一、Rolling 和 Expanding

rolling和expanding都是類似的，目的是查看股票市場價格隨著時間的變化，不同的是rolling average算的是最近一個窗口期（比如說20天）的一個平均值，過了一天這個窗口又會向下滑動一天算20天的平均值；expanding的話，是從第一個值就開始累加地計算平均值。

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
df=pd.read_csv('walmart_stock.csv')
df.head()

#在這里我把索引設(shè)為日期列
df.set_index('Date')
df.head()

輸出結(jié)果

繪制一下開盤指數(shù)

df['Open'].plot(figsize=(16, 6), '-')

rolling

現(xiàn)在開始繪制滾動平均值

根據(jù)官方文檔，我們主要設(shè)置窗口大小就可以了。

#注意在滾動之后是要設(shè)置聚合函數(shù)的，expanding一樣，跟groupby操作類似
df.rolling(7).mean().head(10)

可以看到前6天是沒有值的，原因是前6天都沒有之前的7天數(shù)據(jù)，所以是nan。

#繪制出open的原數(shù)據(jù)的曲線和滾動平均值的曲線
df['former 30 days rolling Open mean']=df['Open'].rolling(30).mean()
df[['Open', 'former 30 days rolling Open mean']].plot(figsize=(16, 6))

可以看到滾動平均值會更加地差異化更小。

Expanding

#在這里要定義最小的觀察元素是1個，否則前面的可能都會是nan
df['former 30 days expanding Open mean']=df['Open'].expanding(min_periods=1).mean()
df[['Open', 'former 30 days expanding Open mean']].plot(figsize=(16, 6))

從圖上可以看得出，expanding曲線相對于原數(shù)據(jù)點的曲線要更加穩(wěn)定一些，它可以用來看這只股票的長期穩(wěn)定性。

Bollinger Bands

df['former 30 days rolling Close mean']=df['Close'].rolling(20).mean()
df['upper bound']=df['former 30 days rolling Close mean']+2*df['Close'].rolling(20).std()#在這里我們?nèi)?0天內(nèi)的標(biāo)準(zhǔn)差
df['lower bound']=df['former 30 days rolling Close mean']-2*df['Close'].rolling(20).std()
df[['Close', 'former 30 days rolling Close mean','upper bound','lower bound' ]].plot(figsize=(16, 6))

二、Resampling

重采樣可以認為跟 group以及上面說到的rolling和expanding都是一樣的，都是分組操作。

官方文檔當(dāng)中主要注意的是rule，它是一個字符串的形式給出，表示我們希望以年月日工作日等等來對數(shù)據(jù)進行編組，同樣地是編組完之后需要有個聚合函數(shù)。
看一下rule的種類。

我們先把以上麥當(dāng)勞的數(shù)據(jù)的index進行轉(zhuǎn)換成datetime格式，可以使用pd.to_datetime的方法。

df.index=pd.to_datetime(df.index)
type(df.index)

通過轉(zhuǎn)換以后就是datetime格式了，接下來就是進行resample。

df.resample('M').mean()

可以看得到，在按照月份resample之后多余的行會去掉，只剩下最后統(tǒng)計的那一行（在這里就是每個月底統(tǒng)計上一個月的平均值）。
也可以自己定義我要對group后的元素怎么操作（比如說按照一個月group以后我想取出第一個值，或者說是其他的）

def first_day(grp):
    return grp[0]#返回這個月的第一天的值
df.resample('M').apply(first_day)

這樣，每個月底都會返回這個月的第一天的值。

三、Time shifting

time shifting其實就是把索引往前或者往后挪動

df.shift(10)

這里索引往前挪了10天，相當(dāng)于數(shù)據(jù)往后挪動了10天，缺失值用nan補充。