Estou apenas entrando em Pandas, tentando fazer o que eu faria no Excel facilmente apenas com um grande conjunto de dados. Eu tenho uma seleção de dados de preços de futuros que eu tenho entrada em Pandas usando: isso me dá um DataFrame. Os dados estão no formulário abaixo: Agora, o que eu essencialmente tentando fazer é calcular uma banda de Bollinger em pandas. Se eu estivesse no Excel eu selecionaria o bloco inteiro de colunas High, Low, Open e Close para dizer 20 linhas e calcular o desvio padrão. Eu vejo pandas tem a função rollstd que pode calcular o desvio padrão do rolamento, mas apenas em uma coluna. Como faço para obter Python Pandas para calcular um desvio padrão de rolamento na coluna Alto, Baixo, Abrir e Fechar por dizer 20 períodos. O que estou tentando fazer é calcular a devolução padrão em todos os valores selecionados nas 4 colunas, e não apenas em cada indivíduo coluna. No Excel, eu poderia usar STDEV (A1: D5) para encontrar o desvio padrão de todos os números nesse bloco selecionado. O que eu estou tentando descobrir é como fazer o pandaspython olhar para todos os valores do openhighlowclose retornando 20 períodos e me dizer o desvio padrão, não apenas para as colunas individuais. Ndash user2999716 Nov 16 13 em 17: 22 Qual é a maneira mais recomendável de manipulação de dados de entrada ao vivo com pandas A cada poucos segundos Estou recebendo um ponto de dados no formato abaixo: Eu gostaria de anexá-lo a um DataFrame existente e, em seguida, executar algumas análises em isto. O problema é que apenas anexar linhas com o DataFrame. append pode levar a problemas de desempenho com toda a cópia. Coisas que eu tentei: algumas pessoas sugeriram pré-atribuir um grande DataFrame e atualizá-lo à medida que os dados chegam: a outra alternativa é a construção de uma lista de dicts. Simplesmente anexando os dados recebidos a uma lista e cortando-a em DataFrames menores para fazer o trabalho. Ou algo parecido, talvez processando a entrada um pouco mais. Solicitado 24 de maio 13 às 17:53 Eu usaria HDF5pytables da seguinte maneira: Mantenha os dados como uma lista de python o maior tempo possível. Anexe seus resultados a essa lista. Quando fica grande: empurre para HDF5 Store usando pandas io (e uma tabela anexável). Limpe a lista. Repetir. Na verdade, a função que eu defino usa uma lista para cada chave para que você possa armazenar vários DataFrames na HDF5 Store no mesmo processo. Definimos uma função que você chama com cada linha d: Nota: usamos a instrução with para fechar automaticamente a loja após cada gravação. Pode ser mais rápido mantê-lo aberto, mas, se assim for, recomenda-se que você lava regularmente (escoamento de fechamento). Observe também que pode ser mais legível ter usado um conjunto de coleções em vez de uma lista, mas o desempenho de uma lista será um pouco melhor aqui. Para usar isso, você chama como: Nota: df é a chave armazenada usada na loja pytables. Uma vez que o trabalho tenha terminado, assegure-se de que você armazene e limpe o cache restante: Agora, o DataFrame completo está disponível através de: Alguns comentários: 5000 podem ser ajustados, tente com alguns números de menor tamanho para atender às suas necessidades. A lista anexa é O (1). DataFrame append é O (len (df)). Até que você esteja fazendo estatísticas ou dados, você não precisa de pandas, use o que é mais rápido. Este código funciona com múltiplas chaves (pontos de dados). Este é um código muito pequeno, e ficou na lista de vanilla python e depois no banco de dados de pandas. Além disso, para obter as leituras atualizadas, você pode definir um método get que armazena e limpa antes de ler. Desta forma, você obteria os dados mais atualizados: agora, quando você acessa com: você obterá o último df disponível. Outra opção é um pouco mais envolvida: defina uma tabela personalizada em pirâmides de baunilha, veja o tutorial. Nota: Você precisa conhecer os nomes dos campos para criar o descritor da coluna. Obrigado. Mas com este método, você não pode usar pandas nos últimos dados dos últimos segundos. Digamos que eu insira dados hoje às 15:23:00, 15:23:01, 15:23:02, 15:23:04. Então, se eu quiser acessar df392017-12-15 15: 23: 0139, 392017-12-15 15: 23: 0339. Eu não posso. Então, significa que tenho que escrever meu próprio código para filtrar linhas por tempo no cache. Isso significa que temos que reinventar a roda ndash Basj 15 de dezembro 15 às 16: 06Bollinger Bands reg Introdução: Bandas Bollinger são uma ferramenta de negociação técnica criada por John Bollinger no início dos anos 80. Eles surgiram da necessidade de bandas de negociação adaptativas e a observação de que a volatilidade era dinâmica, não estática, como era amplamente acreditado na época. O propósito das Bandas Bollinger é fornecer uma definição relativa de alta e baixa. Por definição, os preços são altos na banda superior e baixos na faixa inferior. Esta definição pode auxiliar no reconhecimento de padrões rigorosos e é útil na comparação da ação de preços com a ação de indicadores para chegar a decisões comerciais sistemáticas. Bollinger Bands consiste em um conjunto de três curvas desenhadas em relação aos preços dos títulos. A banda do meio é uma medida da tendência do termo intermediário, geralmente uma média móvel simples, que serve como base para a banda superior e banda baixa. O intervalo entre as bandas superior e inferior e a banda do meio é determinado pela volatilidade, tipicamente o desvio padrão dos mesmos dados que foram utilizados para a média. Os parâmetros padrão, 20 períodos e dois desvios padrão, podem ser ajustados de acordo com seus propósitos. Saiba como usar as Bandas de Bollinger: Bollinger On Bollinger Bands book de John Bollinger, CFA, CMT Obter as 22 regras da Bollinger Band Registe-se para receber e-mails ocasionais sobre Bandas Bollinger, webinars e o novo trabalho de Johns. Nunca compartilhamos sua informação John Bollingers Monthly Capital Growth Letter Analysis e comentário sobre os mercados mais recomendações de investimento de John Bollinger. Área de Assinante CGL Dezembro de 2017 Trecho O Bounce Devemos saltar The Bounce este ano, já que os mercados não estão configurando como deveriam garantir um bom salto. As condições ideais do salto são um pico nos preços das ações no início do ano, muitas ações atingindo a nova lista de baixas à medida que o ano atinge o fim, muita venda de impostos e o despejo de ações como um produto da vitrine da carteira. Nós não vemos nada disso neste ano: é provável que saibamos perto dos altos do ano. Há poucas, se houver novas novidades. A venda de impostos simplesmente não é um fator (ainda). E o curativo de janelas é muito mais provável que envolva a compra do pânico de mercadorias boas do que a venda de mercadorias ruins. Então, estamos passando o The Bounce até o ano que vem.
No comments:
Post a Comment