numpy csdn,numpy 统计函数

　　本文将介绍如何从文件中加载数据，如何使用NumPy的基本数学和统计分析功能，如何学习读写文件，并尝试函数式编程和NumPy线性代数运算来学习NumPy的常用函数。需要什么可以参考。

　　00-1010文件读取1、保存或新建文件2、读取csv文件函数loadtxt3、常用函数4、股票收益率等。5、对数收益和波动率6、日期分析总结。本文将以历史股票价格的分析为例，介绍如何从文件中加载数据，如何使用NumPy的基本数学和统计分析函数，如何学习读写文件，并尝试函数式编程和NumPy线性代数运算，学习NumPy的常用用法。

目录

　　读写文件是数据分析的一项基本技能。

　　CSV(逗号分隔值)格式是一种常见的文件格式。通常，数据库的转储文件是CSV格式的，文件中的每个字段对应数据库表中的列。

　　NumPy中的loadtxt函数可以轻松读取CSV文件，自动拆分字段并将数据加载到NumPy数组中。

文件读入

　　将numpy作为np导入

　　I=np.eye(3) #eye(n)函数创建N维单位矩阵

　　打印(一)

　　Np.savext (test.txt ，i) # savext()创建并保存test.txt文件

　　Savetxt()函数，如果有已存在的文件，更新它们；如果目录中没有文件，创建并保存test.txt文件。

　　运行结果如下：

　　[[1.0.0.]

　　[0.1.0.]

　　[0.0.1.]]

1、保存或创建新文件

　　1)首先在保存程序的目录下创建一个名为data.csv的文件，并按如下所示设置数据：

　　2)按如下方式读取文件：

　　c，v=np.loadtxt(data.csv ，delimiter=，，usecols=(6，7)，unpack=True)

　　usecols的参数是一个元组，用来获取7到8字段的数据，也就是上面文件中股票的收盘价和成交量数据。当unpack参数设置为True时，不同列的数据分别存储，即收盘价和成交量的数组分别赋给变量C和V。

2、读取csv文件的函数loadtxt

　　数量加权平均、时间加权、算术平均、中位数、方差等。

　　将numpy作为np导入

　　I=np.eye(3) #eye(n)函数创建N维单位矩阵

　　打印(一)

　　Np.savetxt (test.txt ，i) # savetxt创建并保存测试文件

　　#读取csv文件

　　c，v=np.loadtxt(data.csv ，delimiter=，，usecols=(6，7)，unpack=True)

　　“”usecols的参数是一个元组，用于获取第7到第8个字段的数据，即股票的收盘价和成交量。当unpack参数设置为True时，不同列的数据将被分开存储，即数据将被分开收集。

　　价格和成交量的数组被分配给变量C和V

　　Vwap=np.average(c，weights=v) #调用了average函数，使用v作为权重参数，

　　打印(vwap)

　　打印( n )

　　Print(np.mean(c)) #算术平均值

　　打印( n )

　　t=np.arange(len(c))

　　印刷(吨)

　　打印( n )

　　Twap=np.average(c，weights=t) #按时间加权

　　打印(twap)

　　打印( n )

　　h，l=np.loadtxt(data.csv ，分隔符=，，usecols=(4，5)，unpack=True)

　　#获取字段4到字段5的数据，即股票的最高价和最低价。

　　Print (np.max(h)) #获取最大max()

　　打印(np.min(l)

　　) #获取最小值min()

　　print(n)

　　print( np.ptp(h) ) # 用ptp()函数计算了极差，即最大值和最小值之间的差值

　　print( np.ptp(l) )

　　print(n)

　　print( np.median(c)) # 中位数median()函数，即多个数据中，处于中间的数

　　print( np.msort(c))#msort(( ))函数对价格数组进行排序,可以验证上述中位数

　　#方差的计算

　　variance = np.var(c) #方差函数var()

　　print(variance)

　　用代码、excel进行相关计算，运行结果如下：

　　为后面计算，将data.csv中的数据多增加几行，修改如下并保存(为后面日期读写与修改，日期形式修改成如下)：

603112,2022-4-1,,13.56,13.97,13.55,13.87,3750000603112,2022-4-2,,13.75,14.25,13.69,14.03,4003500603112,2022-4-3,,13.69,14.11,13.61,13.95,3956500603112,2022-4-4,,14.3,14.3,13.73,13.89,4250000603112,2022-4-5,,14.1,14.5,13.93,14,4013500603112,2022-4-6,,14.5,15.4,14.35,15.4,9056500603112,2022-4-7,,16,16.94,15.85,16.94,3750000

4、股票的收益率等

　　股市中最常见的就是涨幅，也就是今日收盘价相对昨日涨跌的比例，即 （今日收盘价-昨天收盘价）/昨日收盘价*100，numpy中的 diff() 函数可以返回一个由相邻数组元素的差值构成的数组，由于相邻数据相减，因此diff()数组数据较原数组少一个。

　　如上述修改后，有7天的收盘价，diff()计算出的结果就只有6位，

import numpy as np

　　运行结果，代码、excel进行相比较：

5、对数收益与波动率

　　1）对数收益：log 函数得到每一个收盘价的对数，再对结果使用 diff 函数即可，

logreturns = np.diff( np.log(c) )

　　运行结果：

[ 0.01146966 -0.00571839 -0.00431035 0.00788817 0.09531018 0.09531018]

 

　　

　　2) where的作用

　　where 函数可以根据指定的条件返回所有满足条件的序列索引值，比如上述logreturns中有两个小于0的数据。

posretindices = np.where(results1 > 0)

　　运行结果：

Indices with positive returns1 (array([0, 3, 4, 5], dtype=int64),)

 

　　

　　3）波动率：波动率=对数收益率的标准差除以其均值，再除以交易周期倒数的平方根。下面代码分别为以年、月进行统计的波动率.

annual_volatility =(np.std(logreturns)/np.mean(logreturns))/np.sqrt(1./252.)#使用浮点数才能得到正确的结果

6、日期分析

　　处理日期总是很烦琐。NumPy是面向浮点数运算的，因此需要对日期做一些专门的处理。

　　通过上述代码，我们知道，修改函数np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)中的参数usecols=(6,7)就可以读取不同的列，日期是在第2列，即下标应该为1（数列下标是从0开始的），可以重新定义新日期数列并获取后存入。

　　代码如下：

dates, c=np.loadtxt(data.csv, delimiter=,, usecols=(1,6), unpack=True) #读取下标为1、6的数据，分别存入到dates和c数列中。

　　但实际运行过程中会报错，

　　代码需要作如下修改：

import numpy as np

　　运行结果：[4. 5. 6. 0. 1. 2. 3.]，也是从0开始，到6结束。为了更好地说明数据，可以采用真实的数据，即从通信达软件直接下载真实的交易数据，如下图所示：

　　（注意：较原来少了一列空格列）

　　修改代码如下：

import numpy as np

　　运行结果：

　　如上图，导出有420天数据。

　　按周一到周五，统计相关数据：

averages = np.zeros(5) #创建包含5个元素的数组,保存交易日收盘价，0-4分别代表周一到周五五个交易日

　　当然除了上述外，还可以求得420天里的最大值、最小值以及交易日平均值中最大值、最小值等，对代码进行如下修：

import numpy as np

　　运行结果如下：

总结

　　本篇初步导入了真实的股票交易信息，并利用numpy常见函数对进行了初步的计算，列举了下列常用函数：

　　loadtxt() 函数可以方便地读取CSV文件，自动切分字段，并将数据载入NumPy数组。

　　savetxt()创建并保存test.txt文件

　　np.loadtxt('data.csv', delimiter=',', usecols=(6,7),)usecols参数用来选择读取的数列

　　np.average(c, weights=v) 加权平均,将v作为权重参数使用，

　　np.mean(c)) #算术平均值

　　np.max(h)) #获取最大值max()

　　np.min(l)) #获取最小值min()

　　np.ptp(h) ) 用ptp()函数计算了极值差，

　　np.median(c)) 中位数median()函数，即多个数据中，处于中间的数

　　np.msort(c))函数对价格数组进行排序,

　　np.var(c) 方差函数var()

　　np.diff(c) 函数可以返回一个由相邻数组元素的差值构成的数组

　　np.std(results) # 标准差

　　np.diff( np.log(c) )

　　np.where(results1 > 0) 选择

　　np.sqrt()#平方根sqrt(),浮点数

　　s.decode('ascii') 将字符串s转化为ascii码

　　np.take(c,indices) #take函数获取各个工作日的收盘价。

　　np.argmax(averages)) #argmax函数返回数组中最大元素的索引值

　　np.argmin(averages))#argmin函数返回数组中最小元素的索引值

　　以上就是Python数据分析之NumPy常用函数使用详解的详细内容，更多关于Python NumPy常用函数的资料请关注盛行IT软件开发工作室其它相关文章！

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。