一.Numpy简介 NumPy 是高性能科学计算和数据分析的基础包,它是pandas等其他各种工具的基础 1.主要功能 1.ndarray,一个多维数组结构,高效且节省空间 2.无序循环对整组数据进行快速预算的数学函数 3.*读写磁盘数据的工具以及用于操作内存映射文件的工具 4.*线性代数.随机数生成和傅里叶变换功能 5.*用于继承c.c++等待吗的工具 2.安装 pip install numpy 3.引用方式 import numpy as np 二.ndarray多维数组对象 1.为什么要

堡垒机尾声: 代码案例:https://github.com/liyongsan/git_class/tree/master/day31 课堂笔记:file send: 1.选择本地文件 2.远程路径 file recv: 1.远程路径 2./usr/local/luffyeye postTask 1.参数校验 1.1 选中主机, 1.2 发送到远程,判断本地文件是否已上传,远程路径是否已输入 1.3 从远程下载,判断远程路径是否已输入 2.提交任务到URL multitask 3.multit

说明:本文只是通过自己的已学知识对股票数据进行了一个简单的量化分析,只考虑了收盘情况,真实的量化交易中仅仅考虑收盘情况是不够的,还有很多的复杂因素,而且仅仅三年数据是不足以来指导真实的股票交易的,因此本文只是作为一个简单的python练手项目. 一.分析目的 利用预先设定的策略,通过对股票交易的历史数据进行回测,验证该策略是否能指导股票交易. 二.数据处理 1.数据集描述 数据集来源:https://www.nasdaq.com/symbol/baba/historical 数据集简介:此数据集

问题的定义: 首先我们有一个数据是一个mn的numpy矩阵现在我们希望能够进行给他加上一列变成一个m(n+1)的矩阵 import numpy as np a = np.array([[1,2,3],[4,5,6],[7,8,9]]) b = np.ones(3) c = np.array([[1,2,3,1],[4,5,6,1],[7,8,9,1]]) print(a) print(b) print(c) [[1 2 3] [4 5 6] [7 8 9]] [ 1. 1. 1.] [[1 2

利用R语言打造量化分析平台 具体利用quantmod包实现对股票的量化分析 1.#1.API读取在线行情2.#加载quantmod包3.if(!require(quantmod)){4. install.packages("quantmod")5.}6.#获取股票行情指数7.Quote=function(code){8. index=match(code,universes)9. temp=lapply(universes,get)10. return(temp[[index]])11

在计算机中,没有任何数据类型是固定的,完全取决于如何看待这片数据的内存区域. 在numpy.ndarray.view中,提供对内存区域不同的切割方式,来完成数据类型的转换,而无须要对数据进行额外的copy,可以节约内存空间,我们可以将view看做对内存的展示方式. 如: import numpy as np x = np.arange(10, dtype=np.int) print('An integer array:', x) print ('An float array:', x.view(

量化分析v1 # -*- coding: utf-8 -*- """ Created on Wed Apr 11 10:13:32 2018 @author: chensimin """ import tushare as ts Today = '2018-04-12' #df_300236 = ts.get_today_ticks('300236') print('\n') #a1 = (df_300236.head(1).price - 33

NumPy 矩阵库(Matrix) NumPy 中包含了一个矩阵库 numpy.matlib,该模块中的函数返回的是一个矩阵,而不是 ndarray 对象. 一个 的矩阵是一个由行(row)列(column)元素排列成的矩形阵列. 矩阵里的元素可以是数字.符号或数学式.以下是一个由 6 个数字元素构成的 2 行 3 列的矩阵: matlib.empty() matlib.empty() 函数返回一个新的矩阵,语法格式为: numpy.matlib.empty(shape, dtype, orde

量化分析:把Tushare数据源,规整成PyalgoTrade所需格式 分析A股历史数据,首先需要确定数据来源.如果只想做日k线.周k线的技术分析,可以用PyalgoTrade直接从yahoo.google等下载数据,用不着Tushare.但是,如果想做分钟k线的技术分析,或者想了解基本面和消息面的数据,就用得着Tushare了. PyalgoTrade使用的基本数据格式有两种,一是Yahoo格式,二是NinjaTrader格式. Yahoo格式的数据分段为: 日线数据:Date,Open,Hi

本文是对我原先写的python常用序列list.tuples及矩阵库numpy的使用中的numpy矩阵库的使用的补充.结合我个人现在对线性代数的复习进度来不断更博. Section 1:行列式的计算 我们知道,线代中,行列式是相当重要的一部分,因为行列式通常决定了一个矩阵的逆是否存在以及方程是否有解等,因此,掌握行列式的计算相当重要,结合numpy矩阵库,对我们所学进行拓展,并且在学习的过程中还能掌握numpy的使用,可谓一举两得. 在原先的博客中,已经提及了numpy中如何创建矩阵.如何求解矩

OKEx量化分析报告[2017-12-09] [分析时间]2017-12-09 15:24 [分析对象]OKEx [计价币种]USDT [报告内容]DASH_USDT短期    -3.8中期     2.5长期      —— LRC_USDT短期     1.0中期      ——长期      —— NULS_USDT短期     3.0中期      ——长期      —— MCO_USDT短期    10.1中期      ——长期      —— BTG_USDT短期     3.0

自打入门量化分析起,就有相当部分的时间在与数据打交道,从数据的获取.清洗到使用,对分析而言既是繁琐的,也是必须的.有大牛曾经说,量化分析有8成的开发时间都在处理数据. 为了节省时间,将更多精力投入到策略的开发,数据的来源和初始的质量就尤为重要. 方便的数据渠道和整洁的数据编排,可以节省大量时间. 这里我们以大A股为例,分享3种获取行情交易数据的方法,推荐程度为由低到高. 一.从行情软件手动搬运 通达信.大智慧.同花顺等行情软件都会将数据储存在本地. 1.一些比较基本的数据(如日线.分钟线等)通常

python量化分析系列之---5行代码实现1秒内获取一次所有股票的实时分笔数据 最近工作太忙了,有一个星期没有更新文章了,本来这一期打算分享一些对龙虎榜数据的分析结果的,现在还没有把数据内的价值很好的发掘出来,留作下一期分享吧,争取挖掘出一些有实际投资参考的结论. 前两篇文章分别简单介绍了tushare这个财经数据接口包的使用,用起来很简单顺手,一两句代码就可以获取到你想的要的数据,但是有在群里经常看到说获取数据经常挂,延迟很严重等等,其实那是因为使用者没有好好去领悟和了解工具.片面两篇文章已

NumPy - 矩阵库 NumPy 包包含一个 Matrix库numpy.matlib.此模块的函数返回矩阵而不是返回ndarray对象. matlib.empty() matlib.empty()函数返回一个新的矩阵,而不初始化元素. 该函数接受以下参数. numpy.matlib.empty(shape, dtype, order) Python 其中: 序号 参数及描述 1. shape 定义新矩阵形状的整数或整数元组 2. Dtype 可选,输出的数据类型 3. order C 或者 F

财经数据接口包tushare的使用(一) Tushare是一款开源免费的金融数据接口包,可以用于获取股票的历史数据.年度季度报表数据.实时分笔数据.历史分笔数据,本文对tushare的用法,已经存在的一些问题做一些介绍. 一:安装tushare 为避免由于依赖包缺失导致安装失败,请先安装anaconda,百度网盘地址: 链接:http://pan.baidu.com/s/1qYDQUGs 密码:6wq8 安装直接一直下一步即可 安装完成之后,anaconda会自动配置环境变量,直接就可以用了,c

存个代码,以后参考. numpy次成分分析和PCA降维 SVD分解做次成分分析 原图: 次成分复原图: 代码: import numpy as np from numpy import linalg import cv2 as cv src = cv.imread("/home/xueaoru/图片/output_3_0.png") gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY) S,V,D = linalg.svd(gray) vv = np.ze

NumPy 矩阵库(Matrix) NumPy 中包含了一个矩阵库 numpy.matlib,该模块中的函数返回的是一个矩阵,而不是 ndarray 对象. 一个 的矩阵是一个由行(row)列(column)元素排列成的矩形阵列. 矩阵里的元素可以是数字.符号或数学式.以下是一个由 6 个数字元素构成的 2 行 3 列的矩阵: 1.matlib.empty() matlib.empty() 函数返回一个新的矩阵,语法格式为: numpy.matlib.empty(shape, dtype, or

章节 Numpy 介绍 Numpy 安装 NumPy ndarray NumPy 数据类型 NumPy 数组创建 NumPy 基于已有数据创建数组 NumPy 基于数值区间创建数组 NumPy 数组切片 NumPy 广播 NumPy 数组迭代 NumPy 位运算 NumPy 字符串函数 NumPy 数学函数 NumPy 统计函数 NumPy 排序.查找.计数 NumPy 副本和视图 NumPy 矩阵库函数 NumPy 线性代数 NumPy包含一个矩阵库NumPy.matlib,这个模块的函数用于

今天在进行numpy矩阵相加的时候出现了一个小的奇怪的地方,下面我们来看看: >>>P = np.array([1,2,3,4]) >>>F = np.array([9,8,7,6]).reshape((4,1)) >>>P + F array([[10, 11, 12, 13], [ 9, 10, 11, 12], [ 8, 9, 10, 11], [ 7, 8, 9, 10]]) 咦,怎么会这样,P和F明明都是一维的向量,怎么相加之后成了4×4的矩

numpy 矩阵在作为函数参数传递时的奇怪点 import numpy as np class simpleNet: def __init__(self): self.W = np.array([1, 2, 3]) def f(w): w[1] = 100 w[0] = 1212 print(id(w)) # 定义 test 对象打印其地址 test = simpleNet() print(id(test.W)) # 作为参数 传递给 f f(test.W) print(test.W) 输出: