df.rolling(period,min_period).method()

最新推荐文章于 2024-12-02 19:31:44 发布
最新推荐文章于 2024-12-02 19:31:44 发布
阅读量2.8k 收藏
点赞数

df.rolling(period,min_period).somemethod()

rolling 方法很好用


freq 参数：从0.18版本中已经被舍弃。


第二种方法：pd.rolling_max(df['A'],15）

使用时提示：pd.rolling_sum is deprecated for Series and will be removed in a future version, replace with 

Series.rolling(min_periods=24,window=24,center=False).sum()

“请使用第一种方法”


hellocsz
关注
[数据挖掘02] pandas的分配和聚合函数（2）
gongdiwudu的专栏
06-04 7076
窗口函数是什么？窗口函数是时间序列的局部属性处理函数，比如，一维卷积滤波、移动平均、指数平均本篇我们将针对pandas对象的窗口函数展开讨论，并以示例展示他们的概念实质。
pandas笔记
FIGO001001的专栏
06-23 657
1. Series基础 1.1. 创建Series 从字典创建 prices = {'apple':4.99,  'banana':1.99,  'orange':3.99,  'grapes':0.99}ser = pd.Series(prices) 从标量创建 ser = pd.Series(2,index = range(0,5)) 1.1.1. 使用字母索引
python pandas移动窗口函数rolling的用法
09-17
今天小编就为大家分享一篇python pandas移动窗口函数rolling的用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
rolling()函数
科研笔记
06-12 2606
rolling函数的基本使用
rolling函数用法
weixin_42577243的博客
01-12 582
rolling函数是pandas库中的一个函数，用于对时间序列数据进行移动窗口计算。它可以计算指定区间内的均值、标准差、最大值、最小值等。 用法示例: import pandas as pd # 创建一个时间序列数据 data = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) # 计算过去3个数据的平均值 data.rolling(3).mean() ...
rolling用法实例
halps的专栏
10-12 6184
介绍DataFrame的移动平均函数rolling及其与其它函数的联合使用。
pandas的rolling函数
热门推荐
qq_44883214的博客
09-13 2万+
原文链接 ：http://www.wangluoshenghuo.com/2019/04/12/pandas%E7%9A%84rolling%E5%87%BD%E6%95%B0/ pandas的新版本rolling函数已经修改，而网上大部分都是老版本的解释。我想python2基本上面临淘汰的命运，学习新的rolling函数对你我都有好处。 什么是rolling window? 翻译成中文就是滑动，...
#coding:gbk import pandas as pd import numpy as np import talib from xtquant import xtdata def init(C): C.stock = C.stockcode + '.' + C.market C.accountid = "testS" C.position_rate = 0.1 C.profit_target = 0.05 C.loss_target = -0.02 C.max_daily_buy = 3 C.daily_buy_count = 0 C.last_trade_date = None # 下载历史数据 xtdata.download_history_data(C.stock, '5m') # 初始化技术指标变量 C.close = [] C.ma5 = [] C.ma20 = [] C.rsi = [] C.macd = [] C.signal = [] C.volume_ratio = 0 def handlebar(C): # 获取当前时间 bar_timetag = C.get_bar_timetag(C.barpos) bar_date = timetag_to_datetime(bar_timetag, '%Y%m%d%H%M%S') current_date = bar_date[:8] # 重置每日买入计数 if C.last_trade_date != current_date: C.daily_buy_count = 0 C.last_trade_date = current_date # 获取5分钟数据 min5_data = xtdata.get_market_data_ex(['open', 'high', 'low', 'close', 'volume'], [C.stock], period='5m', count=100) if len(min5_data) < 100: print(f"{bar_date} 5分钟数据不足，跳过") return # 计算技术指标 close = np.array(min5_data[C.stock]['close']) volume = np.array(min5_data[C.stock]['volume']) C.close = close C.ma5 = talib.MA(close, timeperiod=5) C.ma20 = talib.MA(close, timeperiod=20) C.rsi = talib.RSI(close, timeperiod=14) C.macd, C.signal, _ = talib.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9) avg_volume = np.mean(volume[-6:-1]) C.volume_ratio = volume[-1] / avg_volume # 获取账户和持仓信息 account = get_trade_detail_data('test', 'stock', 'account')[0] available_cash = int(account.m_dAvailable) total_asset = int(account.m_dBalance) holdings = get_trade_detail_data('test', 'stock', 'position') holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID: {'volume': i.m_nVolum
03-19
avg_loss = loss.rolling(period).mean() rs = avg_gain / avg_loss rsi = 100 - (100 / (1 + rs)) dataframe['RSI'] = rsi.fillna(method='bfill') return dataframe ``` 此部分实现了经典的 Wilder 平滑...
import pandas as pd import akshare as ak import warnings warnings.filterwarnings(‘ignore’) ======参数设置====== start_date = ‘20100101’ #开始日期 end_date = ‘20250320’ #结束日期 ma_length = 26 #均线长度 cost = 0.0003 #交易费率，万三 获取美债收益率数据 bond_df = ak.bond_zh_us_rate(start_date=start_date) bond_df[‘日期’] = bond_df[‘日期’].apply(lambda x: x.strftime(‘%Y-%m-%d’)) 获取沪深300指数数据 hs300_df = ak.index_zh_a_hist(symbol=‘000300’, period=‘daily’, start_date=start_date, end_date=end_date) hs300_df[‘涨跌幅’] = hs300_df[‘涨跌幅’] / 100.0 #将百分比转化成小数形式 合并数据，以沪深300日期为准 df = pd.merge(hs300_df[[‘日期’, ‘收盘’, ‘涨跌幅’]].rename(columns={‘收盘’:‘沪深300’}), bond_df[[‘日期’,‘美国国债收益率10年’]].rename(columns={‘美国国债收益率10年’:‘美债收益率’}), on=‘日期’, how=‘left’).fillna(method=‘ffill’).reset_index(drop=True) df[‘日期’] = pd.to_datetime(df[‘日期’]) # ======获取每周最后一个交易日====== rule:重采样频率，W-周频，M-月频 week_df = df.resample(rule=‘W’, on=‘日期’).agg({‘日期’:‘last’,‘美债收益率’:‘last’}).dropna() week_df[‘美债收益率MA’] = week_df[‘美债收益率’].rolling(ma_length).mean() week_df[‘周最后交易日’] = 1 week_df.index.name = ‘date’ # 拼接数据 day_df = pd.merge(df.drop(columns=[‘美债收益率’]), week_df, on=‘日期’, how=‘left’) day_df[‘周最后交易日’] = day_df[‘周最后交易日’].fillna(value=0) # 生成交易信号 如果 r-r_ma(26)<0,认为情绪偏多，今日只能看到昨日的数据 day_df.loc[((day_df[‘美债收益率’]-day_df[‘美债收益率MA’]).shift(1)<0) & (day_df[‘周最后交易日’].shift(1)>0), ‘signal’] = 1 如果 r-r_ma(26)>0,认为情绪偏空，今日只能看到昨日的数据 day_df.loc[((day_df[‘美债收益率’]-day_df[‘美债收益率MA’]).shift(1)>0) & (day_df[‘周最后交易日’].shift(1)>0), ‘signal’] = -1 day_df = day_df.set_index(‘日期’, drop=True) # 将交易信号转化为持仓 day_df[‘signal’] = day_df[‘signal’].fillna(method=‘ffill’).fillna(value=0) day_df[‘position’] = day_df[‘signal’].shift(1).fillna(value=0) #收盘交易，下一日才会有持仓 考虑交易成本 day_df[‘after_cost’] = 1.0 day_df.loc[day_df[‘signal’] != day_df[‘signal’].shift(1), ‘after_cost’] = (1.0 + cost) * (1.0 + cost) #开平仓各收一次手续费 day_df.loc[(day_df[‘signal’].shift(1) == 0) & (day_df[‘signal’] != 0), ‘after_cost’] = 1.0 + cost #第一次开仓只收一次手续费 day_df.loc[day_df.index[0], ‘after_cost’] = 1.0 # 画出净值曲线图 import matplotlib.pyplot as plt plt.rcParams[‘font.sans-serif’] = [‘SimHei’] plt.rcParams[‘axes.unicode_minus’] = False 择时策略的日收益率 day_df[‘strategy_pct’] = day_df[‘涨跌幅’] * day_df[‘position’] #策略和沪深300的净值 day_df[‘strategy’] = (1.0 + day_df[‘strategy_pct’]).cumprod() / day_df[‘after_cost’].cumprod() day_df[‘benchmark’] = (1.0 + day_df[‘涨跌幅’]).cumprod() 粗略计算年化收益率 annual_return = 100 * (pow(day_df[‘strategy’].iloc[-1], 250/day_df.shape[0]) - 1.0) print(‘美债收益率大盘择时策略的年化收益率：%.2f%%’ %annual_return) #将索引从字符串转换为日期格式，方便展示 ax = day_df[[‘strategy’,‘benchmark’]].plot(figsize=(16,8), color=[‘SteelBlue’,‘Red’], grid=True, title=‘美债收益率大盘择时策略净值’) plt.show() 给上述代码再加上最大回撤及夏普比率 卡玛比率代码 比较基准也一块加上
03-22
现在回到用户的代码，在合并后的df中，美债收益率是来自bond_df的‘美国国债收益率10年’，而bond_df的数据可能未转换，所以需要检查是否应该进行转换。例如，假设原数据中的美债收益率是百分比数值，例如3.0代表3%...
Traceback (most recent call last): File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\program\step3_选股.py", line 39, in <module> select_stocks(conf, boost=False) File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\core\select_stock.py", line 192, in select_stocks return select_stock_by_conf(confs, boost=boost) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\core\select_stock.py", line 243, in select_stock_by_conf select_stocks_by_strategy(strategy, result_folder, period_offset) File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\core\select_stock.py", line 294, in select_stocks_by_strategy factor_df = strategy.calc_select_factor(factor_df) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\core\model\strategy_config.py", line 390, in calc_select_factor return self.funcs['calc_select_factor'](period_df, self) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Xbx.data.V2\strategy-A\select-stock-pro_v1.1.1\策略库\中等生作业.py", line 103, in calc_select_factor .apply(calc_correlation, raw=False) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 2049, in apply return super().apply( ^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 1508, in apply return self._apply( ^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 723, in _apply result = super()._apply( ^^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 619, in _apply return self._apply_columnwise(homogeneous_func, name, numeric_only) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 494, in _apply_columnwise res = homogeneous_func(arr) ^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 614, in homogeneous_func result = calc(values) ^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\window\rolling.py", line 602, in calc start, end = window_indexer.get_window_bounds( ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Users\CEECNF\.conda\envs\Fuel\Lib\site-packages\pandas\core\indexers\objects.py", line 429, in get_window_bounds window_indices = np.append(window_indices, [window_indices[-1] + 1]).astype( ~~~~~~~~~~~~~~^^^^ IndexError: index -1 is out of bounds for axis 0 with size 0还是出现这个问题
最新发布
04-01
df.rolling(window=10, min_periods=1).apply(your_function) ``` 2. 在自定义函数中添加空数据保护 ```python def calc_correlation(x): if len(x) 相关性计算至少需要2个数据点 return np.nan return np....
Pandas rolling()函数解析
不可能打工的博客
12-02 463
Pandas 的 rolling() 函数用于在数据框或系列上创建一个滚动窗口(滑动窗口)，这对于计算移动平均、移动总和等统计量非常有用。rolling() 函数通过在指定的窗口大小上应用某种聚合函数来实现这些操作。 基本用法 rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, method...
python中min是什么意思_python 时间序列 rolling 参数中minperiod具体含义是什么？如何设值？...
weixin_39834745的博客
12-08 1087
min_periods keyword that specifies the required minimum number of observations for each column pair in order to have a valid result.def rolling_mean(data, window, min_periods=1, center=False):''' Func...
DolphinDB与Pandas区别之：rolling函数
漫步量化
12-16 518
Pandas中rolling函数 pandas中rolling函数当遇到有空值的行会不计算，默认是一直到窗口内全部都有值才进行计算。 DolphinDB DolphinDB中的moving函数与pandas的rolling更相似，如果结果不赋给某个变量，是需要输入全部非空才计算，但是当将计算结果赋给某个变量时，即便有空值也会直接计算。 总结 如果pandas与dolphindb计算结果...
时间序列：移动窗口函数（rolling，expanding）
AI路漫漫
07-17 1万+
时间序列：移动窗口函数（rolling，expanding）
python中rolling相关函数的应用
weixin_46713695的博客
08-22 2089
python中rolling相关函数的应用
rolling(n).mean是否加min_periods=1对结果的影响
jerry的博客
11-26 514
常用于时间序列平滑，尤其在分析时间序列的初期阶段（数据点不足）时，保证结果连续性。
BIEE分析中使用 PERIODROLLING 注意
conghua2534的博客
07-04 455
在分析中使用 PERIODROLLING 注意： 一定要将时间维度的列在结果中显示出来，就是报表中应该包含时间维度的列，如果没有时间维度的列，则结果是0. 比如要在报表中添加 年、月 PERIODROLLING(exp...
python中min(x)是什么意思_python 时间序列 rolling 参数中minperiod具体含义是什么？如何设值？...
weixin_39580727的博客
12-12 889
min_periods keyword that specifies the required minimum number of observations for each column pair in order to have a valid result.def rolling_mean(data, window, min_periods=1, center=False):''' Func...
pandas中的滚动窗口rolling函数和扩展窗口expanding函数
S_o_l_o_n的博客
03-12 1万+
在数据分析时，特别是在分析时间序列数据时，常会需要对一个序列进行固定长度窗口的滚动计算和分析，比如计算移动均线。只要是需要根据一个时序得到一个新的时序，就往往需要进行窗口滚动。在pandas中，DataFrame和Seies都有一个针对滚动窗口的函数，叫做rolling()。其具体的参数为：DataFrame.rolling(window,min_periods=None,cen...
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