pip install fireducks

import fireducks.pandas as pd

import pandas as pd
import numpy as np
import time
import fireducks.pandas as pd2

def create_data(N,t):
  data = {
        'A': np.random.randn(N),
        'B': np.random.randn(N),
        'C': np.random.choice(['O', 'P', 'P', 'A', 'Y'], N),}
  if t:
    return pd.DataFrame(data)
  else:
    return pd2.DataFrame(data)._evaluate()

# 処理時間の計測
def perform_measure(func,df,message):
    start_time = time.time()
    tmp = func(df)
    end_time = time.time()
    excute_time = end_time - start_time
    #print(f"excute {message} time : {excute_time}")
    return excute_time

# 加算処理
def df_calc(df):
    return (df['A'] + df['B'])

# 文字列置換処理
def df_replace(df):
  return df['C'].replace({"O":"1","P":"2","A":"3","Y":"4"})

# Filter処理
def df_filtering(df):
  return df[df['A'] > 0.5]

# GroupBy処理
def df_groupby(df):
  return df.groupby('C').mean()

# Sort処理
def df_sorting(df):
  return df.sort_values(by='B')

# Join処理
def df_joining(df):
    df1 = df[['A', 'B']].copy()
    df2 = df[['C']].copy()
    return df1.join(df2)

# Fillna処理
def df_fillna(df):
    df_na = df.copy()
    df_na.loc[df_na.sample(frac=0.1).index, 'A'] = np.nan
    return df_na.fillna(0)

# Dropna処理
def df_dropna(df):
    df_na = df.copy()
    df_na.loc[df_na.sample(frac=0.1).index, 'A'] = np.nan
    return df_na.dropna()

N = 1000000
df_pandas = create_data(N,True)
df_ducks = create_data(N,False)

c1 = perform_measure(df_calc,df_pandas,"calc")
c2 = perform_measure(df_calc,df_ducks,"calc")
r1 = perform_measure(df_replace,df_ducks,"replace")
r2 = perform_measure(df_replace,df_ducks,"replace")
f1 = perform_measure(df_filtering,df_pandas,"filtering")
f2 = perform_measure(df_filtering,df_ducks,"filtering")
g1 = perform_measure(df_groupby,df_pandas,"groupby")
g2 = perform_measure(df_groupby,df_ducks,"groupby")
s1 = perform_measure(df_sorting,df_pandas,"sorting")
s2 = perform_measure(df_sorting,df_ducks,"sorting")
j1 = perform_measure(df_joining,df_pandas,"joining")
j2 = perform_measure(df_joining,df_ducks,"joining")
fa1 = perform_measure(df_fillna,df_pandas,"fillna")
fa2 = perform_measure(df_fillna,df_ducks,"fillna")
da1 = perform_measure(df_dropna,df_pandas,"dropna")
da2 = perform_measure(df_dropna,df_ducks,"dropna")

data = [
  ["calc",c1,c2],
  ["replace",r1,r2],
  ["filtering",f1,f2],
  ["groupby",g1,g2],
  ["sorting",s1,s2],
  ["joining",j1,j2],
  ["fillna",fa1,fa2],
  ["dropna",da1,da2],
]

result_df = pd.DataFrame(data,columns=["処理","pandas","ducks"])
result_df["差分"] = result_df['pandas'] / result_df['ducks']
result_df

タグ ：

#プログラミング

#Python

#Pandas

#FireDucks

タグ ：

#Python

#プログラミング

#Pandas

import pandas as pd
import numpy as np

df = pd.read_csv('stock_1321.csv',index_col=0)
df = df.sort_index(ascending=True)

df

open 始値
high 高値
low 安値
close 終値
volume 出来高
adjust 調整済終値

株価の動きをみていきましょう。
描画用のライブラリである
Plotlyを使って時系列データを描画します。

まずはライブラリの読み込みです。

import plotly
import plotly.graph_objs as go
# Google Colab. やJupyter Lab.でプロットするためには，以下を実行する．
import plotly.io as pio
pio.renderers.default = "colab"
plotly.__version__

4.4.1

続いて表示用データの作成です。

# 表示用のデータを生成しておく
xlabels = np.arange(len(df))
interval = 20 
vals = [df.index[i*interval] for i in range(len(df)//interval)]
labels=[df.index[i*interval] for i in range(len(df)//interval)]
date_format = 'date:{}
open:{}
high:{}
low:{}
close:{}'
hovertext = [date_format.format(df.index[i],df.loc[df.index[i],'open'],df.loc[df.index[i],'high'],df.loc[df.index[i],'low'],df.loc[df.index[i],'close']) for i in range(len(df))]

表示するデータを作成できたら
描画を行います。

# ローソク足のプロット
fig = go.Figure(
    # データの指定
    data=go.Candlestick(
        x = xlabels,
        open=df['open'],
        high=df['high'],
        low=df['low'],
        close=df['close'],
        hovertext=hovertext ,
        hoverinfo="text"
        ),
    # グラフのレイアウト設定
    layout = go.Layout(
        xaxis = dict(
            tickvals=vals,
            ticktext=labels,
            tickangle=-45
        ),
    )
)
fig.show()

データフレームには
各種データが揃っているので
ここから色々な数値計算をする事で
各指標を作成していく事ができます。

ただし、この指標の作成は
初心者には少し厳しいと思います。

cufflinksライブラリを用いると
指標の作成を簡単に行う事ができるので
これを使っていきましょう。

import cufflinks as cf

Pandasデータフレームから
一度cf用のデータに変換して描画します。

import cufflinks as cf

qf = cf.QuantFig(df, name='日経 225')

plotly.offline.iplot(
    qf.iplot(asFigure=True)
)

ここに色々な指標を追加していきます。

移動平均(add_sma)

ボリンジャーバンド(add_bollinger_bands)

出来高(add_volume)

RSI(add_rsi)

MACD(add_macd)

qf = cf.QuantFig(df[150:], name='日経 225')

qf.add_sma([10,20],width=2,color=['green','lightgreen'],legendgroup=True)
qf.add_bollinger_bands(periods=20,boll_std=2,colors=['magenta','grey'],fill=True)
qf.add_volume()
#qf.add_rsi(periods=20,color='java')
#qf.add_macd()

plotly.offline.iplot(
    qf.iplot(asFigure=True)
)

指標の他にラインを引く事ができます。

サポートライン

qf.add_support(日付)

抵抗ライン

qf.add_resistance(日付)

日付の指定方法が
少し特殊なので気をつけてください。

日(2桁) 月(英語表記の3桁) 年(2桁)

qf = cf.QuantFig(df[250:], name='日経 225')

# サポートライン
qf.add_support('31Jul20')

# 抵抗ライン
qf.add_resistance('25Aug20')

plotly.offline.iplot(
    qf.iplot(asFigure=True)
)

最後にトレンドをみてみましょう。

トレンドラインを引いてみます。
qf.add_trendline(開始日, 終了日)

qf = cf.QuantFig(df[250:], name='日経 225')

qf.add_trendline('03Aug20', '26Aug20')

plotly.offline.iplot(
    qf.iplot(asFigure=True)
)

データを差し替えれば
様々な個別銘柄の株価を描画して
トレンドなどを把握していく事ができます。

プログラミングが上達したら
各証券会社が提供しているツールよりも
細かな設定を施すことなどが出来る様になります。

自己投資として
プログラミングは
身につけておいて損はありません。

Python言語の文法などが分からない方のために
5時間ほどで学べる動画講座を用意しています。
5時間で学ぶプログラミング基礎 (python編)

是非この機会にプログラミングの方も
始めてみましょう。

分からない所があれば
気兼ねなくYoutubeにコメントをどうぞ

今回はここまでです
それでは。


 

タグ ：

#Python

#プログラミング

#投資

#Pandas

#Plotly

#株価分析