Python3NumPy的常用函数
1. txt文件
(1) 單位矩陣，即主對(duì)角線上的元素均為1，其余元素均為0的正方形矩陣。
在NumPy中可以用eye函數(shù)創(chuàng)建一個(gè)這樣的二維數(shù)組，我們只需要給定一個(gè)參數(shù)，用于指定矩陣中1的元素個(gè)數(shù)。
例如，創(chuàng)建3×3的數(shù)組：
import numpy as np I2 = np.eye(3) print(I2) [[1. 0. 0.][0. 1. 0.][0. 0. 1.]](2) 使用savetxt函數(shù)將數(shù)據(jù)存儲(chǔ)到文件中，當(dāng)然我們需要指定文件名以及要保存的數(shù)組。
np.savetxt('eye.txt', I2)#創(chuàng)建一個(gè)eye.txt文件，用于保存I2的數(shù)據(jù)2. CSV文件
- CSV（Comma-Separated Value，逗號(hào)分隔值）格式是一種常見的文件格式；
- 通常，數(shù)據(jù)庫的轉(zhuǎn)存文件就是CSV格式的，文件中的各個(gè)字段對(duì)應(yīng)于數(shù)據(jù)庫表中的列；
- 電子表格軟件（如Microsoft Excel）可以處理CSV文件。
note:，NumPy中的loadtxt函數(shù)可以方便地讀取CSV文件，自動(dòng)切分字段，并將數(shù)據(jù)載入NumPy數(shù)組
data.csv的數(shù)據(jù)內(nèi)容：
3. 成交量加權(quán)平均價(jià)格 = average()函數(shù)
VWAP概述：
VWAP（Volume-Weighted Average Price，成交量加權(quán)平均價(jià)格）是一個(gè)非常重要的經(jīng)濟(jì)學(xué)量，
它代表著金融資產(chǎn)的“平均”價(jià)格。
某個(gè)價(jià)格的成交量越高，該價(jià)格所占的權(quán)重就越大。
VWAP就是以成交量為權(quán)重計(jì)算出來的加權(quán)平均值，常用于算法交易。
vwap = np.average(c,weights=v) print('成交量加權(quán)平均價(jià)格vwap =', vwap) 成交量加權(quán)平均價(jià)格vwap = 350.58954935320094. 算數(shù)平均值函數(shù) = mean()函數(shù)
NumPy中的mean函數(shù)可以計(jì)算數(shù)組元素的算術(shù)平均值
print('c數(shù)組中元素的算數(shù)平均值為： {}'.format(np.mean(c))) c數(shù)組中元素的算數(shù)平均值為： 351.03766666666675. 時(shí)間加權(quán)平均價(jià)格
TWAP概述：
在經(jīng)濟(jì)學(xué)中，TWAP（Time-Weighted Average Price，時(shí)間加權(quán)平均價(jià)格）是另一種“平均”價(jià)格的指標(biāo)。既然我們已經(jīng)計(jì)算了VWAP，那也來計(jì)算一下TWAP吧。其實(shí)TWAP只是一個(gè)變種而已，基本的思想就是最近的價(jià)格重要性大一些，所以我們應(yīng)該對(duì)近期的價(jià)格給以較高的權(quán)重。
最簡單的方法就是用arange函數(shù)創(chuàng)建一個(gè)從0開始依次增長的自然數(shù)序列，自然數(shù)的個(gè)數(shù)即為收盤價(jià)的個(gè)數(shù)。當(dāng)然，這并不一定是正確的計(jì)算TWAP的方式。
t = np.arange(len(c)) print('時(shí)間加權(quán)平均價(jià)格twap=', np.average(c, weights=t)) 時(shí)間加權(quán)平均價(jià)格twap= 352.42832183908046. 最大值和最小值
''' 遇到問題沒人解答？小編創(chuàng)建了一個(gè)Python學(xué)習(xí)交流QQ群：778463939 尋找有志同道合的小伙伴，互幫互助,群里還有不錯(cuò)的視頻學(xué)習(xí)教程和PDF電子書！ ''' h, l = np.loadtxt('data.csv', delimiter=',', usecols=(4,5), unpack=True) print('h數(shù)據(jù)為： \n{}'.format(h)) print('-'*10) print('l數(shù)據(jù)為： \n{}'.format(l)) h數(shù)據(jù)為： [344.4 340.04 345.65 345.25 344.24 346.7 353.25 355.52 359. 360.357.8 359.48 359.97 364.9 360.27 359.5 345.4 344.64 345.15 348.43355.05 355.72 354.35 359.79 360.29 361.67 357.4 354.76 349.77 352.32] ---------- l數(shù)據(jù)為： [333.53 334.3 340.98 343.55 338.55 343.51 347.64 352.15 354.87 348.353.54 356.71 357.55 360.5 356.52 349.52 337.72 338.61 338.37 344.8351.12 347.68 348.4 355.92 357.75 351.31 352.25 350.6 344.9 345. ] print('h數(shù)據(jù)的最大值為： {}'.format(np.max(h))) print('l數(shù)據(jù)的最小值為： {}'.format(np.min(l))) h數(shù)據(jù)的最大值為： 364.9 l數(shù)據(jù)的最小值為： 333.53 NumPy中有一個(gè)ptp函數(shù)可以計(jì)算數(shù)組的取值范圍 該函數(shù)返回的是數(shù)組元素的最大值和最小值之間的差值 也就是說，返回值等于max(array) - min(array) print('h數(shù)據(jù)的最大值-最小值的差值為： \n{}'.format(np.ptp(h))) print('l數(shù)據(jù)的最大值-最小值的差值為： \n{}'.format(np.ptp(l))) h數(shù)據(jù)的最大值-最小值的差值為： 24.859999999999957 l數(shù)據(jù)的最大值-最小值的差值為： 26.9700000000000277. 統(tǒng)計(jì)分析
中位數(shù)：
我們可以用一些閾值來除去異常值，但其實(shí)有更好的方法，那就是中位數(shù)。
將各個(gè)變量值按大小順序排列起來，形成一個(gè)數(shù)列，居于數(shù)列中間位置的那個(gè)數(shù)即為中位數(shù)。
例如，我們有1、2、3、4、5這5個(gè)數(shù)值，那么中位數(shù)就是中間的數(shù)字3。
''' 遇到問題沒人解答？小編創(chuàng)建了一個(gè)Python學(xué)習(xí)交流QQ群：778463939 尋找有志同道合的小伙伴，互幫互助,群里還有不錯(cuò)的視頻學(xué)習(xí)教程和PDF電子書！ ''' m = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True) print('m數(shù)據(jù)中的中位數(shù)為： {}'.format(np.median(m))) m數(shù)據(jù)中的中位數(shù)為： 352.055 # 數(shù)組排序后，查找中位數(shù) sorted_m = np.msort(m) print('m數(shù)據(jù)排序： \n{}'.format(sorted_m)) N = len(c) print('m數(shù)據(jù)中的中位數(shù)為： {}'.format((sorted_m[N//2]+sorted_m[(N-1)//2])/2)) m數(shù)據(jù)排序： [336.1 338.61 339.32 342.62 342.88 343.44 344.32 345.03 346.5 346.67348.16 349.31 350.56 351.88 351.99 352.12 352.47 353.21 354.54 355.2355.36 355.76 356.85 358.16 358.3 359.18 359.56 359.9 360. 363.13] m數(shù)據(jù)中的中位數(shù)為： 352.055 方差： 方差是指各個(gè)數(shù)據(jù)與所有數(shù)據(jù)算術(shù)平均數(shù)的離差平方和除以數(shù)據(jù)個(gè)數(shù)所得到的值。 print('variance =', np.var(m)) variance = 50.126517888888884 var_hand = np.mean((m-m.mean())**2) print('var =', var_hand) var = 50.126517888888884注意:樣本方差和總體方差在計(jì)算上的區(qū)別。總體方差是用數(shù)據(jù)個(gè)數(shù)去除離差平方和，而樣本方差則是用樣本數(shù)據(jù)個(gè)數(shù)減1去除離差平方和，其中樣本數(shù)據(jù)個(gè)數(shù)減1（即n-1）稱為自由度。之所以有這樣的差別，是為了保證樣本方差是一個(gè)無偏估計(jì)量。
8. 股票收益率
在學(xué)術(shù)文獻(xiàn)中，收盤價(jià)的分析常常是基于股票收益率和對(duì)數(shù)收益率的。
簡單收益率是指相鄰兩個(gè)價(jià)格之間的變化率，而對(duì)數(shù)收益率是指所有價(jià)格取對(duì)數(shù)后兩兩之間的差值。
我們在高中學(xué)習(xí)過對(duì)數(shù)的知識(shí)，“a”的對(duì)數(shù)減去“b”的對(duì)數(shù)就等于“a除以b”的對(duì)數(shù)。因此，對(duì)數(shù)收益率也可以用來衡量價(jià)格的變化率。
注意，由于收益率是一個(gè)比值，例如我們用美元除以美元（也可以是其他貨幣單位），因此它是無量綱的。
總之，投資者最感興趣的是收益率的方差或標(biāo)準(zhǔn)差，因?yàn)檫@代表著投資風(fēng)險(xiǎn)的大小。
(1) 首先，我們來計(jì)算簡單收益率。NumPy中的diff函數(shù)可以返回一個(gè)由相鄰數(shù)組元素的差值構(gòu)成的數(shù)組。這有點(diǎn)類似于微積分中的微分。為了計(jì)算收益率，我們還需要用差值除以前一天的價(jià)格。不過這里要注意，diff返回的數(shù)組比收盤價(jià)數(shù)組少一個(gè)元素。returns = np.diff(arr)/arr[:-1]
注意，我們沒有用收盤價(jià)數(shù)組中的最后一個(gè)值做除數(shù)。接下來，用std函數(shù)計(jì)算標(biāo)準(zhǔn)差：
(2) 對(duì)數(shù)收益率計(jì)算起來甚至更簡單一些。我們先用log函數(shù)得到每一個(gè)收盤價(jià)的對(duì)數(shù)，再對(duì)結(jié)果使用diff函數(shù)即可。
logreturns = np.diff( np.log(c) )一般情況下，我們應(yīng)檢查輸入數(shù)組以確保其不含有零和負(fù)數(shù)。否則，將得到一個(gè)錯(cuò)誤提示。不過在我們的例子中，股價(jià)總為正值，所以可以將檢查省略掉。
(3) 我們很可能對(duì)哪些交易日的收益率為正值非常感興趣。
在完成了前面的步驟之后，我們只需要用where函數(shù)就可以做到這一點(diǎn)。where函數(shù)可以根據(jù)指定的條件返回所有滿足條件的數(shù)組元素的索引值。
輸入如下代碼：
posretindices = np.where(returns > 0) print "Indices with positive returns", posretindices即可輸出該數(shù)組中所有正值元素的索引。
Indices with positive returns (array([ 0, 1, 4, 5, 6, 7, 9, 10, 11, 12, 16, 17, 18, 19, 21, 22, 23, 25, 28]),)(4) 在投資學(xué)中，波動(dòng)率（volatility）是對(duì)價(jià)格變動(dòng)的一種度量。歷史波動(dòng)率可以根據(jù)歷史價(jià)格數(shù)據(jù)計(jì)算得出。計(jì)算歷史波動(dòng)率（如年波動(dòng)率或月波動(dòng)率）時(shí)，需要用到對(duì)數(shù)收益率。年波動(dòng)率等于對(duì)數(shù)收益率的標(biāo)準(zhǔn)差除以其均值，再除以交易日倒數(shù)的平方根，通常交易日取252天。
用std和mean函數(shù)來計(jì)算，代碼如下所示：
annual_volatility = np.std(logreturns)/np.mean(logreturns) annual_volatility = annual_volatility / np.sqrt(1./252.)(5) sqrt函數(shù)中的除法運(yùn)算。在Python中，整數(shù)的除法和浮點(diǎn)數(shù)的除法運(yùn)算機(jī)制不同(python3已修改該功能)，我們必須使用浮點(diǎn)數(shù)才能得到正確的結(jié)果。與計(jì)算年波動(dòng)率的方法類似，計(jì)算月波動(dòng)率如下：
''' 遇到問題沒人解答？小編創(chuàng)建了一個(gè)Python學(xué)習(xí)交流QQ群：778463939 尋找有志同道合的小伙伴，互幫互助,群里還有不錯(cuò)的視頻學(xué)習(xí)教程和PDF電子書！ ''' annual_volatility * np.sqrt(1./12.)c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)returns = np.diff(c)/c[:-1] print('returns的標(biāo)準(zhǔn)差： {}'.format(np.std(returns))) logreturns = np.diff(np.log(c)) posretindices = np.where(returns>0) print('retruns中元素為正數(shù)的位置： \n{}'.format(posretindices)) annual_volatility = np.std(logreturns)/np.mean(logreturns) annual_volatility = annual_volatility/np.sqrt(1/252) print('每年波動(dòng)率: {}'.format(annual_volatility)) print('每月波動(dòng)率：{}'.format(annual_volatility*np.sqrt(1/12))) returns的標(biāo)準(zhǔn)差： 0.012922134436826306 retruns中元素為正數(shù)的位置： (array([ 0, 1, 4, 5, 6, 7, 9, 10, 11, 12, 16, 17, 18, 19, 21, 22, 23,25, 28], dtype=int64),) 每年波動(dòng)率: 129.27478991115132 每月波動(dòng)率：37.318417377317765總結(jié)
以上是生活随笔為你收集整理的Python3NumPy的常用函数的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python69个内置函数分类总结
- 下一篇： Python find() 方法