기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

[Pandas] 데이터 병합:concat

데이터 병합

다음은 일정기간의 코스피와 원-달러의 종가 데이터를 호출한 것입니다(yahoo finantical 자료 호출 참조). 

import numpy as np 
import pandas as pd 
import yfinance as yf
st=pd.Timestamp(2024, 9, 1)
et=pd.Timestamp(2024, 9,22)
d=yf.download("^KS11", start=st, end=et)["Close"]
d.head(2)
Date
2024-09-02    2681.000000
2024-09-03    2664.629883
Name: Close, dtype: float64
dw=yf.download("KRW=X", st, et)
dwC=dw.Close
dwC.head(2)
Date
2024-09-02    1336.579956
2024-09-03    1337.550049
Name: Close, dtype: float64

데이터 d와 dw의 합치기 위해 다양한 방법을 적용할 수 있습니다.

union(), intersection() 메서드를 사용하여 각 자료의 index를 조정하여 pd.concat() 등의 함수를 사용할 수 있습니다.

  • union: 인덱스 모두를 결합하여 나타냅니다. 즉, 합집합입니다.
  • intersection: 두 인덱스들의 공통부분을 추출합니다. 즉, 교집합입니다. 
idx1=d.index; idx1
DatetimeIndex(['2024-09-02', '2024-09-03', '2024-09-04', '2024-09-05',
               '2024-09-06', '2024-09-09', '2024-09-10', '2024-09-11',
               '2024-09-12', '2024-09-13', '2024-09-19', '2024-09-20'],
              dtype='datetime64[ns]', name='Date', freq=None)
idx2=dw.index;idx2
DatetimeIndex(['2024-09-02', '2024-09-03', '2024-09-04', '2024-09-05',
               '2024-09-06', '2024-09-09', '2024-09-10', '2024-09-11',
               '2024-09-12', '2024-09-13', '2024-09-16', '2024-09-17',
               '2024-09-18', '2024-09-19', '2024-09-20'],
              dtype='datetime64[ns]', name='Date', freq=None)
idx1=d.index
idx2=dw.index
idx_u=idx1.union(idx2)
all(idx_u == idx2)
True
idx_i=idx1.intersection(idx2)
all(idx_i==idx1)
True

위에서 생성한 idx_i를 적용하여 서로 공통되는 부분을 결합합니다. 결합은 pd.concat([df1,df2,…], axis=0, join="outer" …) 함수를 사용합니다. 

pd.concat([d, dwC[idx_i]], axis=1).head(2)
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049

위에서 사용한 pd.concat() 함수는 두 개이상의 다른 데이터들을 결합하기 위해 사용합니다.

  • 인수중 axis로 결합방향을 지정합니다. 0인 경우 종방향, 1인 경우 횡방향으로 결합합니다. 기본값은 0
  • join은 결합방식을 결정합니다. 결합할 객체들의 행 또는 열의 수가 다를 경우 join="outer"은 모두 결합합니다. 그러므로 대응되는 데이터가 없을 경우 NaN로 표현됩니다. 반면에 join="inner"는 공통되는 부분만을 결합합니다.

직전의 결과는 다음과 같습니다. 

pd.concat([d, dwC], axis=1, join="inner")
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049
⋮ ⋮ ⋮ 
pd.concat([d, dwC], axis=1)
Close Close
Date
2024-09-02 2681.000000 1336.579956
2024-09-03 2664.629883 1337.550049
2024-09-04 2580.800049 1340.410034
⋮ ⋮ ⋮
2024-09-16 NaN 1329.510010
2024-09-17 NaN 1319.109985
2024-09-18 NaN 1322.930054
⋮ ⋮ ⋮

aixs=0(기본값)을 적용한 경우 종방향으로 결합합니다. 

pd.concat([d,dwC])
Date
2024-09-02    2681.000000
2024-09-03    2664.629883
    ⋮
2024-09-20    2593.370117
2024-09-02    1336.579956
2024-09-03    1337.550049
    ⋮
2024-09-19    1322.260010
2024-09-20    1327.609985
Name: Close, dtype: float64
Labels:

댓글

댓글 쓰기

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...
댓글 쓰기
Read more »

[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...
댓글 쓰기
Read more »

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...
댓글 쓰기
Read more »