|
同理，.bfill()代表用后值对空值进行填充，效果如下。
- df_daily = df_weekly.resample('D').bfill()
- df_daily
- Out[55]:
- open high low close vol
- trade_date
- 2018-07-08 9.05 9.05 8.45 8.66 5125563.53
- 2018-07-09 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-10 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-11 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-12 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-13 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-14 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-15 8.69 9.03 8.58 8.88 4901983.84
- 2018-07-16 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-17 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-18 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-19 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-20 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-21 8.85 8.90 8.66 8.70 1590354.68
- 2018-07-22 8.85 8.90 8.66 8.70 1590354.68
03、时间窗口函数
当我们想要比较数据在相同时间窗口的不同特征和变化时，可以借助窗口函数rolling【6】进行计算。
看一个实例：计算股票收盘价的移动平均值。
- df = df[['ts_code', 'close']]
- df
- Out[58]:
- ts_code close
- trade_date
- 2018-07-02 000001.SZ 8.61
- 2018-07-03 000001.SZ 8.67
- 2018-07-04 000001.SZ 8.61
- 2018-07-05 000001.SZ 8.60
- 2018-07-06 000001.SZ 8.66
- 2018-07-09 000001.SZ 9.03
- 2018-07-10 000001.SZ 8.98
- 2018-07-11 000001.SZ 8.78
- 2018-07-12 000001.SZ 8.88
- 2018-07-13 000001.SZ 8.88
- 2018-07-16 000001.SZ 8.73
- 2018-07-17 000001.SZ 8.72
- 2018-07-18 000001.SZ 8.70
调用rolling函数，通过设置参数window的值规定窗口大小，这里设置为3，并且调用.mean()方法计算窗口期为3天的均值，结果如下。 （编辑：惠州站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
