기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

주식 데이터 관리_google finance

1. 대상이 되는 주식 일일자료를 google finance로 부터 호출하여 엑셀로 저장하기
다음의 패키지들이 필요하다.

In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: from googlefinance.client import get_price_data, get_prices_data, get_prices_time_data
In [4]: from datetime import datetime, timedelta

1) google finance에 사용할 수 있는 각 주가 코드를 엑셀로 정리하여 호출하자.
다음예에서 사용된 dropna()는 데이터에 na를 제거하기 위해 사용한 것으로 아래의 포스트를 참조(nan제거를 위한 함수들)

In [5]: itemCode=pd.read_excel("c:\\~~.xlsx", sheet_name="googleCode")
In [6]: itemCode1=itemCode.ix[:,:4]
In [7]: itemCode1=itemCode1.dropna(axis=0)
In [8]: itemCode1
Out[8]:
code1종목코드item종목명
0KRXKOSPIkospi종합(KOSPI)
...............

2) google finance로 부터 데이터를 호출하기 위해 위 코드 [3]에서 제공하는 함수들을 사용한다. 포스트 (google finance로 부터의 자료 호출_python )참조
위에서 호출한 code는 여러 종목에 관한 것이다. 그러므로 각 종목을 호출하기 위해서는 
반목문을 사용하자. 
최종 결과를 담기위해 인덱스(주식명)과 값(일일자료)를 모두 표시할 수 있는 사전 객체로 생성하자. 

In [9]: dat={}
In [10]: for i in range(len(itemCode1)):
            param={'q': itemCode1.ix[i, 1], 'i': "86400", 'x': itemCode1.ix[i, 0], 'p':'10Y'}
            dat[itemCode1.ix[i,2]]=get_price_data(param)
이 웹사이트로 부터 호출한 자료중에 데이터의 스케일이 다른 경우가 존재한다. (각 데이타 마다 점검해야 한다.) 
점검한 바로는 kospi와 kosdaq의 거래량은 한국 또는 yahoo finance에서 제공하는 값들 보다 1000배 크다. 그러므로 이를 보정해 주기 위해 다음과 같이 값들을 조정한다. 
이 조정은 매일의 한국이나 다른 데이터로 업데이트 시킬 경우 일어날 수 있는 혼동요인을 예방하기 위한 것으로 google finance로 부터의 자료만을 사용하기 위해서는 불필요하다. 

In [11]: dat['kospi'].ix[:,4]=dat['kospi'].ix[:,4]/1000
In [12]: dat['kosdaq'].ix[:,4]=dat['kosdaq'].ix[:,4]/1000

대표적으로 호출된 kospi의 자료를 보자. 
In [13]: dat['kospi'].head(3)
OpenHighLowCloseVolume
2007-11-19 15:30:001936.381936.501892.871893.47292323.0
2007-11-20 15:30:001853.411875.461819.181872.24331755.0
2007-11-21 15:30:001865.911875.981803.771806.99307454.0

In [14]: dat['kospi'].tail(3)
OpenHighLowCloseVolume
2017-11-13 15:30:002548.272552.282527.202530.35266530.0
2017-11-14 15:30:002532.552532.952520.992526.64287771.0
2017-11-15 15:30:002525.602526.612511.762518.25398215.0

3) 호출한 데이터를 엑셀파일에 저장하자. 
포스트(엑셀, csv 파일 열기)참조

In [15]: writer=pd.ExcelWriter('dataStock.xlsx', engine='xlsxwriter')
for i in dat.keys():
    dat[i].to_excel(writer, sheet_name=i, index=True, header=True)
writer.save()

위와 같이 저장한 데이터는 웹과의 연결없이 자료를 사용할 수 있다는 장점이 있다. 

4) 자료의 업데이트 
엑셀에 저장된 데이터를 호출한다. 
In [16]: dat={}
          for i in itemCode1.ix[:,2]:
              dat[i]=pd.read_excel('dataStock.xlsx', sheet_name=i, index_col=0)

엑셀로부터 업데이트할 자료를 호출한다.
(이 자료는 각 증권사에서 제공하는 자료 중에서 관심종목을 등록하면 볼 수 있다.
장마감 후 관심종목에 있는 데이터를 '엑셀로 복사하기'를 선택하면 엑셀로 전달되는데 이 데이터를 적절한 경로로 저장후 호출하여 사용한다.)

In [17]: upd=pd.read_excel('update_python.xlsx', sheet_name="update", index_col='nme')

호출한 데이터를 기존에 데이터에 첨가한다.

pd객체.append(): 기존의 데이터 마지막 행 이후에 새로운 행이 첨가된다. 이 경우 첨가할 데이터와 기존의 데이터의 열 이름이 동일해야 한다.

In [18]:
for i in dat.keys():
    dat[i].append(upd.ix[i, :])
    idx=list(dat[i].index)
    idx[len(idx)-1]=today
    dat[i].index=idx

데이트한 데이터를 다시 엑셀에 저장한다.
In [19]:
writer=pd.ExcelWriter('dataStock.xlsx', engine='xlsxwriter')
for i in dat.keys():
    dat[i].to_excel(writer, sheet_name=i, index=True, header=True)
writer.save()

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...