python：时间序列 求极大值，极小值 |
您所在的位置：网站首页 › python的最大值和最小值输出 › python：时间序列 求极大值，极小值 |
python：时间序列 求极大值，极小值
|
scipy.signal.find_peaks() 由于需要监测波形的峰值，因此找到该函数 该函数通过与周围位置的比较找到峰值 输入： x: 带有峰值的信号序列 height: 低于指定height的信号都不考虑 threshold: 其与相邻样本的垂直距离 distance: 相邻峰之间的最小水平距离, 先移除较小的峰，直到所有剩余峰的条件都满足为止。 prominence: 个人理解是突起程度，详见peak_prominences width: 波峰的宽度，详见peak_widths plateau_size: 保证峰对应的平顶数目大于给定值 ---- 输出： peaks: x对应的峰值的索引 python tushare 读取股票数据并存盘 以股票 000063 中兴通讯为例 运行 python stock1.py 000063 find_peaks.py # coding=utf-8 import os, sys import matplotlib.pyplot as plt import numpy as np import pandas as pd from scipy import signal # python 求极值点（波峰波谷） if len(sys.argv) ==2: fcode = sys.argv[1] else: print('usage: python find_peaks.py fcode ') sys.exit(1) if len(fcode) !=6: print(' fcode is char(6)') sys.exit(2) file1 = "./" +fcode +'.csv' if not os.path.exists(file1): print(file1 +' is not exists.') sys.exit(3) # 用pandas读取csv df = pd.read_csv(file1) df = df[['date','close']] df.index = pd.to_datetime(df.date) df = df[ df.index.year ==2020 ] week_max = df[['close']].groupby(df.index.week).max() #print('week_max:',week_max) wek_max = week_max['close'].values print(type(wek_max)) # 求峰值 distance: 极大值点的距离 >=4个水平单位 num_peaks = signal.find_peaks(wek_max, distance=4) #num_peaks = signal.argrelextrema(wek_max, np.greater) print(num_peaks) for i in range(len(num_peaks[0])): j = num_peaks[0][i] print(j, week_max.iloc[j,:]) # 求极小值 week_min = df.groupby(df.index.week).min() #print('week_min:',week_min) wek_min = week_min['close'].values num_less = signal.argrelextrema(wek_min, np.less) print(num_less) for i in range(len(num_less[0])): j = num_less[0][i] #print(j, week_min.iloc[j,:]) # 求最小值 c_min = df['close'].min() print('c_min:', df.loc[ df['close']==c_min]) # 求最大值 c_max = df['close'].max() print('c_max:', df.loc[ df['close']==c_max])运行 python find_peaks.py 000063 一元线性回归分析实例：时间序列分段
参考: https://www.cnblogs.com/qi-yuan-008/p/12323710.html |
【本文地址】
今日新闻 |
推荐新闻 |