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
