기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

pie chart, histograms, box plot

import numpy as np
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
from pandas_datareader import data, wb
import pandas_datareader.data as web

- Pie chart

pie chart는 대상이 되는 데이터를 각 원소가 차지하는 백분율 만큼의 영역을 표시한다. 

data = [5, 20, 50, 100]
plt.pie(data)
plt.show()

- Histograms 

히스토그램은 데이터내에 함의되는 확률 분포를 표시하기 위해 사용한다. 즉, 전체데이터를 지정한 구간 만큼 구분하여 각 구간에 속하는 데이터의 원소들의 빈도수를 계산하여 막대그래프 형태로 보여준다. 
.hist(객체, bins) bins=10이 디폴트 
다음의 예는 임의적으로 추출한 1000의 값들을 20개의 구간으로 구분하였을 경우 
각 구간에 들어가는 원소들의 수를 나타낸다. 
x=np.random.randn(1000)
print(x[:100])
plt.hist(x, bins=20)
plt.show()


startD=datetime(2010, 1, 1)
endD=datetime(2017, 3, 31)
k=web.DataReader("KRX:kospi", "google", startD,  endD)

plt.hist(k['Close'], bins=20)
plt.show()

위 결과로 나타내는 그림에서 각 구간과 그 구간에 해당하는 값을 반환할 수 있다. 
value=plt.hist(k['Close'], bins=20)
print(value[0])
[   6.   17.   23.   29.   37.   45.   46.   41.   69.  100.  159.  219.
  285.  274.  204.  109.   62.   39.   17.    8.]
print(value[1])
[ 1552.79    1586.5985  1620.407   1654.2155  1688.024   1721.8325
  1755.641   1789.4495  1823.258   1857.0665  1890.875   1924.6835
  1958.492   1992.3005  2026.109   2059.9175  2093.726   2127.5345
  2161.343   2195.1515  2228.96  ]

-Boxplot

객체의 중간값, 최대, 최소값등을 나타내기 위해 사용한다 
plt.boxplot(k['Close'])
plt.show()

위 결과는 수치로 나타내지 않는다. 이 경우 각 객체의 지정된 비율에 해당하는 값은
np.percentile(), 또는 pd.qunatile()을 사용할 수 있다. 
x=range(0, 110, 10)
print([np.percentile(k['Close'], i) for i in x])
[1552.79, 1775.692, 1875.4859999999999, 1918.654, 1948.2239999999999, 1971.3199999999999, 1992.106, 2011.6420000000003, 2037.1219999999998, 2073.4880000000003, 2228.96]
print(k.quantile([0, 0.25, 0.50, 0.75, 1], axis=0))
         Open     High      Low    Close        Volume
0.00  1550.80  1566.30  1532.68  1552.79  1.688330e+08
0.25  1901.20  1912.24  1888.94  1900.85  3.007850e+08
0.50  1973.67  1981.49  1964.12  1971.32  3.586840e+08
0.75  2023.18  2030.85  2015.30  2024.69  4.284570e+08
1.00  2225.95  2231.47  2202.92  2228.96  1.209791e+09

matplotlib는 np 구조의 데이터를 기본으로 한다. 
그러므로 여러 변수그룹들에 대한 boxplot을 한 그래프에 나타내기 위해서는 
np 구조로 만들어 주어야 한다. 
위에서 인스톨한 패키지에 의해 웹으로 부터 호출한 데이터는 기본적으로 pandas DataFrame 구조를 갖는다. 그러므로 다음의 코딩에 의해 np 구조로 전환해 주어야 한다. 
k1=np.array(k.ix[:,range(4)])
plt.boxplot(k1)
plt.show()

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...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...