import numpy as np
import pandas as pd
import matplotlib.pyplot as plt练习 1#
a. Series
给定一组数据，请创建一个带有日期时间索引的 Pandas Series s，索引从 2016-01-01 开始，频率为每日，且长度与数据相同。
python
l = np.random.randint(1, 100, size=1000)
s = pd.Series(l)
## 你的代码写在这里b. 访问 Series 元素
-
打印 Series s 前 50 个元素中每隔一个的元素。
-
查找索引为 2017-02-20 的值。
python
## 你的代码写在这里
## 你的代码写在这里c. 布尔索引
在 Series s 中，打印所有介于 1 和 3 之间的值。
python
## 你的代码写在这里练习 2：索引和时间序列#
a. 显示
打印 Series s 的前 5 个和后 5 个元素。
python
## 你的代码写在这里
## 你的代码写在这里b. 重采样
-
使用 resample 方法将每日数据上采样到月度频率，使用 median 方法，使每个月的值为该月中所有天的价格中位数。
-
将每日数据填充为包括周末和节假日的完整每日数据，使用前向填充方法。
python
symbol = "CMG"
start = "2012-01-01"
end = "2016-01-01"
prices = get_pricing(symbol, start_date=start, end_date=end, fields="price")
## 你的代码写在这里
## 你的代码写在这里练习 3：缺失数据#
-
使用前向填充方法替换所有 NaN 实例。
-
不填充数据，而是移除数据中所有的 NaN 实例。
python
## 你的代码写在这里
## 你的代码写在这里练习 4：使用 Pandas 进行时间序列分析#
a. 常规信息
打印 Series s 的计数、均值、标准差、最小值、第 25、50 和 75 百分位数以及最大值。
python
print("Summary Statistics")
## 你的代码写在这里b. Series 操作
-
计算该 Series 的加法和乘法回报。
-
计算 60 天窗口的滚动均值。
-
计算 60 天窗口的标准差。
python
data = get_pricing('GE', fields='open_price', start_date='2016-01-01', end_date='2017-01-01')
## 你的代码写在这里
## 你的代码写在这里
# 滚动均值
## 你的代码写在这里
## 你的代码写在这里
# 滚动标准差
## 你的代码写在这里
## 你的代码写在这里练习 5：DataFrames#
a. 索引
使用 dict_data 创建一个 DataFrame，并以 l 作为其索引。
python
l = {'fifth', 'fourth', 'third', 'second', 'first'}
dict_data = {'a': [1, 2, 3, 4, 5], 'b': ['L', 'K', 'J', 'M', 'Z'], 'c': np.random.normal(0, 1, 5)}
## 你的代码写在这里b. DataFrame 操作
-
将以下两个 Series 连接成一个 DataFrame。
-
将列名重命名为 Good Numbers 和 Bad Numbers。
-
将索引更改为从 2016-01-01 开始的日期时间索引。
python
s1 = pd.Series([2, 3, 5, 7, 11, 13], name='prime')
s2 = pd.Series([1, 4, 6, 8, 9, 10], name='other')
## 你的代码写在这里
## 你的代码写在这里
## 你的代码写在这里练习 6：访问 DataFrame 元素#
a. 列
-
检查 DataFrame 某一列的数据类型。
-
打印 2013-01-01 至 2013-01-10 时间范围内的值。
python
symbol = ["XOM", "BP", "COP", "TOT"]
start = "2012-01-01"
end = "2016-01-01"
prices = get_pricing(symbol, start_date=start, end_date=end, fields="price")
if isinstance(symbol, list):
prices.columns = map(lambda x: x.symbol, prices.columns)
else:
prices.name = symbol
# 检查这两者的数据类型
prices.XOM.head()
prices.loc[:, 'XOM'].head()
## 你的代码写在这里
## 你的代码写在这里
## 你的代码写在这里练习 7：布尔索引#
a. 过滤
从上题的 prices 中过滤数据，仅打印满足以下条件的值：
-
BP > 30
-
XOM < 100
-
BP > 30 且 XOM < 100 的交集
-
(BP > 30 且 XOM < 100) 与 TOT 无 NaN 值的并集
-
添加 TSLA 列并删除 XOM 列。
python
# 过滤 prices 数据，仅打印满足以下条件的值
# BP > 30
# XOM < 100
# BP > 30 且 XOM < 100
# (BP > 30 且 XOM < 100) 与 TOT 无 NaN 的并集
## 你的代码写在这里
# 添加 TSLA 列并删除 XOM 列
## 你的代码写在这里b. DataFrame 操作（再次）
-
连接以下两个 DataFrame。
-
将缺失数据填充为 0。
python
df_1 = get_pricing(['SPY', 'VXX'], start_date=start, end_date=end, fields='price')
df_2 = get_pricing(['MSFT', 'AAPL', 'GOOG'], start_date=start, end_date=end, fields='price')
## 你的代码写在这里
# 将 GOOG 的缺失数据填充为 0
## 你的代码写在这里练习 8：时间序列分析#
a. 汇总
-
打印上述 prices DataFrame 的摘要。
-
计算对数回报并打印前 10 个值。
-
打印每家公司的乘法回报。
-
标准化 2014 至 2015 年的回报并绘图。
-
绘制 60 天窗口的滚动均值。
-
绘制 60 天窗口的滚动标准差。
python
# 打印 'prices' 时间序列的摘要
## 你的代码写在这里
# 打印前 10 个值的自然对数回报
## 你的代码写在这里
# 打印乘法回报
## 你的代码写在这里
# 标准化回报并绘图
## 你的代码写在这里
# 滚动均值
## 你的代码写在这里
# 滚动标准差
## 你的代码写在这里
# 绘图
## 你的代码写在这里