Python中的Numpy，PythonNumpy,引用Numpyimp

Python中的Numpy，PythonNumpy,引用Numpyimp

引用Numpy

import numpy as np

生成随机数据

# 200支股票stock_cnt = 200# 504个交易日view_days = 504# 生成服从正态分布：均值期望＝0，标准差＝1的序列stock_day_change = np.random.standard_normal((stock_cnt, view_days))# 使用沙盒数据，目的是和书中一样的数据环境，不需要注视掉# stock_day_change = np.load(‘../gen/stock_day_change.npy‘)# 打印shape (200, 504) 200行504列print(stock_day_change.shape)# 打印出第一支只股票，头五个交易日的涨跌幅情况print(stock_day_change[0:1, :5])

3.1.3 索引选取和切片选择

# 0:2第一，第二支股票，0:5头五个交易日的涨跌幅数据stock_day_change[0:2, 0:5]

3.1.4 数据转换与规整

# 2代表保留两位小数np.around(stock_day_change[0:2, 0:5], 2)

3.1.5 逻辑条件进行数据筛选

mask = stock_day_change[0:2, 0:5] > 0.5print(mask)

3.1.6 通用序列函数

# np.all判断序列中的所有元素是否全部是true, 即对bool序列进行与操作# 本例实际判断stock_day_change[0:2, 0:5]中是否全是上涨的np.all(stock_day_change[0:2, 0:5] > 0)

# np.any判断序列中是否有元素为true, 即对bool序列进行或操作# 本例实际判断stock_day_change[0:2, 0:5]中是至少有一个是上涨的np.any(stock_day_change[0:2, 0:5] > 0)

# 对两个序列对应的元素两两比较，maximum结果集取大,相对使用minimum为取小的结果集np.maximum(stock_day_change[0:2, 0:5], stock_day_change[-2:, -5:])# array([[ 0.38035486,  0.12259674, -0.2851901 , -0.00889681,  0.45731945],       # [ 0.13380956,  2.03488293,  1.44701057, -0.92392477,  0.96930104]])

change_int = stock_day_change[0:2, 0:5].astype(int)print(change_int)# 序列中数值值唯一且不重复的值组成新的序列np.unique(change_int)

# diff 前后临近数据进行减法运算# axis＝1np.diff(stock_day_change[0:2, 0:5])

# 唯一区别 axis=0np.diff(stock_day_change[0:2, 0:5], axis=0)

#where 数据筛选tmp_test = stock_day_change[-2:, -5:]print(np.where(tmp_test > 0.5, 1, 0))

统计概念与函数使用

stock_day_change_four = stock_day_change[:4, :4]print(‘最大涨幅 {}‘.format(np.max(stock_day_change_four, axis=1)))print(‘最大跌幅 {}‘.format(np.min(stock_day_change_four, axis=1)))print(‘振幅幅度 {}‘.format(np.std(stock_day_change_four, axis=1)))print(‘平均涨跌 {}‘.format(np.mean(stock_day_change_four, axis=1)))

3.2.2 统计基础概念

a_investor = np.random.normal(loc=100, scale=50, size=(100, 1))b_investor = np.random.normal(loc=100, scale=20, size=(100, 1))# a交易者print(‘交易者期望{0:.2f}元, 标准差{1:.2f}, 方差{2:.2f}‘.format(a_investor.mean(), a_investor.std(), a_investor.var()))# b交易者print(‘交易者期望{0:.2f}元, 标准差{1:.2f}, 方差{2:.2f}‘.format(b_investor.mean(), b_investor.std(), b_investor.var()))

正态分布

import scipy.stats as scs# 均值期望stock_mean = stock_day_change[0].mean()# 标准差stock_std = stock_day_change[0].std()print(‘股票0 mean均值期望:{:.3f}‘.format(stock_mean))print(‘股票0 std振幅标准差:{:.3f}‘.format(stock_std))# 绘制股票0的直方图plt.hist(stock_day_change[0], bins=50, normed=True)# linspace从股票0 最小值－> 最大值生成数据fit_linspace = np.linspace(stock_day_change[0].min(),                           stock_day_change[0].max())# 概率密度函数(PDF，probability density function)# 由均值，方差，来描述曲线，使用scipy.stats.norm.pdf生成拟合曲线pdf = scs.norm(stock_mean, stock_std).pdf(fit_linspace)# plot x, yplt.plot(fit_linspace, pdf, lw=2, c=‘r‘)

# 100个赌徒进场开始，胜率0.45，赔率1.04，手续费0.01moneys = [casino(0.45, commission=0.01, win_once=1.02, loss_once=0.98)          for _ in np.arange(0, gamblers)]_ = plt.hist(moneys, bins=30)

伯努利分布

Python中的Numpy