Python 计算熊猫的高-低
这是我的数据集,索引为日期和价格列。我想在这里创建一个列参数(param),它在comments列中如下所示:Python 计算熊猫的高-低,python,pandas,numpy,time-series,Python,Pandas,Numpy,Time Series,这是我的数据集,索引为日期和价格列。我想在这里创建一个列参数(param),它在comments列中如下所示: Index Price | param Comments (P is Price) 1989-01-24 68.800 0 P < P-1 (P-1 doesnt exist so 0) par
Index Price | param Comments (P is Price)
1989-01-24 68.800 0 P < P-1 (P-1 doesnt exist so 0)
param = 0 ,
1989-01-25 68.620 -2 P < P-1 check P<P-2(P-2 doesnt
exist so P is a 2 day low and
param = -2
1989-01-26 68.930 3 P > P-1, P>P-2, P-3(doesnt exist
So P is a 3 day high, param =3
1989-01-27 68.9900 4 P > P-1 > P-2 > P -3 and hence a
4 day high, param = 4
1989-01-30 69.11 5 P > P-1> P-2 > P-3 > P-4 and
hence a 5 day high, param = 5
1989-01-31 69.070 -2 P < P-1 > P-2 and hence a 2 day
low, param = -2
指数价格|参数注释(P为价格)
1989-01-24 68.800 PP-2,P-3(不存在
所以P是3天的高点,param=3
1989-01-2768.99004P>P-1>P-2>P-3,因此
4天高点,参数=4
1989-01-30 69.11 5 P>P-1>P-2>P-3>P-4和
因此为5天高点,参数=5
1989年01月31日69.070-2 PP-2,因此为2天
低,参数=-2
有人能告诉我在熊猫中实现这一点的优雅方法吗?根据您的评论部分,我的理解是,
param
列实际上是我们获得的Price
列的值的排名。这类似于在inte流中查找特定值的排名GER作为输入。这可以使用PriorityQueue实现。您需要创建一个带有比较器的优先级队列,该比较器将以元素值的递增顺序存储优先级队列中的元素。要查找秩,您只需迭代队列并在列中查找最近元素的索引。这将但是,查找元素索引需要花费O(n)个时间。请查看下面的python文档,了解如何在python中创建heapq或优先级队列:
如果要在O(logn)中执行此操作,可以使用自平衡BST,如AVL或红黑树。最近输入的元素的值的排名将是其左侧的索引。在最坏的情况下,这可以在O(logn)时间内完成。python中AVL的详细信息:
您想要的是使用偏移量进行分组和排序。熊猫包括了所有这些 这里有一个有效的线性解决方案:
df=pd.DataFrame({'price':rand(15)})
df['ascending']=df.price<df.price.shift()
df['slope']=(-1)**df.ascending
df['group']=df.ascending.diff().abs().cumsum()
df['pseudorank']=df.slope.cumsum()
offset=df.groupby('group',sort=False).pseudorank.first()
df['param']=(df.pseudorank-df.join(offset,'group',lsuffix='old').pseudorank+2*df.slope)
df.param=df.param.fillna(0).astype(int)
我创建了很多列用于解释,如果需要,您可以删除它们。形成
param
列的基础是什么?@piRSquared您能帮我吗?我仍在努力理解这意味着什么!如果您能提供更多帮助,我将不胜感激
price ascending slope group pseudorank param
0 0.160806 False 1 NaN 1 0
1 0.068664 True -1 1 0 -2
2 0.663227 False 1 2 1 2
3 0.273134 True -1 3 0 -2
4 0.610329 False 1 4 1 2
5 0.595016 True -1 5 0 -2
6 0.975163 False 1 6 1 2
7 0.692874 True -1 7 0 -2
8 0.682642 True -1 7 -1 -3
9 0.337418 True -1 7 -2 -4
10 0.307546 True -1 7 -3 -5
11 0.462594 False 1 8 -2 2
12 0.304216 True -1 9 -3 -2
13 0.189434 True -1 9 -4 -3
14 0.865468 False 1 10 -3 2