2021-01-07

using UnityEngine;

using UnityEngine.UI;

using UnityEngine.EventSystems;

using System.Collections;

 

public class DragPanel : MonoBehaviour, IDragHandler, IEndDragHandler, IBeginDragHandler

{

 

    private Vector2 originalLocalPointerPosition;

    private Vector3 originalPanelLocalPosition;

    public RectTransform panelRectTransform;

    public RectTransform restrictRectTransform;

 

    public float Damping;

    private Vector3 inertia;

    private float recordEndTime;

    private readonly float _refWidth = 768.0f;

    private readonly float _refHeight = 1334.0f;

    private readonly float _refRatio = 768.0f / 1334.0f;

    public void Awake()

    {

        inertia = Vector3.zero;

 

        restrictRectTransform.sizeDelta = (panelRectTransform.sizeDelta * 2 - new Vector2(_refWidth, Screen.height * (_refWidth / Screen.width)));

    }

 

    public void OnBeginDrag(PointerEventData data)

    {

        inertia = Vector3.zero;

        originalPanelLocalPosition = panelRectTransform.localPosition;

        RectTransformUtility.ScreenPointToLocalPointInRectangle(restrictRectTransform, data.position, data.pressEventCamera, out originalLocalPointerPosition);

    }

 

    public void OnDrag(PointerEventData data)

    {

        if (panelRectTransform == null || restrictRectTransform == null)

            return;

 

        Vector2 localPointerPosition;

        if (RectTransformUtility.ScreenPointToLocalPointInRectangle(restrictRectTransform, data.position, data.pressEventCamera, out localPointerPosition))

        {

            Vector3 offsetToOriginal = localPointerPosition - originalLocalPointerPosition;

            panelRectTransform.localPosition = originalPanelLocalPosition + offsetToOriginal;

        }

 

        ClampToWindow();

    }


 

    public void OnEndDrag(PointerEventData data)

    {

        inertia = data.delta;

        recordEndTime = Time.time;

    }

 

    public void Update()

    {

 

        if (inertia.magnitude > 0.1)

        {

            panelRectTransform.localPosition = panelRectTransform.localPosition + inertia;

            inertia = Vector3.Slerp(inertia, Vector3.zero, Mathf.Pow((Time.time - recordEndTime), 2) * Damping);

            ClampToWindow();

        }

    }

 

    // Clamp panel to area of parent

    void ClampToWindow()

    {

        Vector3 pos = panelRectTransform.localPosition;

 

        Vector3 minPosition = restrictRectTransform.rect.min - panelRectTransform.rect.min;

        Vector3 maxPosition = restrictRectTransform.rect.max - panelRectTransform.rect.max;

 

        pos.x = Mathf.Clamp(panelRectTransform.localPosition.x, minPosition.x, maxPosition.x);

        pos.y = Mathf.Clamp(panelRectTransform.localPosition.y, minPosition.y, maxPosition.y);

 

        panelRectTransform.localPosition = pos;

    }

 

    public void OpenFocs(Vector3 offset)

    {

        transform.position -= offset;

        ClampToWindow();

    }

}

 

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
你已经成功将 `Date` 列转换为 `datetime64[ns]` 类型,并且输出如下: ``` 0 2021-01-04 1 2021-01-05 2 2021-01-06 3 2021-01-07 4 2021-01-08 Name: Date, dtype: datetime64[ns] ``` ✅ **这说明日期解析完全正确!** 接下来你应该执行: ```python df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 确保时间顺序正确 ``` 然后进入主逻辑,使用我们之前修复过的区间筛选函数(作用于索引)即可正常运行。 --- ### ✅ 当前状态确认清单 | 检查项 | 是否完成 | 说明 | |--------|----------|------| | ✔️ `Date` 列是否为 `datetime64[ns]`? | ✅ 是 | 输出已验证 | | ✔️ 是否设置为索引? | ⚠️ 需手动执行 | 必须调用 `set_index` | | ✔️ 时间是否升序排列? | ⚠️ 建议排序 | 使用 `sort_index()` 更安全 | | ✔️ 区间过滤函数是否作用于 `index`? | ✅ 是 | 否则会出错 | --- ### ✅ 推荐后续代码(确保流程完整) ```python # 设置索引并排序 df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 查看数据类型和前几行 print("Index dtype:", df.index.dtype) print("Data head:") print(df.head()) ``` 此时你的 `df.index` 是一个有序的 `DatetimeIndex`,可以安全用于以下操作: ```python intervals = { 'YTD': lambda idx: idx >= pd.Timestamp(year=idx[-1].year, month=1, day=1), '1Y': lambda idx: idx >= idx[-1] - pd.DateOffset(years=1), '6M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=6), '3M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=3), '1M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=1), } ``` 因为 `idx[-1]` 就是最后一个交易日,比如 `2024-03-28`,它是一个 `pd.Timestamp`,支持 `.year`、`.month` 等属性,不会再报错! --- ### ✅ 示例:查看当前 YTD 起始日 你可以加一段调试代码来验证逻辑是否正确: ```python # 调试:打印各个区间的起始时间(以最后一个日期为基准) last_date = df.index[-1] print(f"最新交易日: {last_date}") print("各区间起始日:") print("YTD:", pd.Timestamp(year=last_date.year, month=1, day=1)) print("1Y: ", last_date - pd.DateOffset(years=1)) print("6M: ", last_date - pd.DateOffset(months=6)) print("3M: ", last_date - pd.DateOffset(months=3)) print("1M: ", last_date - pd.DateOffset(months=1)) ``` 输出示例: ``` 最新交易日: 2024-03-28 各区间起始日: YTD: 2024-01-01 1Y: 2023-03-28 6M: 2023-09-28 3M: 2024-01-28 1M: 2024-02-28 ``` 这些日期就是每个区间的“开始日”,之后用它们做布尔索引就能提取对应时间段的数据。 --- ### ✅ 总结:你现在可以继续了! 只要你完成了以下几步: 1. ✅ 成功将 `Date` 转为 `datetime64[ns]` 2. ✅ 执行了 `df.set_index('Date')` 和 `sort_index()` 3. ✅ 使用基于 `idx`(即 DatetimeIndex)的过滤函数 那么之前的两个错误(`float64 has no attribute year` 和 `>= not supported`)都已彻底解决,现在可以放心运行完整的绩效分析代码。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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