读取C:/Users/陈赞/Desktop/2023证券投资/K线导出000906日线数据.xls,利用其中的vol构造市场情绪指标
- User
读取C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls,利用其中的vol构造市场情绪指标
- Assistant
由于缺少文件内容,无法提供具体代码。一般情况下,可以按照以下步骤进行操作:
-
使用pandas包中的read_excel()函数读取Excel文件,将数据保存为DataFrame格式。
-
根据DataFrame中的成交量(vol)数据,计算市场情绪指标。市场情绪指标可以有多种定义方法,例如:
-
OBV指标:根据成交量的正负情况来计算一个指标值,表示买方和卖方的力量对比。可以使用cumsum()函数计算出OBV值。
-
累积成交量指标:计算一段时间内的成交量的累计值,表示市场情绪的变化趋势。也可以使用cumsum()函数计算出累积成交量值。
-
交易量变异指标:根据成交量的波动情况来计算一个指标值,表示市场情绪的不确定性。可以使用rolling()函数计算出一段时间内的成交量标准差,然后将标准差除以平均值得到交易量变异指标。
-
-
将计算出的市场情绪指标添加到DataFrame中,保存为Excel文件或者其他格式。可以使用to_excel()函数将结果保存为Excel文件。
-
- User
你帮我写代码
- Assistant
好的,以下是一个简单的示例代码,其中使用了OBV指标计算市场情绪指标,并将结果保存为Excel文件:
import pandas as pd # 读取Excel文件并转换为DataFrame格式 df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls') # 计算OBV指标 obv = df.apply(lambda x: x['vol'] if x['pct_chg'] >= 0 else -x['vol'], axis=1).cumsum() # 将OBV指标添加到DataFrame中 df['obv'] = obv # 保存结果为Excel文件 df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_obv.xls')上述代码中,使用了apply()函数和lambda表达式对每行数据进行处理,将正收益对应的成交量求和,负收益对应的成交量求和并取相反数,然后使用cumsum()函数计算得到OBV指标。最后使用to_excel()函数将带有OBV指标的DataFrame保存为Excel文件。需要注意的是,保存时需要指定文件名,并且文件名应当与原始文件名不同,避免覆盖原始数据。
- User
如何画出上下轨道
- Assistant
上下轨道通常与股票的价格走势相关,是一种常见的技术分析工具。根据不同的计算方法和参数,可以得到不同的上下轨道,例如布林带、移动平均线带等。以下是一个示例代码,演示如何使用布林带计算和绘制上下轨道:
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取Excel文件并转换为DataFrame格式 df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls') # 计算收盘价的20日移动平均线和标准差 window = 20 ma = df['close'].rolling(window).mean() std = df['close'].rolling(window).std() # 计算上下轨道 k = 2 # 布林带参数 upper_band = ma + k * std lower_band = ma - k * std # 绘制上下轨道 plt.plot(df['date'], df['close'], label='Close') plt.plot(df['date'], ma, label='20-day Moving Average') plt.plot(df['date'], upper_band, label='Upper Band') plt.plot(df['date'], lower_band, label='Lower Band') plt.fill_between(df['date'], upper_band, lower_band, alpha=0.2) # 填充区域 plt.legend() plt.show()上述代码中,使用了rolling()函数计算收盘价的20日移动平均线和标准差,然后根据布林带的计算公式得到上下轨道。最后使用plot()函数绘制收盘价、移动平均线和上下轨道,并使用fill_between()函数填充上下轨道之间的区域。需要注意的是,绘制之前需要导入matplotlib库,并使用show()函数显示图像。
- User
plt.plot(df['Date'],upper_band, label='Upper Band')字体大小怎么设置
- Assistant
在Matplotlib中,可以使用rcParams参数字典设置全局字体大小,或者在特定的plot函数中使用fontsize参数设置特定图像的字体大小。可以使用如下代码设置全局字体大小:
import matplotlib.pyplot as plt plt.rcParams['font.size'] = 12 # 设置全局字体大小为12如果只想修改特定plot函数的字体大小,可以在plot函数中使用fontsize参数指定:
plt.plot(df['Date'], upper_band, label='Upper Band', fontsize=12)其中fontsize参数设置字体大小,单位为磅。需要注意的是,不同操作系统和Matplotlib版本可能需要设置不同的字体名称和大小单位。如果字体设置不生效,可以尝试修改字体名称和单位。
- User
AttributeError: 'Line2D' object has no property 'fontsize'
- Assistant
对不起,我的前面回答有些错误。Line2D确实没有
fontsize属性,它只能由Text实例对象使用。因此,要更改Legend中文本的字体大小,需要先获取Legend实例对象,然后再通过它的prop属性来设置字体大小。具体的代码示例如下:import matplotlib.pyplot as plt # 绘制上下轨道,并添加图例 plt.plot(df['Date'], upper_band, label='Upper Band') plt.plot(df['Date'], lower_band, label='Lower Band') plt.legend() # 获取Legend实例对象,并设置字体大小 legend = plt.gca().get_legend() for text in legend.get_texts(): text.set_fontsize(12) # 显示图像 plt.show()上述代码中,使用
gca()函数获取当前图形状态中的Axes实例对象,然后通过该实例对象的get_legend()方法获取图例的Legend实例对象。最后使用get_texts()方法获取Legend中所有的文本对象,然后通过set_fontsize()方法设置文本的字体大小。希望这次回答能够解决你的问题,如果还有什么其它问题,欢迎继续提问。
- User
什么版本能直接写plt.plot(df['Date'],upper_band, label='Upper Band',fontsize=20)
- Assistant
plt.plot()函数本身不支持fontsize参数,但是label参数的文本可以通过set_fontsize()方法改变字体大小。但是set_fontsize()方法只在 Matplotlib >= 3.4.0 中才被引入,如果你的 Matplotlib 版本低于这个版本,可能会出现AttributeError: 'Line2D' object has no property 'set_fontsize'的错误。如果你想要使用
set_fontsize()方法来修改 Label 的字体大小,可以升级到 Matplotlib 3.4.0 及以上版本。升级方法可以通过执行以下 pip 命令来实现:!pip install --upgrade matplotlib如果你的 Matplotlib 版本已经是 3.4.0 及以上,可以将代码修改如下来设置 Label 的字体大小:
# 绘制上下轨道,并添加图例 plt.plot(df['Date'], upper_band, label='Upper Band') plt.plot(df['Date'], lower_band, label='Lower Band') plt.legend() # 获取 Legend 中的文本,并修改字体大小 legend = plt.gca().get_legend() for text in legend.texts: text.set_fontsize(20) # 显示图像 plt.show()这里使用了
legend.texts属性获取 Legend 中的文本实例列表,然后遍历该列表并使用set_fontsize()方法来修改字体大小。 - User
指定版本安装3.4.1
- Assistant
如果需要安装指定版本的Matplotlib,可以使用以下命令在命令行中执行:
pip install matplotlib==3.4.1这个命令会将Matplotlib库安装为3.4.1版本,如果已经安装了其它版本的Matplotlib,执行这个命令会将其替换为指定版本。
建议在虚拟环境(virtualenv)中进行库的安装和管理,这样可以保证不同项目使用的库版本相互独立,避免出现版本冲突的问题。具体使用方法可以参考虚拟环境相关的文档或教程。
- User
股价收盘价累计涨跌幅怎么算df
- Assistant
你可以使用 Pandas 库来计算股价的累计涨跌幅。以下是一个简单的示例代码,可以读取收盘价数据,并使用
pct_change()方法计算累计涨跌幅:import pandas as pd # 读取Excel文件并转换为DataFrame格式 df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls') # 计算收盘价的涨跌幅 df['pct_chg'] = df['close'].pct_change() # 计算累计涨跌幅 df['cum_pct_chg'] = (1 + df['pct_chg']).cumprod() - 1在上述示例代码中,首先使用
read_excel()函数读取Excel文件数据并转换为DataFrame格式。然后使用pct_change()方法计算收盘价的涨跌幅,并将其保存在DataFrame中的一个列中。最后使用cumprod()方法来计算累计涨跌幅,并将其保存在DataFrame中的另一个列中。需要注意的是,
pct_change()方法计算的是涨跌幅百分比,因此结果是一个小数,需要乘以100变为百分数。如果需要将计算结果保存在Excel文件中,可以使用DataFrame的to_excel()方法将结果保存到Excel文件中,例如:# 将结果保存为Excel文件 df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_pct_chg.xlsx', index=False)其中,
to_excel()方法的index参数设置为False,表示不保存行索引。 - User
import pandas as pd import matplotlib.pyplot as plt import numpy as np import matplotlib
matplotlib.rcParams['font.sans-serif']=['SimHei'] matplotlib.rcParams['axes.unicode_minus']=False
读取Excel文件并转换为DataFrame格式
df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls').iloc[3500:] log_returns=np.log(df['close']/df['close'].shift(1)).dropna() cum=log_returns.cumsum()*100
计算OBV指标
obv = df.apply(lambda x: x['vol'] if x['change%'] >= 0 else -x['vol'], axis=1).cumsum()
将OBV指标添加到DataFrame中
df['obv'] = obv
保存结果为Excel文件
df.to_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据_with_obv.xls')
计算收盘价的20日移动平均线和标准差
window = 20 ma = df['obv'].rolling(window).mean() std = df['obv'].rolling(window).std()
计算上下轨道
k = 2 # 布林带参数 upper_band = ma + k * std lower_band = ma - k * std plt.xticks(rotation='vertical') plt.figure(figsize=(15, 10)) plt.grid(True) plt.xlabel('Year',fontsize=20) plt.ylabel('CPI YoY growth ',fontsize=20) plt.figsize=(30,15) plt.plot(df['Date'],upper_band, label='Upper Band') plt.plot(df['Date'],lower_band, label='Lower Band') plt.plot(df['Date'],obv, label='情绪指标') 由于股价很大,怎么让他也能在一个图里画出来,并且很清晰
- Assistant
如果股价范围过大,在同一张图上绘制OBV指标和股价会导致股价的细节部分被掩盖,难以观察。可以考虑在不同的轴上绘制OBV指标和股价,从而避免这个问题。以下是一个修改后的示例代码,可以绘制两个轴,一个用于绘制OBV指标,另一个用于绘制股价:
import pandas as pd import matplotlib.pyplot as plt # 读取Excel文件并转换为DataFrame格式 df = pd.read_excel('C:/Users/陈赞/Desktop/2023证券投资/K线导出_000906_日线数据.xls').iloc[3500:] log_returns = np.log(df['close'] / df['close'].shift(1)).dropna() cum = log_returns.cumsum() * 100 # 计算OBV指标 obv = df.apply(lambda x: x['vol'] if x['change%'] >= 0 else -x['vol'], axis=1).cumsum() # 计算收盘价的20日移动平均线和标准差 window = 20 ma = df['close'].rolling(window).mean() std = df['close'].rolling(window).std() # 计算上下轨道 k = 2 # 布林带参数 upper_band = ma + k * std lower_band = ma - k * std # 创建画布和两个坐标轴 fig, ax1 = plt.subplots() ax2 = ax1.twinx() # 在坐标轴1上绘制OBV指标和布林带 ax1.plot(df['Date'], obv, label='情绪指标') ax1.plot(df['Date'], upper_band, label='Upper Band') ax1.plot(df['Date'], lower_band, label='Lower Band') ax1.fill_between(df['Date'], upper_band, lower_band, alpha=0.2) # 在坐标轴2上绘制股价 ax2.plot(df['Date'], df['close'], color='red', label='股价') # 设置图例和标签 ax1.legend(loc='upper left') ax2.legend(loc='upper right') ax1.set_xlabel('日期') ax1.set_ylabel('OBV指标/布林带') ax2.set_ylabel('股价') plt.show()上述代码中,首先创建一个包含两个坐标轴的画布,然后将OBV指标和布林带绘制在左侧坐标轴上,股价绘制在右侧坐标轴上。使用了
ax1.twinx()方法创建第二个坐标轴,并使用color参数设置股价的颜色。需要为两个坐标轴分别设置标签和图例,以便更好地理解图像含义。 - User
peg估值比pe估值好在哪
- Assistant
PEG(Price/Earnings to Growth)估值是一种基本