【大数据处理与可视化】七、时间序列分析 |
您所在的位置：网站首页 › 大数据可视化的基本分析 › 【大数据处理与可视化】七、时间序列分析 |
【大数据处理与可视化】七、时间序列分析
|
【大数据处理与可视化】七、时间序列分析
实验目的实验内容实验步骤一、案例——股票收盘价分析1、读取数据，并转换成DataFrame对象展示2、将“交易日期”一列设置为行索引3、根据数据中“收盘价”一列的数据绘制一张折线图，以了解近些年来收盘价格的趋势4、通过降采样来减少一些数据量，将采样的频率由每周改成每天5、利用ARIMA模型将非平稳序列转换为平稳序列用图表表示当前的ACF系数用图表表示当前的PACF系数通过差分算法，将将非平稳序列转换为平稳序列
6、使用时序图看一下ACF和PACF系数的变化ACF系数PACF系数
7、绘制ARIMA模型8、使用2018年1月至2月的五粮液股票数据，对刚刚拟合后的ARIMA模型进行测试
实验小结
实验目的
能够熟练运用时间序列分析和ARIMA模型对数据进行分析。 实验内容股票收盘价分析：本实验以“五粮液”股票数据为例，结合时间序列及ARIMA模型对股票收盘价进行分析；使用2003至2018年的股票数据，其中2014-2017年的数据为训练数据，通过对这些数据的训练，实现对2018年1月至3月的收盘价进行预测，并将预测的结果与爬到的真实股价进行绘制对比。 实验步骤 一、案例——股票收盘价分析 1、读取数据，并转换成DataFrame对象展示代码： import pandas as pd import datetime import matplotlib.pylab as plt from statsmodels.tsa.arima_model import ARIMA from statsmodels.graphics.tsaplots import plot_acf,plot_pacf plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False data_path=open(r'D:\test.csv') shares_info = pd.read_csv(data_path) shares_info截图：
代码： dates = pd.to_datetime(shares_info['交易日期'].values,format='%Y%m%d') shares_info = shares_info.set_index(dates) shares_info截图：
代码： plt.plot(shares_info['收盘价']) plt.title('股票每日收盘价') plt.show()截图：
代码： shares_info_week = shares_info['收盘价'].resample('W-MON').mean() train_data = shares_info_week['2014': '2017'] plt.plot(train_data) plt.title('股票周收盘均值') plt.show()截图：
代码： acf = plot_acf(train_data,lags=20) plt.title('股票指数的ACF') plt.show()截图：
代码： pacf = plot_pacf(train_data,lags=20) plt.title('股票指数的PACF') plt.show()截图：
代码： train_diff=train_data.diff() diff = train_diff.dropna() plt.figure() plt.plot(diff) plt.title('一阶差分') plt.show()截图：
代码： acf_diff = plot_acf(diff,lags=20) plt.title('一阶差分的ACF') plt.show()截图：
代码： pacf_diff = plot_pacf(diff,lags=20) plt.title('一阶差分的PACF') plt.show()截图：
代码： model = ARIMA(train_data, order =(1,1,1),freq = 'W-MON') arima_result = model.fit() arima_result.summary()截图：
代码： pred_vals = arima_result.predict('2018-01-01','2018-02-26',dynamic=True,typ='levels') stock_forcast=pd.concat([shares_info_week,pred_vals],axis=1,keys=['original','predicted']) plt.figure() plt.plot(stock_forcast) plt.title('真实值 vs 预测值') plt.show()截图：
通过本次实验，我能够熟练运用时间序列分析和ARIMA模型对数据进行分析。在实验过程中遇到了很多硬件或者是软件上的问题，请教老师，询问同学，上网查资料，都是解决这些问题的途径。最终将遇到的问题一一解决最终完成实验。 注意事项： 1、有疑问前，知识学习前，先用搜索。 2、熟读写基础知识，学得会不如学得牢。 3、选择交流平台，如QQ群，网站论坛等。 4、尽我能力帮助他人，在帮助他人的同时你会深刻巩固知识。 |
【本文地址】