import numpy as np def getclosepricesaroundtime(donnees, specifictime, hoursbefore=30,…
- User
import numpy as np def get_close_prices_around_time(donnees, specific_time, hours_before=30, hours_after=30): ''' Renvoie les prix de fermeture des ‘hours_before’ heures précédentes et des ‘hours_after’ heures suivantes autour d’une heure ‘specific_time’ donnée, chaque entrée correspondant à une heure complète.
:param donnees: DataFrame contenant les données horaires avec une colonne ‘timestamp’ et une colonne ‘close’. :param specific_time: pd.Timestamp représentant l’heure précise pour laquelle on veut les prix de fermeture. :param hours_before: Nombre d’heures avant l’heure spécifique. :param hours_after: Nombre d’heures après l’heure spécifique. :return: DataFrame avec les prix de fermeture pour each hour autour de ‘specific_time’ ''' # Trouver le prix de fermeture du dernier vendredi à 22h last_friday_22h = specific_time - pd.Timedelta(days=(specific_time.weekday() - 4) % 7) last_friday_22h = last_friday_22h.replace(hour=22, minute=0, second=0, microsecond=0) if specific_time.weekday() < 4 or (specific_time.weekday() == 4 and specific_time.hour < 22): # Si specific_time est avant le vendredi à 22h, corriger d’une semaine en arrière last_friday_22h -= pd.Timedelta(weeks=1) last_friday_row = donnees[donnees['timestamp'] == last_friday_22h.strftime('%Y-%m-%d %H:%M')] last_friday_close = last_friday_row['close'].iloc[0] if not last_friday_row.empty else np.nan # Convertissons les timestamps de specific_time en datetime si ce n’est pas déjà le cas if isinstance(specific_time, str): specific_time = pd.to_datetime(specific_time) # On calcule les marques de temps de début et de fin basées sur les heures start_time = specific_time - pd.Timedelta(hours=hours_before) end_time = specific_time + pd.Timedelta(hours=hours_after) # On filtre les données pour cette plage en ne prenant que les entrées autour de specific_time surrounding_data = donnees[ (donnees['timestamp'] >= start_time.strftime('%Y-%m-%d %H:%M')) & (donnees['timestamp'] <= end_time.strftime('%Y-%m-%d %H:%M')) ].reset_index(drop=True) return surrounding_data[['timestamp', 'close']]Exemple d’utilisation (suppose que les données ont été correctement chargées dans ‘donnees’):
specific_time = pd.Timestamp('2024-01-15 12:00') close_prices_around = get_close_prices_around_time(donnees, specific_time) just_price = close_prices_around['close'].tolist() print(close_prices_around) print(just_price)
modifie la fonction 'get_close_prices_around_time' de ce code pour rajouter des ligne des heures ou il n'y a pas de données une valeur prédéfinit
- Assistant
Pour modifier la fonction
get_close_prices_around_timeafin d'ajouter des lignes pour les heures manquantes avec une valeur prédéfinie, vous pouvez procéder de la manière suivante :- Créez une série temporelle complète entre
start_timeetend_timeavec une fréquence d'une heure. - Fusionnez cette série temporelle avec les données existantes.
- Remplissez les valeurs manquantes avec la valeur prédéfinie.
Voici la fonction modifiée :
import pandas as pd import numpy as np def get_close_prices_around_time(donnees, specific_time, hours_before=30, hours_after=30, fill_value=np.nan): ''' Renvoie les prix de fermeture des ‘hours_before’ heures précédentes et des ‘hours_after’ heures suivantes autour d’une heure ‘specific_time’ donnée, chaque entrée correspondant à une heure complète, en ajoutant des lignes pour les heures manquantes avec une valeur prédéfinie fill_value. :param donnees: DataFrame contenant les données horaires avec une colonne ‘timestamp’ et une colonne ‘close’. :param specific_time: pd.Timestamp représentant l’heure précise pour laquelle on veut les prix de fermeture. :param hours_before: Nombre d’heures avant l’heure spécifique. :param hours_after: Nombre d’heures après l’heure spécifique. :param fill_value: Valeur à utiliser pour combler les heures manquantes. :return: DataFrame avec les prix de fermeture pour each hour autour de ‘specific_time’ et des lignes pour les heures manquantes. ''' # Convertissons les timestamps de specific_time en datetime si ce n’est pas déjà le cas if isinstance(specific_time, str): specific_time = pd.to_datetime(specific_time) # On calcule les marques de temps de début et de fin basées sur les heures start_time = specific_time - pd.Timedelta(hours=hours_before) end_time = specific_time + pd.Timedelta(hours=hours_after) # Enregistrement complet des heures entre start_time et end_time full_time_range = pd.date_range(start=start_time, end=end_time, freq='H') # Convertissons la colonne 'timestamp' aux datetime pour une bonne jointure donnees['timestamp'] = pd.to_datetime(donnees['timestamp']) # Préparation d'un DataFrame avec la série temporelle complète pour garantir toutes les heures full_time_frame = pd.DataFrame({'timestamp': full_time_range}) # Fusionner les données avec la série temporelle complète merged_data = pd.merge(full_time_frame, donnees, on='timestamp', how='left') # Remplacer les valeurs NaN par la valeur prédéfinie merged_data['close'].fillna(fill_value, inplace=True) return merged_data # Exemple d’utilisation : # specific_time = pd.Timestamp('2024-01-15 12:00') # close_prices_around = get_close_prices_around_time(donnees, specific_time) # just_price = close_prices_around['close'].tolist() # print(close_prices_around) # print(just_price)N'oubliez pas de remplacer
'donnees'par le nom de votre variable DataFrame qui contient les données financières réelles avant d'utiliser le code. Vous pouvez également définirfill_valuecomme n'importe quelle autre valeur en fonction de ce que vous voulez utiliser pour combler les données manquantes (par exemple,-1,0,np.nan, etc.). - Créez une série temporelle complète entre