乙Py先生のプログラミング教室
初学者のためのプログラミング学習サイト

Python

3.プログラミング言語の学習方法について

どうすれば効率良く学習をすることができるでしょうか?

answer :
ひたすらプログラムコードを打ち込む

まずは書き写しから

習字などの場合は「写経」と言いますが
プログラミングの場合は他の人が作ったプログラムコードを
ただひたすら打ち込んで覚えます。

まずはこれで文法、プログラムの書き方を覚えましょう。
そうすると、この時はこう打ち込む、というのを指が覚えるようになります。


ある程度文法を覚えたら次はどうすれば良いのか?

answer:
ロジック、どうプログラムを動かすのかを学ぶ
何をどう書いたらいいんだっけ?という
プログラムを書く力、考える力を養います。

ロジックは、まずは自分の扱える母国語で考えます。
例えば簡単なプログラムの例として
ジャンケンの手を出力してくれるプログラムを作ることとします。
このときに必要な要素は何だろうか?
これを考えてまずは母国語で書き出します。

じゃんけんプログラムの例
1.ジャンケンの手を用意する。
2.ジャンケンの手を決める
3.ジャンケンの手を出力する。
あとはこれをプログラムに直す。

# じゃんけんプログラムの例

# 1.ジャンケンの手を用意する。
j = ['パー','ぐー','チョキ']
# 2.ジャンケンの手を決める
import random
my_hand = random.choice(j)
# 3.ジャンケンの手を出力する。
print('自分の手は : ' + my_hand)



このように日本語でまずは考えて、それをプログラムに置き換える。
ということを様々なケースで実践する。
そうすることで何を書けばいいか分からない、というところが
次第に解消されていくと思います。

プログラミングにおいて大事なこと

answer :
問題を解決する力を養う事

プログラム言語自体はそこまで難しいもので無い、と考えています。
プログラミングの学習工程では、様々な問題が発生します。

プログラムでは、コードの打ち込み間違いを始め、エラーというものが発生し
はじめは知らないことが多く、このエラーをどうすれば回避することができるか、
先に進むことができるのかが分からない状態です。

それを、乗り越える力、どうすれば良いのかを考える力を養うのが
プログラミングでは最も重要な事となります。

プログラムの基本原則
1.入力
2.計算
3.出力
この3つの事しかプログラムでは行われないので、これをきっちり抑えましょう。

 

2.プログラミング言語について

この講座ではプログラミングを学習するのに
「Python」
というプログラム言語を用います。

この言語は教育現場だけではなく、数多くの現場で用いられていますので
単なる学習や研究だけでなく実務をこなすのにも大いに役立つため
初めて学ぶ言語には最適です。

プログラム言語の特性としては
・非常に簡単で分かりやすい文法であること
・ライブラリという、再利用可能なプログラムが豊富
・プログラム実装の事例が豊富
ということです。

プログラム言語の人気度では上位3位以内に入り(他はjavascript など)
今最も注目を集めている言語になります。
特に統計解析や機械学習、AI関連の研究者は必ずと言って良いほど
Pythonを習得していますし国内でもその需要が増えてきています。

また一度Pythonを学習し終えたら、他の言語もすぐに覚えることができるようになります。
それくらいに初めて学ぶ言語には適していると思います。
おそらくこの講座を終える頃には、他の言語へも興味が湧き、
もっともっと学んでみたいという意欲が高まってくるんではないかと、期待しています。
ぜひPythonを主軸にプログラミングを習得していきましょう。

なお、このn時間で覚える講座シリーズは、他の言語なども予定しておりますので
この講座を終えたらそちらもよろしくお願い致します。

1.この講座について



この講座は「Python」というプログラミング言語を
5時間ほどで学習することを目的としたプログラミング学習用のプログラムです。

導入や演習部を除けばプログラミングの基礎は5時間ほどで 学習する事ができます。
これから新しくプログラミングを覚えたい方や、今までプログラミングを諦めていた方、
時間のない方、また、これからは子供のプログラミングが必修になるということですので
その親御さん世代の方にもオススメできます。

この講座ではプログラミングを学習するのに
Python というプログラム言語を用います。

この言語は教育現場だけではなく、数多くの現場で用いられていますので
単なる学習や研究だけでなく実務をこなすのにも大いに役立つため
初めて学ぶ言語には最適です。

なお、学習をするのにあたってはJupyter Notebookというツールを用います。
このツールはプログラミングのコードを打ち込んで実行したり
その結果を保存して資料を作成したり
他の人のコードを参考にしたりするのにも役立ち
他の方々に共有をしたりすることができ、
学習の効率を非常に高めることができるものです。

ぜひ一緒にコードを実行しながら、
楽しく役立つプログラミングの面白さを学んでいきましょう。
質問は随時受け付けますので、コメントお願いいたします。

Pythonは他の言語と違い
実行結果の可視化がとても楽です。

「matplotlib」と言う可視化専用のライブラリがあり
数多くの現場で用いられています。

matplotlibの使い方

まずはmatplotlibをインポートしましょう。
 
import matplotlib.pyplot as plt
%matplotlib inline

このライブラリを用いて描画すると、ブラウザの別のウィンドウに表示されてしまいます。

jupyter notebook上に表示させるためには

%matplotlib inline

と記述して、インライン表示をさせるように指定します。


それでは適当な描画をしてみましょう。
numpyでデータを生成し、それを描画してみます。
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# 乱数を生成
x = np.random.rand(100)
y = np.random.rand(100)
 
# 散布図を描画
plt.scatter(x, y)


#サイズ、色、不透明度、線のサイズ、色を指定
plt.scatter(x, y, s=600, c="pink", alpha=0.5, linewidths="2",edgecolors="red")


#グラフのタイトル、X 軸、Y 軸の名前 (ラベル)、グリッド線を表示
plt.scatter(x, y)
plt.title("This is a title")
plt.xlabel("x axis")
plt.ylabel("y axis")
plt.grid(True)


# 乱数を 100 件生成
value = np.random.rand(100)
 
# 散布図を表示
plt.scatter(x, y, s=100, c=value, cmap='Blues')
 
# カラーバーを表示
plt.colorbar()


#正規化における最大値 (0.6)、最小値 (0.4) を指定
plt.scatter(x, y, s=100, c=value, cmap='Blues', vmin=0.4, vmax=0.6)
plt.colorbar()




#棒の色、枠線の色、太さを設定
plt.bar(left, height, color="#FF5B70", edgecolor="#CC4959", linewidth=4)




#タイトル、X 軸、Y 軸のラベルを出力
plt.bar(left, height, tick_label=label, align="center")
plt.title("This is a title")
plt.xlabel("x axis")
plt.ylabel("y axis")
plt.grid(True)


#Y 軸方向のエラーバーを黒色 (black) で表示
yerr = np.array([10, 20, 30, 40, 50])
plt.bar(left, height, yerr=yerr, ecolor="black")


#積み上げ棒グラフ
height1 = np.array([100, 200, 300, 400, 500])
height2 = np.array([1000, 800, 600, 400, 200])
plt.bar(left, height1, color="green")
plt.bar(left, height2, bottom=height1, color="orange")


pandasの基本的な使い方を覚えたら
次はデータの前処理に使うやりかたを覚えましょう




データの抽出

特定の列を取得

データフレーム名[['カラム名' , 'カラム名']]

In [25]:
titanic_df[['Age','Sex']].head()
Out[25]:
Age Sex
0 22.0 male
1 38.0 female
2 26.0 female
3 35.0 female
4 35.0 male

特定の区間の行を抽出

データフレーム名[開始位置 : 終了位置]

In [26]:
titanic_df[100:104]
Out[26]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
100 101 0 3 Petranec, Miss. Matilda female 28.0 0 0 349245 7.8958 NaN S
101 102 0 3 Petroff, Mr. Pastcho ("Pentcho") male NaN 0 0 349215 7.8958 NaN S
102 103 0 1 White, Mr. Richard Frasar male 21.0 0 1 35281 77.2875 D26 S
103 104 0 3 Johansson, Mr. Gustaf Joel male 33.0 0 0 7540 8.6542 NaN S

取得行をインデックスでも指定可能

In [27]:
fx_df = pd.read_csv('data/DAT_ASCII_USDJPY_M1_201710.csv', 
                     sep=';',
                     names=('Time','Open','High','Low','Close',''),
                     index_col='Time', 
                     parse_dates=True)
fx_df['2017-10-01 17:03:00':'2017-10-01 17:07:00']
Out[27]:
Open High Low Close
Time
2017-10-01 17:03:00 112.512 112.532 112.510 112.510 0
2017-10-01 17:04:00 112.513 112.514 112.513 112.514 0
2017-10-01 17:05:00 112.519 112.531 112.519 112.530 0
2017-10-01 17:06:00 112.529 112.529 112.509 112.509 0
2017-10-01 17:07:00 112.502 112.586 112.460 112.553 0
In [ ]:
 

条件を指定して行・列を取得

データフレーム名[データフレーム名.カラム名 条件式 ]

In [28]:
titanic_df = pd.read_csv('data/titanic_train.csv')
# Age が70より上の行
titanic_df[titanic_df.Age > 70]
Out[28]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
96 97 0 1 Goldschmidt, Mr. George B male 71.0 0 0 PC 17754 34.6542 A5 C
116 117 0 3 Connors, Mr. Patrick male 70.5 0 0 370369 7.7500 NaN Q
493 494 0 1 Artagaveytia, Mr. Ramon male 71.0 0 0 PC 17609 49.5042 NaN C
630 631 1 1 Barkworth, Mr. Algernon Henry Wilson male 80.0 0 0 27042 30.0000 A23 S
851 852 0 3 Svensson, Mr. Johan male 74.0 0 0 347060 7.7750 NaN S
In [29]:
# Ageが71より大きい Age Sex カラムのみ取得
titanic_df[['Age','Sex']][titanic_df.Age > 71]
Out[29]:
Age Sex
630 80.0 male
851 74.0 male

値が含まれる行の抽出

データフレーム名.isin([値,値])]

In [30]:
# Sex がmale の行を抽出
titanic_df[titanic_df['Sex'].isin(['male'])].head(3)
Out[30]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
0 1 0 3 Braund, Mr. Owen Harris male 22.0 1 0 A/5 21171 7.2500 NaN S
4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S
5 6 0 3 Moran, Mr. James male NaN 0 0 330877 8.4583 NaN Q

データフレーム名[データフレーム名['カラム名'].str.contains('条件')]

In [31]:
titanic_df[titanic_df['Name'].str.contains('Henry')].head(3)
Out[31]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S
12 13 0 3 Saundercock, Mr. William Henry male 20.0 0 0 A/5. 2151 8.0500 NaN S
52 53 1 1 Harper, Mrs. Henry Sleeper (Myna Haxtun) female 49.0 1 0 PC 17572 76.7292 D33 C

複数条件

In [32]:
titanic_df[titanic_df['Name'].str.contains('Henry')  & titanic_df['Sex'].isin(['male'])].head(3)
Out[32]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.050 NaN S
12 13 0 3 Saundercock, Mr. William Henry male 20.0 0 0 A/5. 2151 8.050 NaN S
62 63 0 1 Harris, Mr. Henry Birkhardt male 45.0 1 0 36973 83.475 C83 S

AND &

OR |

In [ ]:
 

欠損値の削除

欠損がある行の削除

データフレーム名.dropna()

In [33]:
# 欠損値の有る行の削除
titanic_df.dropna().count()
Out[33]:
PassengerId    183
Survived       183
Pclass         183
Name           183
Sex            183
Age            183
SibSp          183
Parch          183
Ticket         183
Fare           183
Cabin          183
Embarked       183
dtype: int64

特定のカラムに欠損値がある行の削除

データフレーム名.dropna(subset=['カラム名'])

In [34]:
titanic_df.dropna(subset=['Age']).count()
Out[34]:
PassengerId    714
Survived       714
Pclass         714
Name           714
Sex            714
Age            714
SibSp          714
Parch          714
Ticket         714
Fare           714
Cabin          185
Embarked       712
dtype: int64

データ追加

カラム追加

データフレーム名['カラム名'] = 値

In [35]:
titanic_df['job'] = 'nojob'
titanic_df.head()
Out[35]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked job
0 1 0 3 Braund, Mr. Owen Harris male 22.0 1 0 A/5 21171 7.2500 NaN S nojob
1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 0 PC 17599 71.2833 C85 C nojob
2 3 1 3 Heikkinen, Miss. Laina female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S nojob
3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 0 113803 53.1000 C123 S nojob
4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S nojob

行を追加

データフレーム名.append(データフレーム)

行番号を振りなおすならデータフレーム名.append(データフレーム,ignore_index=True)

In [36]:
data = {'a':[0, 1], 'b':[2, 3]}
d_df = pd.DataFrame(data=data)
d_df
Out[36]:
a b
0 0 2
1 1 3
In [37]:
data2 = {'a':[5,6], 'b':[8, 9]}
d_df2 = pd.DataFrame(data=data2)
d_df2 
Out[37]:
a b
0 5 8
1 6 9
In [38]:
d_df.append(d_df2,ignore_index=True)
Out[38]:
a b
0 0 2
1 1 3
2 5 8
3 6 9

集計

カラムの値でカウント

データフレーム名['カラム名'].value_counts()

In [39]:
titanic_df = pd.read_csv('data/titanic_train.csv')
titanic_df["Pclass"].value_counts()
Out[39]:
3    491
1    216
2    184
Name: Pclass, dtype: int64

並び替え、ソート

カラムの値でソートする

データフレーム名.sort_values('カラム名')

昇順 ascending=True

降順 ascending=False

In [40]:
titanic_df.sort_values("Age",ascending=True).head(4)
Out[40]:
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
803 804 1 3 Thomas, Master. Assad Alexander male 0.42 0 1 2625 8.5167 NaN C
755 756 1 2 Hamalainen, Master. Viljo male 0.67 1 1 250649 14.5000 NaN S
644 645 1 3 Baclini, Miss. Eugenie female 0.75 2 1 2666 19.2583 NaN C
469 470 1 3 Baclini, Miss. Helene Barbara female 0.75 2 1 2666 19.2583 NaN C

groupby

データフレーム名.groupby(["カラム名" , "カラム名"])

In [41]:
# Pclassごとの合計
titanic_df.groupby('Pclass').sum()
Out[41]:
PassengerId Survived Age SibSp Parch Fare
Pclass
1 99705 136 7111.42 90 77 18177.4125
2 82056 87 5168.83 74 70 3801.8417
3 215625 119 8924.92 302 193 6714.6951
In [42]:
# Pclass , Sex ごとの個数
titanic_df.groupby(['Pclass','Sex']).count()
Out[42]:
PassengerId Survived Name Age SibSp Parch Ticket Fare Cabin Embarked
Pclass Sex
1 female 94 94 94 85 94 94 94 94 81 92
male 122 122 122 101 122 122 122 122 95 122
2 female 76 76 76 74 76 76 76 76 10 76
male 108 108 108 99 108 108 108 108 6 108
3 female 144 144 144 102 144 144 144 144 6 144
male 347 347 347 253 347 347 347 347 6 347
In [43]:
# Ageごとに Fare , Pclass の平均をだす
titanic_df.groupby('Age')[['Fare','Pclass']].mean().head(5)
Out[43]:
Fare Pclass
Age
0.42 8.5167 3.0
0.67 14.5000 2.0
0.75 19.2583 3.0
0.83 23.8750 2.0
0.92 151.5500 1.0
In [ ]:
 

リサンプリング

In [44]:
dataM1 = pd.read_csv('data/DAT_ASCII_USDJPY_M1_201710.csv', 
                     sep=';',
                     names=('Time','Open','High','Low','Close', ''),
                     index_col='Time', 
                     parse_dates=True)
dataM1.head(5)
Out[44]:
Open High Low Close
Time
2017-10-01 17:00:00 112.627 112.658 112.526 112.526 0
2017-10-01 17:01:00 112.536 112.536 112.480 112.510 0
2017-10-01 17:03:00 112.512 112.532 112.510 112.510 0
2017-10-01 17:04:00 112.513 112.514 112.513 112.514 0
2017-10-01 17:05:00 112.519 112.531 112.519 112.530 0

データフレーム名.resample('タイムフレーム').ohlc()

In [45]:
# dfのデータからtfで指定するタイムフレームの4本足データを作成する関数
def TF_ohlc(df, tf):
    x = df.resample(tf).ohlc()
    O = x['Open']['open']
    H = x['High']['high']
    L = x['Low']['low']
    C = x['Close']['close']
    ret = pd.DataFrame({'Open': O, 'High': H, 'Low': L, 'Close': C},
                       columns=['Open','High','Low','Close'])
    return ret.dropna()

def MAonSeries(s, ma_period, ma_method):
    return pd.Series(MAonArray(s.values, ma_period, ma_method), index=s.index)
    
def iEMA(df, ma_period, ma_shift=0, ma_method='EMA', applied_price='Close'):
    return MAonSeries(df[applied_price], ma_period, ma_method).shift(ma_shift)

def MAonArray(a, ma_period, ma_method):
    if ma_method == 'SMA':
        y = SMAonArray(a, ma_period)
    elif ma_method == 'EMA':
        y = EMAonArray(a, 2/(ma_period+1))
    elif ma_method == 'SMMA':
        y = EMAonArray(a, 1/ma_period)
    elif ma_method == 'LWMA':
        h = np.arange(ma_period, 0, -1)*2/ma_period/(ma_period+1)
        y = lfilter(h, 1, a)
        y[:ma_period-1] = np.nan
    return y

def EMAonArray(x, alpha):
    x[np.isnan(x)] = 0
    y = np.empty_like(x)
    y[0] = x[0]
    for i in range(1,len(x)):
        y[i] = alpha*x[i] + (1-alpha)*y[i-1]
    return y

def SMAonArray(x, ma_period):
    x[np.isnan(x)] = 0
    y = np.empty_like(x)
    y[:ma_period-1] = np.nan
    y[ma_period-1] = np.sum(x[:ma_period])
    for i in range(ma_period, len(x)):
        y[i] = y[i-1] + x[i] - x[i-ma_period]
    return y/ma_period
In [46]:
df_5m  = TF_ohlc(dataM1, '5Min')  # 5分足
df_10m = TF_ohlc(dataM1, '10Min') # 10分足
df_15m = TF_ohlc(dataM1, '15Min') # 15分足
df_30m = TF_ohlc(dataM1, '30Min') # 30分足

df_1H = TF_ohlc(dataM1, '1H') # 1時間足
df_4H = TF_ohlc(dataM1, '4H') # 4時間足
df_1D = TF_ohlc(dataM1, 'D')  #    日足
In [47]:
# 移動平均線(EMA)
FastMA_1H = iEMA(df_1H, 5)  #短期移動平均
MiddMA_1H = iEMA(df_1H, 10) #中期移動平均
SlowMA_1H = iEMA(df_1H, 20) #長期移動平均
In [105]:
df = pd.DataFrame({'Close': df_1H['Close'] , 'FastMA': FastMA_1H, '': MiddMA_1H , 'SlowMA': SlowMA_1H})
display_charts(df, chart_type="stock", title="MA cross", figsize=(960,640), grid=True)

このページのトップヘ