1. 说明
在数据统计和预测的过程中,工程师基本都使用现成的算法,工程师的主要工作是根据具体业务逻辑预处理数据和选择算法。
首先要对数据预处理(数据清洗),包括数据的归一化,去除重复数据,修改错误数据,填充无效数据,抽象数据表示,筛选特征值,分配权重等等,以得到更准确的数据和更有效的结果。
继续上次关于股票直方图的话题,来看看简单的股票数据预处理。左图是昨天股票涨跌的直方图,从中看出,涨跌幅分布在-10到50的区间内。
涨幅超过10%是因为计入了新股的首日涨幅,跌涨超过-10%,可能由于分红配送等原因引起。下面程序中将对此区域进行特殊处理。
对于当日停牌的数据,它的开盘价收盘价最高价最低价都是同一个值,如果加入统计,会在0附近形成一个无意义的峰值,在预处理中也把它去掉。
如果用左图结果做一个从(-10,10)共计20个区间的分类器,那么结果多半会落入(-1,1)的区间内,这并不是我们想要的。我们更希望看到的是将3000多支股票平均分布在这20个区域,每个区域股票数量相同,但是各区域大小不同。根据区域得到更合理的分类结果。(假设我们之后将要通过现有股票的各个特征,预测涨跌最有可能分布在哪个区域,这是一个对结果的分类问题,暂不考虑回归)
2. 程序
1) 代码
# -*- coding:utf-8 -*-
import tushare as ts
import numpy as np
import matplotlib.pyplot as plt
e = ts.get_today_all()
size = 20 #把