Pandas必备技能之“时间序列数据处理”

同理，.bfill()代表用后值对空值进行填充，效果如下。

df_daily = df_weekly.resample('D').bfill() 
df_daily 
Out[55]:  
            open  high   low  close         vol 
trade_date                                      
2018-07-08  9.05  9.05  8.45   8.66  5125563.53 
2018-07-09  8.69  9.03  8.58   8.88  4901983.84 
2018-07-10  8.69  9.03  8.58   8.88  4901983.84 
2018-07-11  8.69  9.03  8.58   8.88  4901983.84 
2018-07-12  8.69  9.03  8.58   8.88  4901983.84 
2018-07-13  8.69  9.03  8.58   8.88  4901983.84 
2018-07-14  8.69  9.03  8.58   8.88  4901983.84 
2018-07-15  8.69  9.03  8.58   8.88  4901983.84 
2018-07-16  8.85  8.90  8.66   8.70  1590354.68 
2018-07-17  8.85  8.90  8.66   8.70  1590354.68 
2018-07-18  8.85  8.90  8.66   8.70  1590354.68 
2018-07-19  8.85  8.90  8.66   8.70  1590354.68 
2018-07-20  8.85  8.90  8.66   8.70  1590354.68 
2018-07-21  8.85  8.90  8.66   8.70  1590354.68 
2018-07-22  8.85  8.90  8.66   8.70  1590354.68 

03、时间窗口函数

当我们想要比较数据在相同时间窗口的不同特征和变化时，可以借助窗口函数rolling【6】进行计算。

看一个实例：计算股票收盘价的移动平均值。

df = df[['ts_code', 'close']] 
df 
Out[58]:  
              ts_code  close 
trade_date                   
2018-07-02  000001.SZ   8.61 
2018-07-03  000001.SZ   8.67 
2018-07-04  000001.SZ   8.61 
2018-07-05  000001.SZ   8.60 
2018-07-06  000001.SZ   8.66 
2018-07-09  000001.SZ   9.03 
2018-07-10  000001.SZ   8.98 
2018-07-11  000001.SZ   8.78 
2018-07-12  000001.SZ   8.88 
2018-07-13  000001.SZ   8.88 
2018-07-16  000001.SZ   8.73 
2018-07-17  000001.SZ   8.72 
2018-07-18  000001.SZ   8.70 

调用rolling函数，通过设置参数window的值规定窗口大小，这里设置为3，并且调用.mean()方法计算窗口期为3天的均值，结果如下。

其中，'20180704'当天的平均值等于'20180702'-'20180704'三天的收盘价取平均的结果，'20180705'当天的平均值等于'20180703'-'20180705'三天的收盘价取平均的结果，以此类推。

df['MA3'] = df['close'].rolling(3).mean() 
df 
Out[76]:  
              ts_code  close       MA3 
trade_date                             
2018-07-02  000001.SZ   8.61       NaN 
2018-07-03  000001.SZ   8.67       NaN 
2018-07-04  000001.SZ   8.61  8.630000 
2018-07-05  000001.SZ   8.60  8.626667 
2018-07-06  000001.SZ   8.66  8.623333 
2018-07-09  000001.SZ   9.03  8.763333 
2018-07-10  000001.SZ   8.98  8.890000 
2018-07-11  000001.SZ   8.78  8.930000 
2018-07-12  000001.SZ   8.88  8.880000 
2018-07-13  000001.SZ   8.88  8.846667 
2018-07-16  000001.SZ   8.73  8.830000 
2018-07-17  000001.SZ   8.72  8.776667 
2018-07-18  000001.SZ   8.70  8.716667 

（编辑：武汉站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!