import pandas as pd from datetime import datetime as dt   weekdays = pd.date_range(«2015-01-01″,»2016-12-31″, freq=»B») [print(x) for x in weekdays[:10]] 2015-01-01 00:00:00 2015-01-02 00:00:00 2015-01-05 00:00:00 2015-01-06 00:00:00 2015-01-07 00:00:00 2015-01-08 00:00:00 2015-01-09 00:00:00 2015-01-12 00:00:00 2015-01-13 00:00:00 2015-01-14 00:00:00 [None, None, None, None, None, None, None, None, None, None]   weekdaysM10 = weekdays[9:]…

pwd ‘/home/sergey/Py_Models_at_Work’ Распределение объема торгов по часам в течение дня неравномерно. Сначала приблизительно оценим эту неравномерность: Шаг 1. Просуммируем объем всех сделок в течение данного часа по всем торговым дням. Шаг 2. Нормируем полученные значения на общую сумму проведенных сделок. usdrub = pd.read_csv(‘./data/SiZ5.csv’,index_col=[0],usecols=[0,5], parse_dates=True) usdrub.columns = ['volume'] (usdrub.groupby(usdrub.index.hour).agg(‘sum’)/usdrub.sum()).\ plot(kind=’bar’, title=’Распределение объема сделок в течение дня’);…

import matplotlib.pyplot as plt import numpy as np import pandas as pd df = pd.DataFrame({‘icao’: ['kk','bb', 'a1', 'a1']}) df icao 0 kk 1 bb 2 a1 3 a1 pd.DataFrame(data = {‘icao’: np.unique(df.icao, return_inverse=1)[1]}) icao 0 2 1 1 2 0 3 0

import pandas as pd from functools import reduce Map in bare Python a = [1,2,3,4,5] list(map(lambda x: x**2, a)) [1, 4, 9, 16, 25] list(filter(lambda x: x >= 4, a)) [4, 5] reduce(lambda x,y: x*y, a) 120 b = range(1000) %timeit list(map(lambda x: x**2, b)) 1000 loops, best of 3: 579 µs per loop %timeit…

© 2014 In R we trust.
Top
Follow us: