tushare每日a股

# convert series to supervised learning
def series_to_supervised(data, n_in=1, n_out=1, dropnan=False):
    #data，全部列参与数据复制处理
    #n_in，dataframe的复制次数，历史周期的个数。如果n_in=0，不加入历史周期的数据。
    #n_out,dataframe的复制次数，未来周期（含当前期）的个数.如果n_out=0，不加入当前期和未来周期的数据。
    #默认nan不做删除
    #产出，dataframe的未来n_out和历史n_in期的数据集合。
    n_vars = 1 if type(data) is list else data.shape[1] #样本data的列数
    df = pd.DataFrame(data)                                #样本data
    cols, names = list(), list()
    # input sequence (t-n, ... t-1)
    for i in range(n_in, 0, -1):  
        cols.append(df.shift(i))                        #shift(i)，datafame向下顺移i位，前i列为nan
        names += [('%s(t-%d)' % (data.columns[j], i)) for j in range(n_vars)] #j+1，data的x列
    # forecast sequence (t, t+1, ... t+n)
    for i in range(0, n_out):
        cols.append(df.shift(-i))                        #shift(-i)，datafrate向上顺移i位，后i列为nan
        if i == 0:
            names += [('%s(t)' % (data.columns[j])) for j in range(n_vars)]
        else:
            names += [('%s(t+%d)' % (data.columns[j], i)) for j in range(n_vars)]
    # put it all together
    agg = pd.concat(cols, axis=1) #axis=1，0轴垂直往下，1轴向右水平延伸
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna(inplace=True) #默认how='any'，有任何nan就删除
    return agg
    
df_ths_daily_all = df_ths_daily_all[['TS指数代码','指数名称','交易日','收盘点位','震荡类型_05','震荡类型_11','震荡类型_23','环比_05_r','环比_11_r','环比_23_r']]
df_ths_daily_all_c1 = df_ths_daily_all[df_ths_daily_all['TS指数代码']=='861001.TI']

series_to_supervised(df_ths_daily_all_c1, n_in=3, n_out=1, dropnan=False)