Skip to content
TheChatArchiveThe Chat Archive
gpt-4-1106-preview· openaiHugging Face Suzhen/CodeChat

import numpy as np def getclosepricesaroundtime(donnees, specifictime, hoursbefore=30,…

  1. 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

  2. Assistant

    Pour modifier la fonction get_close_prices_around_time afin d'ajouter des lignes pour les heures manquantes avec une valeur prédéfinie, vous pouvez procéder de la manière suivante :

    1. Créez une série temporelle complète entre start_time et end_time avec une fréquence d'une heure.
    2. Fusionnez cette série temporelle avec les données existantes.
    3. 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 définir fill_value comme 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.).