Skip to content
The Chat Archive
o1-preview-2024-09-12· OpenAI WildChat-4.8M (AI2)

[*******************100%*********************] 1 of 1 completed Оптимальное количество…

  1. User

    [*****************100%*******************] 1 of 1 completed Оптимальное количество шагов: 8

    TypeError Traceback (most recent call last) in <cell line: 95>() 93 # Создание дат для будущих прогнозов 94 last_date = close_prices.index[-1] ---> 95 future_dates = pd.date_range(last_date, periods=n_future+1, closed='right') 96 97 # Объединение исторических данных и прогнозов

    /usr/local/lib/python3.10/dist-packages/pandas/core/indexes/datetimes.py in date_range(start, end, periods, freq, tz, normalize, name, inclusive, unit, **kwargs) 1006 freq = "D" 1007 -> 1008 dtarr = DatetimeArray._generate_range( 1009 start=start, 1010 end=end,

    TypeError: DatetimeArray._generate_range() got an unexpected keyword argument 'closed'

    вот код

    Импорт необходимых библиотек

    import yfinance as yf import numpy as np import pandas as pd from scipy.optimize import differential_evolution import matplotlib.pyplot as plt

    Загрузка данных EUR/USD

    data = yf.download('EURUSD=X', start='2010-01-01', end='2023-10-01') close_prices = data['Close']

    Проверка на наличие пропущенных значений

    close_prices = close_prices.dropna()

    Преобразование цен закрытия в numpy массив

    prices = close_prices.values

    Нормализация данных

    from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() prices_scaled = scaler.fit_transform(prices.reshape(-1,1)).flatten()

    Разделение на обучающую и тестовую выборки

    split = int(len(prices_scaled) * 0.8) train_data = prices_scaled[:split] test_data = prices_scaled[split:]

    Функция для создания обучающих данных

    def create_dataset(data, n_steps): X, y = [], [] for i in range(len(data)-n_steps): X.append(data[i:i+n_steps]) y.append(data[i+n_steps]) return np.array(X), np.array(y)

    Целевая функция для оптимизации

    def objective(n_steps): n_steps = int(n_steps[0]) # Ограничиваем n_steps от 1 до 20 if n_steps < 1 or n_steps > 20: return np.inf X_train, y_train = create_dataset(train_data, n_steps) # Проверяем, есть ли достаточно данных для обучения if len(X_train) == 0: return np.inf # Обучаем простую линейную регрессию from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_train, y_train) # Проверяем на тестовых данных X_test, y_test = create_dataset(test_data, n_steps) if len(X_test) == 0: return np.inf predictions = model.predict(X_test) # Вычисляем ошибку from sklearn.metrics import mean_squared_error mse = mean_squared_error(y_test, predictions) return mse

    Запуск оптимизации

    bounds = [(1, 20)] # Границы для n_steps

    result = differential_evolution(objective, bounds, strategy='best1bin', maxiter=10, popsize=15, tol=0.01, seed=42)

    optimal_n_steps = int(result.x[0]) print(f"Оптимальное количество шагов: {optimal_n_steps}")

    Создание обучающего и всего набора данных с оптимальным n_steps

    X_train, y_train = create_dataset(train_data, optimal_n_steps) X_full, y_full = create_dataset(prices_scaled, optimal_n_steps)

    Обучение модели на всех данных

    from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_full, y_full)

    Функция для прогнозирования будущих значений

    def forecast_future(model, data, n_steps, n_future): last_steps = data[-n_steps:].tolist() predictions = [] for _ in range(n_future): X = np.array(last_steps[-n_steps:]).reshape(1, -1) y_pred = model.predict(X)[0] predictions.append(y_pred) last_steps.append(y_pred) return predictions

    Прогнозирование будущих значений

    n_future = 30 # Количество дней для прогнозирования future_predictions_scaled = forecast_future(model, prices_scaled, optimal_n_steps, n_future) future_predictions = scaler.inverse_transform(np.array(future_predictions_scaled).reshape(-1,1)).flatten()

    Создание дат для будущих прогнозов

    last_date = close_prices.index[-1] future_dates = pd.date_range(last_date, periods=n_future+1, closed='right')

    Объединение исторических данных и прогнозов

    all_dates = close_prices.index.append(future_dates) all_prices = np.concatenate((prices, future_predictions))

    Визуализация результатов

    plt.figure(figsize=(14,7)) plt.plot(close_prices.index, prices, label='Исторические данные', color='blue') plt.plot(future_dates, future_predictions, label='Прогнозы', color='red', linestyle='--') plt.legend() plt.title('Прогнозирование EUR/USD на будущее') plt.xlabel('Дата') plt.ylabel('Цена EUR/USD') plt.grid(True) plt.show()

  2. Assistant

    Похоже, ошибка возникает из-за использования параметра closed в функции pd.date_range, который был изменен или переименован в более новых версиях библиотеки Pandas.

    Причина ошибки:

    В версии Pandas 2.0 и выше параметр closed был заменен на inclusive. Поэтому при попытке использовать closed, возникает ошибка TypeError.

    Как исправить:

    Замените параметр closed на inclusive в вызове функции pd.date_range. То есть, вместо:

    future_dates = pd.date_range(last_date, periods=n_future+1, closed='right')
    

    используйте:

    future_dates = pd.date_range(last_date, periods=n_future+1, inclusive='right')
    

    Обновленный код:

    # Создание дат для будущих прогнозов
    last_date = close_prices.index[-1]
    future_dates = pd.date_range(last_date, periods=n_future+1, inclusive='right')
    

    Пояснение:

    • В более новых версиях Pandas параметр closed был заменен на inclusive для функций, работающих с диапазонами дат и времен.
    • Параметр inclusive принимает те же значения, что и closed: 'left', 'right', 'both', или 'neither'.
    • Это изменение обеспечивает более интуитивное понимание границ включения в диапазоны.

    Рекомендация:

    Всегда полезно проверять документацию библиотек или использовать функции автодополнения в вашей среде разработки, чтобы быть в курсе изменений в версиях библиотек.

    Дополнительная информация:

    • Если вы работаете с разными версиями Pandas в разных средах, будьте внимательны к таким изменениям.

    • Вы можете узнать версию Pandas, которую используете, выполнив:

      import pandas as pd
      print(pd.__version__)
      

    Пример выполнения:

    После внесения изменений ваш код должен успешно запуститься, и график прогнозирования будет отображен без ошибок.