当前位置: 首页 > article >正文

Pandas 数据分析(二)【股票数据】

股票数据分析

  • 写在前面
  • 题目背景
    • 021 加载股票数据到CSV文件
    • 022 查看基本信息和数据统计
    • 023 更改索引列为普通数据列
    • 024 给数据添加月份和年份
    • 025 计算每年的平均收盘价
    • 026 找到收盘价最低的数据行
    • 027 筛选出部分数据列
    • 028 设置日期列为索引列
    • 029 删除不需要的数据列
    • 030 对数据列重命名
  • 结语

写在前面

在数据分析的领域中,股票市场是一个非常热门且富有挑战性的分析对象。通过对股票数据的深入分析,我们不仅能够了解市场趋势,还能为投资决策提供有力支持。本文将通过一个包含日期、开盘价、最高价、最低价、收盘价以及交易量的股票数据集,结合pandas库完成10道数据分析题目。每个问题都将帮助我们从不同角度探索股票市场的动态变化,让你在掌握数据分析技巧的同时,对股票市场的理解更上一层楼。

题目背景

  • 题目数据包含日期(Date),开盘价(Open),最高价(High),最低价(Low),关盘价(Close),交易量(Volume

021 加载股票数据到CSV文件

在这里插入图片描述

我们可以先看看当前csv文件内容,它处在当前路径下面,我们编写代码的地方是图中的pandaExp.py文件:
在这里插入图片描述

代码:

import pandas as pd
df=pd.read_csv("./股票数据.csv")
print(df)

运行结果:
在这里插入图片描述


022 查看基本信息和数据统计

在这里插入图片描述

  • 这里涉及的方法上一篇已经谈过,可以看看本专栏的篇(一)。
import pandas as pd
df=pd.read_csv("./股票数据.csv")
print(df.info())
print()
print(df.describe())

运行结果:
在这里插入图片描述


023 更改索引列为普通数据列

在这里插入图片描述

import pandas as pd
df=pd.read_csv("./股票数据.csv",index_col=0)
print(df.head(5))
print(df.columns)

这里我们index_col=0意思是将第一列作为索引列,此时打印的效果是下面这样的,但是题目要求我们的是将这里的索引列也变成数据列。
在这里插入图片描述

其实直接调用df.reset_index(inplace=True)即可,意思是重新设置索引列(恢复成为默认的数字索引),并且是原地在df上做修改,不用接收返回值。

import pandas as pd
df=pd.read_csv("./股票数据.csv",index_col=0)

df.reset_index(inplace=True)
print(df.head(5))
print(df.columns)

在这里插入图片描述


024 给数据添加月份和年份

在这里插入图片描述

import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目

df["Date"] = pd.to_datetime(df["Date"])
df["Year"] = df["Date"].dt.year
df["Month"] = df["Date"].dt.month

print(df)

在这里插入图片描述


025 计算每年的平均收盘价

在这里插入图片描述

  • df.groupby("Year")是按照年份聚合分组
  • ["Close"]是取出分组后的Close这一列
  • .mean()是求均值
import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
df["Date"] = pd.to_datetime(df["Date"])
df["Year"] = df["Date"].dt.year
print(df.groupby("Year")["Close"].mean())

在这里插入图片描述

本题是目前第一个分组聚合统计,要深刻体会这种思想


026 找到收盘价最低的数据行

在这里插入图片描述
本题找最小行,最容易想到的是df["Close"].min()方法,这样确实可以找到最小值,但是我们找不到最小值所在的行,也就找不到最小行的其他信息。如果我们要先找最小行所在的索引,可以调用df.argmin()方法,它会返回最小行所在索引。根据df.loc[["索引"]]就可以访问到了。需要注意的是df.loc方法如果打一个[],返回的是Series对象,如果打两个[[]]返回的是DataFrame对象。

  • 这里我们返回DataFrame对象。
import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
min_index = df["Close"].argmin()

print(df.loc[[min_index]])

在这里插入图片描述


027 筛选出部分数据列

在这里插入图片描述

import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
print(df.head(3))
df_new = df[["Date", "Open", "Close", "Volume"]]
print(df_new.head(3))

在这里插入图片描述


028 设置日期列为索引列

在这里插入图片描述

import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
print(df.head(3))
df.set_index("Date",inplace=True) #原地修改Date为索引列
print()
print(df.head(3))

在这里插入图片描述


029 删除不需要的数据列

在这里插入图片描述

import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
df.drop(columns=["High","Low"], inplace=True)
print(df.head(3))

在这里插入图片描述


030 对数据列重命名

在这里插入图片描述

import pandas as pd
df = pd.read_csv("./股票数据.csv")
# 从这里开始完成题目
print(df.head(3))
df.columns=["D", "O", "H", "L", "C", "V"]
print(df.head(3))

在这里插入图片描述


结语

通过本博客,我们不仅练习了pandas库的基本操作,还学习了如何从股票数据中提取有价值的信息。每道题目都带有一定的实用性,帮助我们深入理解如何处理和分析复杂的数据集。


http://www.kler.cn/a/512936.html

相关文章:

  • MIAOYUN信创云原生项目亮相西部“中试”生态对接活动
  • .Net WebApi 中的Token参数校验
  • 如何使用 Python 进行文件读写操作?
  • 2025 最新flutter面试总结
  • 生产环境中常用的设计模式
  • HTML之拜年/跨年APP(改进版)
  • Windows7搭建Hadoop-2.7.3源码阅读环境问题解决列表
  • Maven私服-Nexus3安装与使用
  • Android SystemUI——自定义状态栏和导航栏(十二)
  • 特朗普:加密货币列为国家优先事项
  • Visual Studio 2022中文软件下载安装过程
  • DNS DDoS攻击是怎么回事?怎么预防?
  • 【网络原理】万字详解 HTTP 协议
  • 【Python运维】用Python管理Docker容器:从`docker-py`到自动化部署的全面指南
  • WGAN - 瓦萨斯坦生成对抗网络
  • Video-RAG:一种将视频RAG新框架
  • “AI 大模型内容安全审核软件系统:守护网络世界的卫士
  • 【爬虫】某某查cookie逆向
  • OpenAI 携手生物科技初创公司 Retro Biosciences 推出了一款全新 AI 模型 GPT-4b micro
  • Linux——线程条件变量(同步)
  • #CSS 实用属性总结
  • Android 解析蓝牙广播数据
  • Redis 数据存储类型
  • swin transformer中相对位置编码解析
  • PHP CRM售后系统小程序
  • 1. 基于图像的三维重建