0

我正在处理的问题的上下文是尝试将使用 matplotlib.plotly 绘制的时间序列预测的结果转换回数据框,以便我可以使用 cufflinks 库来获得更具交互性的图表。我可以将鼠标悬停在数据点上以更详细地查看预测。

所以在训练和创建模拟之后,代码如下:

    date_ori = pd.to_datetime(df.iloc[:, 0]).tolist()
for i in range(test_size):
    date_ori.append(date_ori[-1] + timedelta(days = 1))
date_ori = pd.Series(date_ori).dt.strftime(date_format = '%Y-%m-%d').tolist()
date_ori[-5:]


accepted_results = []
for r in results:
    if (np.array(r[-test_size:]) < np.min(df['Close'])).sum() == 0 and \
    (np.array(r[-test_size:]) > np.max(df['Close']) * 2).sum() == 0:
        accepted_results.append(r)
len(accepted_results)


accuracies = [calculate_accuracy(df['Close'].values, r[:-test_size]) for r in accepted_results]

plt.figure(figsize = (15, 5))
for no, r in enumerate(accepted_results):
    plt.plot(r, label = 'forecast %d'%(no + 1))
plt.plot(df['Close'], label = 'true trend', c = 'black')

plt.legend()
plt.title('average accuracy: %.4f'%(np.mean(accuracies)))

x_range_future = np.arange(len(results[0]))
plt.xticks(x_range_future[::30], date_ori[::30])

plt.show()

我已经开始剖析最后一个绘图部分以尝试将数据转换为数据框,以便使用袖扣进行绘图,因为袖扣的格式如下:

import cufflinks as cf
# data from FXCM Forex Capital Markets Ltd.
raw = pd.read_csv('http://hilpisch.com/fxcm_eur_usd_eod_data.csv',
                 index_col=0, parse_dates=True)
quotes = raw[['AskOpen', 'AskHigh', 'AskLow', 'AskClose']]
quotes = quotes.iloc[-60:]
quotes.tail()

    AskOpen AskHigh AskLow  AskClose
2017-12-25 22:00:00 1.18667 1.18791 1.18467 1.18587
2017-12-26 22:00:00 1.18587 1.19104 1.18552 1.18885
2017-12-27 22:00:00 1.18885 1.19592 1.18885 1.19426
2017-12-28 22:00:00 1.19426 1.20256 1.19369 1.20092
2017-12-31 22:00:00 1.20092 1.20144 1.19994 1.20147

qf = cf.QuantFig(
         quotes,
         title='EUR/USD Exchange Rate',
         legend='top',
         name='EUR/USD'
)

qf.iplot()

到目前为止,我试图将绘图分解成一个数据框,这些是预测结果:

df = accepted_results
rd = pd.DataFrame(df)
rd.T

    0   1   2   3   4   5   6   7
0   768.699985  768.699985  768.699985  768.699985  768.699985  768.699985  768.699985  768.699985
1   775.319656  775.891012  772.283885  737.763376  773.811344  785.021571  770.438252  770.464180
2   772.387081  787.562968  764.858772  737.837558  775.712162  770.660990  768.103724  770.786379
3   786.316425  779.248516  765.839603  760.195678  783.410054  789.610540  765.924561  773.466415
4   796.039144  803.113903  790.219174  770.508252  795.110376  793.371152  774.331197  786.772606
... ... ... ... ... ... ... ... ...
277 1042.788063 977.462670  1057.189696 1262.203613 1057.900621 1042.329811 1053.378352 1171.416597
278 1026.857102 975.473725  1061.585063 1307.540754 1061.490772 1049.696547 1054.122795 1117.779434
279 1029.388746 977.097765  1069.265953 1192.250498 1064.540056 1049.169295 1045.126807 1242.474584
280 1030.373147 983.650686  1070.628785 1103.139889 1053.571269 1030.669091 1047.641127 1168.965372
281 1023.118504 984.660763  1071.661590 1068.445156 1080.461617 1035.736879 1035.599867 1231.714340

然后将x轴从

plt.xticks(x_range_future[::30], date_ori[::30])

df1 = pd.DataFrame((x_range_future[::30], date_ori[::30]))
df1.T
    0   1
0   0   2016-11-02
1   30  2016-12-15
2   60  2017-01-31
3   90  2017-03-15
4   120 2017-04-27
5   150 2017-06-09
6   180 2017-07-24
7   210 2017-09-05
8   240 2017-10-17
9   270 2017-11-20

最后我有关闭的专栏,这是我到目前为止所能想到的

len(df['Close'].values)
252

当我使用

df['Close'].values 

我得到了一个数组,我在把这一切放在一起时遇到了问题,袖扣 iplot 图表要好得多,如果我能以某种方式获得这样做的直觉,那就太棒了,如果我没有尝试,我提前道歉已经够难了,但我正在尽力而为,无论我搜索谷歌多少次,我似乎都找不到答案,所以我想我会在这里问。

4

1 回答 1

0

这就是我所做的,我检查并打印了像 print(date_ori) 这样的独立字符串,并用 print(len(date_ori) 简化了它,它又包含了预测的所有日期,然后我把它变成了一个数据框df['date'] = pd.DataFrame(date_ori),与结果一样,我必须用 df.T 转置它们,以便它们采用长列格式而不是长行格式,所以首先

df = pd.DataFrame(results)
df = df.T

然后

df['date'] = pd.DataFrame(date_ori)


我在命名包含所有预测结果的第 0 列时遇到了麻烦,所以我只是保存了文件

df.to_csv('yo')

然后我将名为 0 的列编辑为结果并将 .csv 添加到末尾,然后将数据拉回内存

然后我格式化了日期

format = '%Y-%m-%d'
df['Datetime'] = pd.to_datetime(df['date'], format=format)
df = df.set_index(pd.DatetimeIndex(df['Datetime']))

并删除了不需要的列,我想我可以添加我现在开始绘制的关闭数据,但我将结果放入数据框中,所以现在我可以使用这些很棒的图表!不敢相信我在 18 小时内就弄明白了,我迷路了,哈哈。

我也把实验放到了一个模拟中,所以只有 1 行结果要处理,所以我可以弄清楚。

于 2021-03-06T01:27:26.017 回答