Skip to main content
 首页 » 编程设计

用于查找百分比变化发生所需天数的 Python 函数

2024年11月24日8mate10pro

我有一个市场价格数据的 Pandas 数据框。它是以美元为单位的加密货币(以太坊)价格的平均交易价格。

我想创建一个函数,该函数将接受参数,一个百分比量。这个想法是,该函数然后将输出一个整数,其中该整数表示看到该百分比增加所花费的总天数。

Pandas 有一个名为 pct_change(periods=x) 的函数,它会告诉您特定时期内的百分比变化。我基本上是在寻找与此功能相反的功能。达到一定百分比增长需要多少天。

我们的数据框:
df

index   ts  quote   base    last_bid 
0   2015-08-07  USD ETH 3.000000 
1   2015-08-08  USD ETH 1.266663 
2   2015-08-09  USD ETH 1.266663 
3   2015-08-10  USD ETH 1.266663 
4   2015-08-11  USD ETH 1.026667 
from datetime import datetime, timedelta 
import pandas as pd 
 
for index, row in df.iterrows(): 
    ndf = df['last_bid'].pct_change(periods=index) 
    print(ndf[ndf > .5]) 

这让我每次都知道每个日期的价格上涨超过 50%。但是,我只想要每行达到 50% 的第一个数据。然后循环将继续到下一行。

理想情况下,所有这些输出都将位于具有上述相同架构的单个数据框中。有 3 个附加列。 1. 我们的百分比 yield 发生的日期。 2.实际百分比变化。 3. 我们的开始日期和结束日期之间的日期差异。

请您参考如下方法:

无法准确访问您的数据框,此代码会下载数据,将其重新格式化以使其看起来更像您的数据框,然后查找 target_percent 或更多的更改。

import csv 
 
import requests 
import pandas 
 
from datetime import datetime, timedelta 
 
url = 'https://etherscan.io/chart/etherprice?output=csv' 
 
print "Downloading CSV" 
 
r = requests.get(url) 
 
with open("data.csv", "w") as csv_handle: 
    csv_handle.write(r.text) 
 
df = pandas.read_csv("data.csv") 
 
# First reformat the etherscan data to look like the data frame in the question 
print "Reformatting data" 
df = df.drop(labels=["UnixTimeStamp"], axis=1) 
df = df.rename(columns={'Date(UTC)': 'ts', 'Value' : 'last_bid'}) 
df['ts'] = df['ts'].str.replace('/', '-') 
df['ts'].replace(to_replace='^(\d+-\d+)-(\d\d\d\d)$', value='\g<2>-\g<1>',inplace=True,regex=True) 
 
# Now process the reformatted data frame 
 
target_percent = 50 
 
found_dates    = [] 
date_diffs     = [] 
actual_changes = [] 
 
for i in range(len(df)): 
    found_date = "n/a" 
    actual_change = "n/a" 
    date_diff = "n/a" 
 
    starting_date = df["ts"][i] 
    starting_bid = df["last_bid"][i] 
 
    for j in range(i+1, len(df)): 
        if df["last_bid"][j] >= (1.0 + 0.01*target_percent) * starting_bid: 
            actual_change = "{:.1f}%".format(100.0 * (df["last_bid"][j] / starting_bid) - 100.0) 
            found_date    = df["ts"][j] 
            date_diff = str(datetime.strptime(found_date, "%Y-%m-%d") - datetime.strptime(starting_date, "%Y-%m-%d")).split(",")[0] 
            break 
 
 
    date_diffs.append(date_diff) 
    actual_changes.append(actual_change) 
    found_dates.append(found_date) 
 
df["found_date"] = found_dates 
df["actual_change"] = actual_changes 
df["date_diff"] = date_diffs 
 
print df 

前几条记录的结果很奇怪,价格为零,但之后看起来还不错:

Downloading CSV 
Reformatting data 
           ts  last_bid found_date actual_change date_diff 
1   2015-7-31      0.00   2015-8-1          nan%     1 day 
2    2015-8-1      0.00   2015-8-2          nan%     1 day 
3    2015-8-2      0.00   2015-8-3          nan%     1 day 
4    2015-8-3      0.00   2015-8-4          nan%     1 day 
5    2015-8-4      0.00   2015-8-5          nan%     1 day 
6    2015-8-5      0.00   2015-8-6          nan%     1 day 
7    2015-8-6      0.00   2015-8-7          inf%     1 day 
8    2015-8-7      2.77  2016-2-10         57.0%  187 days 
9    2015-8-8      0.81  2015-8-12         54.3%    4 days 
10   2015-8-9      0.74  2015-8-12         68.9%    3 days 
11  2015-8-10      0.68  2015-8-11         55.9%     1 day 
12  2015-8-11      1.06  2015-8-13         67.9%    2 days 
13  2015-8-12      1.25  2016-1-23         62.4%  164 days 
14  2015-8-13      1.78   2016-2-7         68.5%  178 days 
15  2015-8-14      1.79   2016-2-7         67.6%  177 days 
16  2015-8-15      1.79   2016-2-7         67.6%  176 days 
17  2015-8-16      1.37  2016-1-24         53.3%  161 days