numpy之数据平滑处理

''' 1.数据平滑：通常包含降噪、拟合等操作。降噪的功能在于去除额外的影响因素，拟合的目的在于数学模型化，可以通过更多的数学方法识别曲线的特征。 2.绘制两支股票的收益率 ---收益率 =（后一天的收盘价 - 前一天的收盘价）/前一天的收盘价 ''' import matplotlib.pyplot as mp import numpy as np import datetime as dt import matplotlib.dates as md # 日期转化函数 def dmy2ymd(dmy): # 把dmy格式的字符串转化成ymd格式的字符串 dmy = str(dmy, encoding='utf-8') d = dt.datetime.strptime(dmy, '%d-%m-%Y') d = d.date() ymd = d.strftime('%Y-%m-%d') return ymd dates, bhp_closing_prices = \ np.loadtxt('./da_data/bhp.csv', delimiter=',', usecols=(1, 6), unpack=True, dtype='M8[D], f8', converters={1: dmy2ymd}) # converters为转换器，运行时先执行，其中1表示时间所在的列索引号 vale_closing_prices = \ np.loadtxt('./da_data/vale.csv', delimiter=',', usecols=(6,), unpack=True, dtype='f8') # 绘制收盘价折线图 mp.figure('Profits', facecolor='lightgray') mp.title('Profits', fontsize=18) mp.xlabel('date', fontsize=12) mp.ylabel('profits', fontsize=12) mp.tick_params(labelsize=10) mp.grid(linestyle=':') # 设置x轴的刻度定位器，使之更适合显示日期数据 ax = mp.gca() # 以周一作为主刻度 ma_loc = md.WeekdayLocator(byweekday=md.MO) # 次刻度，除周一外的日期 mi_loc = md.DayLocator() ax.xaxis.set_major_locator(ma_loc) ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d')) ax.xaxis.set_minor_locator(mi_loc) # 日期数据类型转换，更适合绘图 dates = dates.astype(md.datetime.datetime) # 计算两支股票的收益率 bhp_returns = np.diff(bhp_closing_prices) / bhp_closing_prices[:-1] vale_returns = np.diff(vale_closing_prices) / vale_closing_prices[:-1] # 绘制两支股票的收益率曲线 mp.plot(dates[:-1], bhp_returns, color='orangered', label='BHP_return', alpha=0.3) mp.plot(dates[:-1], vale_returns, color='dodgerblue', label='VALE_return', alpha=0.3) # mp.hlines(0, md.date2num(dates[0]), md.date2num(dates[-1]), colors='red') # 使用卷积对两组数据降噪 kernel = np.hanning(8) # 随机生成一个卷积核（对称的） kernel /= kernel.sum() bhp_returns_convolved = np.convolve(bhp_returns, kernel, 'valid') vale_returns_convolved = np.convolve(vale_returns, kernel, 'valid') # mp.plot(dates[7:-1], bhp_returns_convolved, color='orangered', label='bhp_returns_convolved') # mp.plot(dates[7:-1], vale_returns_convolved, color='dodgerblue', label='vale_returns_convolved') # 对两条曲线执行多项式拟合 days = dates[7:-1].astype('M8[D]').astype('i4') bhp_P = np.polyfit(days, bhp_returns_convolved, 3) vale_P = np.polyfit(days, vale_returns_convolved, 3) # 绘制多项式曲线 bhp_y = np.polyval(bhp_P, days) vale_y = np.polyval(vale_P, days) mp.plot(dates[7:-1], bhp_y, color='greenyellow', label='bhp_y') mp.plot(dates[7:-1], vale_y, color='pink', label='vale_y') # 求曲线的交点坐标 P = np.polysub(bhp_P, vale_P) # 求两个多项式函数的差函数的P值 xs = np.roots(P) y = np.polyval(bhp_P, xs) result = xs.astype('i4').astype('M8[D]') mp.scatter(result, y, s=80, color='red', zorder=3) mp.tight_layout() mp.legend() # 自动格式化x轴日期的显示格式（以最合适的方式显示） mp.gcf().autofmt_xdate() mp.show()

　　

转载于:https://www.cnblogs.com/yuxiangyang/p/11166231.html

相关资源：数据平滑处理