ロスカットとトレイリングストップの有効性を検証｜日経225 FX 4時間足 - Investment Tech Hack
class Strategy_CycleEMA_Base(StrategyBase) : def __init__(self ,symbol ,np_arr_dic ,df) : StrategyBase.__init__(self ,symbol ,np_arr_dic ,df) self.ema5 = ta.EMA(self.c ,5) self.ema20 = ta.EMA(self.c ,20) self.ema40 = ta.EMA(self.c ,40) self.ema120 = ta.EMA(self.c ,120) self.ema240 = ta.EMA(self.c ,240) self.stage = np.array(list(map(lambda s ,m ,l : 1 if s > m and m > l else \ 2 if m > s and s > l
初心者による「Python初心者がコピペで使える!時系列データの可視化!」 - Qiita
時系列データ分析の可視化 僕が普段扱っているデータ（エネルギーデータ）の可視化をPythonを使って行うためのメモです。 Githubにまとめもあげています。 エネルギーデータの分析にPythonを使うときの参考になればと思っています。私も勉強中なのでこんなのがあればというものがあれば教えてください。m(_ _;)m ※あくまで、普段使っているエネルギーデータに対応したものなので、適宜変更していただければと思います。また、使用データはGithubに置いています。 概要 エネルギーデータを使用(1h間隔のデータ) 使用言語はPython 可視化は、pandasのplot, matplotlib, seabornなど githubではJupyterNotebookで実現 Pandas,Seabornの両方で行っているものもあります Bokehも使ってインタラクティブなチャートも使いたい 使用デ
余談 - panda's tech note
panda's tech note1. プライバシーポリシー2. このノートの構築3. Network3.1. ネットワークアルゴリズム3.1.1. Radix tree3.1.2. Hash table3.1.3. Poptrie3.1.3.1. IPルーティングとLongest Prefix Matching3.1.3.2. Radix tree3.1.3.3. 高速化アプローチ3.1.3.4. Multiway trie3.1.3.5. Poptrie (basic)3.1.3.6. Poptrie (leafの圧縮)3.1.3.7. Poptrie (Direct Pointing)3.1.3.8. Poptrieの性能評価3.1.3.9. 余談3.1.4. Palmtrie3.2. ネットワーク運用3.2.1. Cisco WLCの証明書設定3.3. 移動通信ネットワーク・システ
pandas.DataFrame, SeriesとNumPy配列ndarrayを相互に変換 | note.nkmk.me
pandasのDataFrame, SeriesとNumPy配列ndarrayを相互に変換する方法を説明する。 DataFrame, Seriesをndarrayに変換するにはto_numpy()メソッドかvalues属性、ndarrayをDataFrame, Seriesに変換するにはそれぞれのコンストラクタを使う。 DataFrame, SeriesとPython組み込みのリスト型listの相互変換、DataFrameとSeriesの相互変換については以下の記事を参照。 関連記事: pandas.DataFrame, SeriesとPythonのリストを相互に変換 関連記事: pandas.DataFrameとSeriesを相互に変換 本記事のサンプルコードのpandasとNumPyのバージョンは以下の通り。バージョンによって仕様が異なる可能性があるので注意。 import panda
Pythonによるデータ分析入門 第2版
TOPICS Programming , Database , Python 発行年月日 2018年07月 PRINT LENGTH 596 ISBN 978-4-87311-845-1 原書 Python for Data Analysis, 2nd Edition FORMAT NumPy、SciPy、pandas、Matplotlib、Jupyterをはじめ、高機能で使いやすい数学・科学計算用ライブラリが充実しているPythonは、科学計算、統計解析、機械学習のみならず、金融や経済分野でも広く利用されています。本書はPythonの代表的なデータ分析ツール、pandasの開発者Wes McKinneyによる、データ分析を行うための基本を網羅しています。すべてのサンプルコードはダウンロード可能で、Jupyter Notebookで対話的に試し、実際に手を動かしながら知識を確実なものにする
pandas で日経平均株価指数を plot する - Qiita
import pandas.io.data as web import matplotlib.pyplot as plt import datetime # 取得する日の範囲を指定する start = datetime.datetime(2014, 1, 1) end = datetime.datetime(2014, 9, 1) # Yahoo ファイナンスから、 ^N225 (日経平均株価指数) を # とってくる。 f = web.DataReader('^N225', 'yahoo', start, end) plt.title('Nikkei 255 from 2014.1.1 to 2014.9.1') # fill_between でその日の最高値と最低値をプロットする plt.fill_between(f.index, f['Low'], f['High'], color=
pandasメモ - Qiita
s1 = pd.Series([1,2,3,4,5], index=[0,1,2,3,4]) s2 = pd.Series([10,20,30,40,50], index=[10,11,12,13,14]) s3 = pd.Series([100,200,300,400,500], index=[0,2,4,6,8]) print pd.concat([s1, s2, s3], axis=1) """ 0 1 2 0 1 NaN 100 1 2 NaN NaN 2 3 NaN 200 3 4 NaN NaN 4 5 NaN 300 6 NaN NaN 400 8 NaN NaN 500 10 NaN 10 NaN 11 NaN 20 NaN 12 NaN 30 NaN 13 NaN 40 NaN 14 NaN 50 NaN """
feather - pandasの読み書きを高速化 - 加具留矢流余
kaggleに参加して巨大なCSVファイルを読み書きしていると、それだけで数分近くかかってしまうことがある。 そこで紹介されていたfeatherというDataFrame保存用ライブラリを使ってみた。 featherはpandasのDataFrameを高速に保存、ロードするために開発されたApache Arrowのpythonラッパーだ。 Apache Arrow特有のカラム型メモリ管理をすることで、データの読み書きを高速化しているそうだ。 ベースになっているApache Arrowが他言語や他オープンソース（SparkやHadoop）との互換性を重視しているために、feather形式で保存すればRなどでも読み込める。 featherのインストールはpipから簡単にできる。 pip install feather-format 使い方も簡単でwrite_dataframe、read_data
Python Pandas からお手軽に highcharts が使える kanichart 作りました。
GitHub is where people build software. More than 28 million people use GitHub to discover, fork, and contribute to over 85 million projects. python-highcharts のラッパー pandas の DataFrame や Series からお手軽に使える Jupyterからローソク足チャートを使いたいと思った時、色々試しましたが一番良かったのが Highcharts でした。それをできるだけ自分が使いやすいようにラッパーを書いたのがkanichartです。 Highcharts の良いところ JSなのでインタラクティブに操作可能 マウスオーバー時に数値を表示など細かいところが標準で充実 x軸を共有した際の動作が優秀 時系列解析には必須 pyt
Python PandasのSeries、Dataframeの基本操作（１） - Qiita
二次元配列でこれを表現するとき、「ハチマン」「ユキノ」「ユイ」や「数学」「国語」「英語」といった文字の扱いに困る。Dataframeではこれをcolumnsやindexで表せる。 しかし、この型はいろいろと厄介な仕様があり、私はのっけから躓いてしまった。 これはpandas超初心者の私が自分用に作った、超初歩的なpandas操作マニュアルである。 pythonのバージョンは3.5.2（標準pythonではなく、Anacondan4.2.0を使っている） pandasのバージョンは0.18.1 コードはiPython5.1.0で実行している状況をイメージしている。 pandasを使う前の準備 pandasのインストール 私はAnacondaで一括で入れた。（Anacondaはpython+よく使われるライブラリみたいなものである。NumpyやiPythonも入れられる） そのほかにも、pip
機械学習用のデータをExcelで用意してもらいpandasで読み込む - Qiita
PCに不慣れな人でも機械学習がとりあえず試せるようなアプリを作ることになった。 ユーザーに学習用データや予測したい未知データをどうやって整理してもらうかいろいろと考えた結果、 ひな形を1つのExcelファイルにして、それを埋めてもらう形が最も理解されやすかった。 ひな形はこんな感じに。 ・A列に目的変数 ・B列以降に特徴量 ・1行目は変数名，2行目以降にデータ ・シートの上のほうに学習用データをまとめて配置 ・未知データはその下にまとめて配置し、A列は空白 アプリ側でデータの加工はせず、エラー値の除去や特徴量の正規化、交互作用などの追加はユーザーに任せることに。 これをpandasのExcelFileメソッドで読み込み、学習用X,Yと未知Xに分割する。 def xlsx_read(): xl_path = "C:\test.xlsx" xl= pd.ExcelFile(xl_path) d
Intro to Data Structures — pandas 0.23.0 documentation
Table Of Contents What’s New Installation Contributing to pandas Package overview 10 Minutes to pandas Tutorials Cookbook Intro to Data Structures Series Series is ndarray-like Series is dict-like Vectorized operations and label alignment with Series Name attribute DataFrame From dict of Series or dicts From dict of ndarrays / lists From structured or record array From a list of dicts From a dict
Comparison with R / R libraries — pandas 0.23.0 documentation
Table Of Contents What’s New Installation Contributing to pandas Package overview 10 Minutes to pandas Tutorials Cookbook Intro to Data Structures Essential Basic Functionality Working with Text Data Options and Settings Indexing and Selecting Data MultiIndex / Advanced Indexing Computational tools Working with missing data Group By: split-apply-combine Merge, join, and concatenate Reshaping and P
Comparison with SQL — pandas 0.22.0 documentation
Table Of Contents What’s New Installation Contributing to pandas Package overview 10 Minutes to pandas Tutorials Cookbook Intro to Data Structures Essential Basic Functionality Working with Text Data Options and Settings Indexing and Selecting Data MultiIndex / Advanced Indexing Computational tools Working with missing data Group By: split-apply-combine Merge, join, and concatenate Reshaping and P
pandasでユニークな要素の数・頻度（出現回数）をカウント | note.nkmk.me
pandasで、DataFrameの列（=Series）のユニークな要素の数（重複を除いた件数）や要素ごとの頻度（出現回数）を取得する方法を説明する。 Seriesのunique(), value_counts(), nunique()メソッドを使う。nunique()はDataFrameのメソッドとしても提供されている。 pandas.Series.unique() ユニークな要素の値の一覧をNumPy配列ndarrayで返す pandas.Series.value_counts() ユニークな要素の値とその頻度（出現回数）をSeriesで返す pandas.Series.nunique(), pandas.DataFrame.nunique() ユニークな要素の数をint, Seriesで返す ここでは、それぞれのメソッドの基本的な使い方を説明したあと、ユニークな要素の数や一覧などを取
Kaggleで使えるpandasテクニック集 - 天色グラフィティ
PythonでKaggleなどのデータ分析を行う際、pandasでゴリゴリ作業をすることが多いかと思います。 最近知って「めっちゃ便利やん！」ってなったものをまとめておきたいと思います。 全部の関数にドキュメントへのリンクを付けたので参考にしてください。 今回も検証にはTitanicのデータセットを用います。また、文中でのdf.hoge()はpandasのDataFrameのメソッドであることを、pd.hoge()はpandasの関数であることを表します。 df = read_csv('input/train.csv', index_col=0) print(df.shape) df.head() 最低限押さえておきたいやつら まずはここから。 10 Minutes to pandas よく使うやつら。詳しい解説は省略するので、ドキュメントのリンク先を見てください。 関数 内容 リンク d
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
pandasに関する情報 | note.nkmk.me
Data Scientist Cheat Sheets - Qiita
備忘録＠Python OR セミナー:Pandas - Qiita
Pandas 公式チートシートを翻訳しました - Qiita
