Python 基于每日高低价的一周高低价取数日期

首先，我将分享运行python代码的目标

从雅虎那里获得股票的每日高价和低价

将每日高点和低点转换为每周高点/低点、每月低点和年度低点

从每日数据帧获取每周或每月高点低点的确切日期

最后，在获取了每周（或每月）高点和低点的日期之后，我想整理一周中第一次出现的高点或低点的数据。例如，在2020年12月12日结束的一周内，我得到的本周高点是100，本周低点是97（完成步骤2后），以及每日数据帧中的高点日期和低点日期（从步骤3开始），我想按照发生的顺序安排价格。所以如果高点发生在12月9日，低点发生在12月12日。第1行中的价格将被安排为100，第2行中的价格将被安排为97，该过程将在整个数据帧中重复

我所能做到的。 我已经完成了第一步和第二步。到目前为止，步调一致地挣扎了3步

已完成步骤1

import pandas as pd
import yfinance as yf

Ticker = '^NSEI'


f = yf.download(Ticker,period="max")
f = f.drop(['Adj Close'], axis=1)
f = f.drop(['Open'], axis=1)
f = f.drop(['Close'], axis=1)
f = f.drop(['Volume'], axis=1)
f.reset_index(inplace=True)
f.insert(0,'Ticker',Ticker)

fw = f.groupby(['Ticker', pd.Grouper(key='Date', freq='W')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fm = f.groupby(['Ticker', pd.Grouper(key='Date', freq='M')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fq = f.groupby(['Ticker', pd.Grouper(key='Date', freq='Q')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fy = f.groupby(['Ticker', pd.Grouper(key='Date', freq='Y')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()   

第2步由

import pandas as pd
import yfinance as yf

Ticker = '^NSEI'


f = yf.download(Ticker,period="max")
f = f.drop(['Adj Close'], axis=1)
f = f.drop(['Open'], axis=1)
f = f.drop(['Close'], axis=1)
f = f.drop(['Volume'], axis=1)
f.reset_index(inplace=True)
f.insert(0,'Ticker',Ticker)

fw = f.groupby(['Ticker', pd.Grouper(key='Date', freq='W')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fm = f.groupby(['Ticker', pd.Grouper(key='Date', freq='M')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fq = f.groupby(['Ticker', pd.Grouper(key='Date', freq='Q')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()
fy = f.groupby(['Ticker', pd.Grouper(key='Date', freq='Y')])\
    .agg(High=pd.NamedAgg(column='High', aggfunc='max'),
         Low=pd.NamedAgg(column='Low', aggfunc='min'))\
        .reset_index()   

在第3步中挣扎。使用了pd.merge、pd.join、pd.concat，但无法将每周数据帧与高低数据帧组合。当指定“保持最晚”时，通过执行合并和删除重复操作而增加的每周记录数也无法正常工作

---

所以，如果你们都能在第三步和第四步帮助我，我将不胜感激谢谢

解决了我在上面发布的问题。希望这能帮助别人。谢谢

import pandas as pd
import yfinance as yf
import datetime as dt
import numpy as np


Ticker = '^NSEI'

df = yf.download(Ticker, period='max')
df= df.drop(['Open', 'Close', 'Adj Close', 'Volume'], axis = 1).reset_index()

# Daily 3238 columns for reference

#Adding columns for weekly, monthly,6 month,Yearly,
df['WkEnd'] = df.Date.dt.to_period('W').apply(lambda r: r.start_time) + dt.timedelta(days=6)
df['MEnd'] = (df.Date.dt.to_period('M').apply(lambda r: r.end_time)).dt.date
df['6Mend'] = np.where(df.Date.dt.month <= 6,(df.Date.dt.year).astype(str)+'-1H',(df['Date'].dt.year).astype(str)+'-2H')
df['YEnd'] = (df.Date.dt.to_period('Y').apply(lambda r: r.end_time)).dt.date


# key variable for melting
d = {'Date':['Hidate', 'Lodate'], 'Price':['High','Low']}

#creating weekly neoformat
dw = df.groupby(['WkEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dw['Hidate'] = dw[['WkEnd','High']].merge(df,how = 'left').Date
dw['Lodate'] = dw[['WkEnd','Low']].merge(df,how = 'left').Date
dw = pd.lreshape(dw,d)
dw = dw.sort_values(by = ['Date']).reset_index()
dw = dw.drop(['index'], axis = 1)

#creating Monthly neoformat
dm = df.groupby(['MEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dm['Hidate'] = dm[['MEnd','High']].merge(df,how = 'left').Date
dm['Lodate'] = dm[['MEnd','Low']].merge(df,how = 'left').Date
dm = pd.lreshape(dm,d)
dm = dm.sort_values(by = ['Date']).reset_index()
dm = dm.drop(['index'], axis = 1)


#creating 6mth neoformat
d6m = df.groupby(['6Mend']).agg({'High' : 'max','Low' : 'min' }).reset_index()
d6m['Hidate'] = d6m[['6Mend','High']].merge(df,how = 'left').Date
d6m['Lodate'] = d6m[['6Mend','Low']].merge(df,how = 'left').Date
d6m = pd.lreshape(d6m,d)
d6m = d6m.sort_values(by = ['Date']).reset_index()
d6m = d6m.drop(['index'], axis = 1)

#creating Yearly neoformat
dy = df.groupby(['YEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dy['Hidate'] = dy[['YEnd','High']].merge(df,how = 'left').Date
dy['Lodate'] = dy[['YEnd','Low']].merge(df,how = 'left').Date
dy = pd.lreshape(dy,d)
dy = dy.sort_values(by = ['Date']).reset_index()
dy = dy.drop(['index'], axis = 1)

将熊猫作为pd导入
以yf形式导入yf财务
将日期时间导入为dt
将numpy作为np导入
股票代码=“^NSEI”
df=yf.下载（股票代码，period='max'）
df=df.drop（['Open'，'Close'，'Adj Close'，'Volume'，]，axis=1）。reset_index（）
#每日3238列供参考
#添加每周、每月、6个月、每年的列，
df['WkEnd']=df.Date.dt.to_period（'W'）。应用（lambda r:r.start_time）+dt.timedelta（天=6）
df['MEnd']=（df.Date.dt.to_period（'M'）。apply（lambda r:r.end_time））.dt.Date
df['6Mend']=np.where（df.Date.dt.month解决了我上面发布的查询。希望这对其他人有所帮助。谢谢

import pandas as pd
import yfinance as yf
import datetime as dt
import numpy as np


Ticker = '^NSEI'

df = yf.download(Ticker, period='max')
df= df.drop(['Open', 'Close', 'Adj Close', 'Volume'], axis = 1).reset_index()

# Daily 3238 columns for reference

#Adding columns for weekly, monthly,6 month,Yearly,
df['WkEnd'] = df.Date.dt.to_period('W').apply(lambda r: r.start_time) + dt.timedelta(days=6)
df['MEnd'] = (df.Date.dt.to_period('M').apply(lambda r: r.end_time)).dt.date
df['6Mend'] = np.where(df.Date.dt.month <= 6,(df.Date.dt.year).astype(str)+'-1H',(df['Date'].dt.year).astype(str)+'-2H')
df['YEnd'] = (df.Date.dt.to_period('Y').apply(lambda r: r.end_time)).dt.date


# key variable for melting
d = {'Date':['Hidate', 'Lodate'], 'Price':['High','Low']}

#creating weekly neoformat
dw = df.groupby(['WkEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dw['Hidate'] = dw[['WkEnd','High']].merge(df,how = 'left').Date
dw['Lodate'] = dw[['WkEnd','Low']].merge(df,how = 'left').Date
dw = pd.lreshape(dw,d)
dw = dw.sort_values(by = ['Date']).reset_index()
dw = dw.drop(['index'], axis = 1)

#creating Monthly neoformat
dm = df.groupby(['MEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dm['Hidate'] = dm[['MEnd','High']].merge(df,how = 'left').Date
dm['Lodate'] = dm[['MEnd','Low']].merge(df,how = 'left').Date
dm = pd.lreshape(dm,d)
dm = dm.sort_values(by = ['Date']).reset_index()
dm = dm.drop(['index'], axis = 1)


#creating 6mth neoformat
d6m = df.groupby(['6Mend']).agg({'High' : 'max','Low' : 'min' }).reset_index()
d6m['Hidate'] = d6m[['6Mend','High']].merge(df,how = 'left').Date
d6m['Lodate'] = d6m[['6Mend','Low']].merge(df,how = 'left').Date
d6m = pd.lreshape(d6m,d)
d6m = d6m.sort_values(by = ['Date']).reset_index()
d6m = d6m.drop(['index'], axis = 1)

#creating Yearly neoformat
dy = df.groupby(['YEnd']).agg({'High' : 'max','Low' : 'min' }).reset_index()
dy['Hidate'] = dy[['YEnd','High']].merge(df,how = 'left').Date
dy['Lodate'] = dy[['YEnd','Low']].merge(df,how = 'left').Date
dy = pd.lreshape(dy,d)
dy = dy.sort_values(by = ['Date']).reset_index()
dy = dy.drop(['index'], axis = 1)

将熊猫作为pd导入
以yf形式导入yf财务
将日期时间导入为dt
将numpy作为np导入
股票代码=“^NSEI”
df=yf.下载（股票代码，period='max'）
df=df.drop（['Open'，'Close'，'Adj Close'，'Volume'，]，axis=1）。reset_index（）
#每日3238列供参考
#添加每周、每月、6个月、每年的列，
df['WkEnd']=df.Date.dt.to_period（'W'）。应用（lambda r:r.start_time）+dt.timedelta（天=6）
df['MEnd']=（df.Date.dt.to_period（'M'）。apply（lambda r:r.end_time））.dt.Date
df['6Mend']=np.where（df.Date.dt.month