金融数据处理之pandas的周期频率转换

最新推荐文章于 2022-01-20 14:47:31 发布

夜宿可可西里

最新推荐文章于 2022-01-20 14:47:31 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

文章标签： resample python 金融数据

本文链接：https://blog.youkuaiyun.com/qq_36658338/article/details/80122412

本文介绍如何利用pandas的DataFrame和resample函数处理金融数据，将1分钟数据转换为15分钟、30分钟和1天的数据。DataFrame提供了一种方便的数据结构，适合多角度操作数据，而resample则是进行数据重采样的关键工具，允许调整时间频率。下一部分将探讨pandas使用技巧和缺失值处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上一节中，已经得到了1min的非连续数据，众所周知，做股票期货仅仅有1min或tick数据是不够的，需要将其合成为15min、30min、1day的数据，这里讲一下关于pandas里的DateFrame和resample（重采样）函数。

（1）DateFrame

DateFrame是pandas里的常用数据结构，可以将其认为是“表格”在python里的程序语言表示，其基础是Series，即带索引的列表，多个Series可以用zip组成一张表（DateFrame），这种数据结构大大方便了从多个角度对数据进行处理，可以按行、按列、按行索引、按列字段名等进行相关操作。

其次，利用DateFrame处理csv文件具有以下几点优势：

1：由于csv文件即逗号分隔值文件是以纯文本形式存储表格数据，可以用多种软件打开，使用pandas.red_csv读取的文件可以自动转化为DateFrame，很是方便；

2：自定义的索引通常能给数据处理带来极大的方便，后面将会使用自定义的索引进行空缺值插入；

3：进行周期频率转换时需要用到DateFrame或Series这种数据结构。

相关资料请移步：DateFrame官方文档

（2）resample

resample函数，顾名思义即进行重采样的函数，将固定频率的数据升采样或降采样，转换为我们需要的周期数据，这里不多赘述其所有的参数，文后有详细的解释。关键之处在于设置索引、标签及区间的方向。

 index=pd.date_range(start=None, end=None, periods=None, freq='D', tz=None,
               normalize=False, name=None, closed=None

最低0.47元/天解锁文章

200万优质内容无限畅学