python金融数据,Python金融大数据挖掘与分析

　　1.一招1 .熊猫：apply()和applymap()是DataFrame数据类型的函数，map()是Series数据类型的函数。Apply()是数据帧的一列或一行数据，applymap()是元素级的，它作用于每个数据帧的每个数据。Map()也是基于元素的，对序列中的每个数据调用一次该函数。

　　2.PCA分解德国DAX30指数DAX30指数有三十只股票。听起来不多，其实不少。我们有必要对其进行主成分分析，然后找出最重要的股票。想必大家都应该知道PCA的原理。说白了就是找一个回归中最有影响力的。当然数学原理涉及矩阵分解，还有什么SVD。

　　第一点代码

　　Import pandas as PD Import pandas . io . data as web Import numpy as NP . random . seed(1000)Import scipy . stats as SCS Import stats models . API as SMI Import matplotlib as mpl Import matplotlib . py plot as PLT from sk learn . decomposition Import kernel PCA # Import PCA package symbols=[ ads . de ， alv.de ， bas.de ， bayn.de ， ceremined aviation . de ， bmw.de ， cbk.de ， con.de ， dai.de EOAN .德， FME。德， FRE。德，黑。德，亨3。德， IFX。德， LHA。‘德’，林。德， LXS。德， MRK。DE ， MUV2。德， RWE。德， SAP。德， SDF。德， SIE。德， TKA。DE 、Vow3.de 、 g daxi ]# DAX 30指数中每只股票的代码和德30指数的代码，共31个数据列Data=pd.dataframe () for symin符号：# Get data data[sym]=web。DataReader(sym，Data _ source= Yahoo )[ close ]Data=Data . dropna()#丢弃缺失的数据DAX=PD . Data frame(Data . pop( g daxi ))#单独取出索引数据，Pop在获取时已经将这一列数据从原位置删除。scale _ function=lambda x:(x-x . mean())/x . STD()PCA=内核PCA()。fit(data . apply(scale _ function))#这里使用的是apply函数。在做PCA之前，我们要标准化数据get _ we=lambda x:x/x . sum()print get _ we(PCA。lambda _) [:10]。这样就可以看到前十名股票对DAX30指数的贡献。

　　pca=KernelPCA(n_components=1)。fit(data . apply(scale _ function))DAX[ PCA _ 1 ]=PCA . transform(data)DAX . apply(scale _ function)。plot(figsize=(8，4))PCA=kernel PCA(n _ components=5)。fit(data . apply(scale _ function))weights=get _ we(PCA .s _)DAX[ PCA _ 5 ]=NP . dot(PCA . transform(data)，weights)

　　这里我们只用第一个分量拟合，前五个分量拟合，发现效果出奇的好。这样，我们就完成了降维的工作。让我们展开来看看PCA的效果。

　　Plt。图形(图形大小=(8，4)) PLT。Scatter (DAX [PCA _ 5]，DAX [g daxi]，color= r )这里我们绘制PCA值和原始值之间的散点图，

　　我们可以看到，整体效果是好的，但显然，两边和中间总有些问题。所以要想提高，可以在中段进行PCA。这样，效果应该会更好。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。