码拷贝进去import numpy as npfrom numpy imp...
错误＜pandas.core. resample. DatetimeIndexResampler object at 0x0000016F4B943288＞
weixin_42716460的博客
04-09 1844
当对包含很多列数据（均为数值型）的dataframe进行 resample（重采样）的时候 操作的时候 1.出现如上提示，且重采样之后的数据只剩下了一列----并只有对这一列进行了重采样。 2.后来发现# 将resample.mean（）方法链接到相同的对象，则它仅处理一列，而不是预期的所有列 3.报错关键词： object,Resampler 意思大概是进行重采样的列格式为’object’ 查看格式进行验证 print (data.dtypes) #其中data为我的dataframe 打印结果为
医学spss数据分析教程
08-25
3. 数据分析：根据研究目的和问题，在SPSS中选择适当的统计方法进行分析。例如，可以使用t检验、方差分析、相关分析、回归分析等方法。 4. 结果解释和报告：根据分析结果，进行解释并编写报告。可以使用SPSS提供的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值