让我们仔细看看它的架构,BiTCN的体系结构由许多临时块组成,其中每个块由: 一个扩张卷积,一个GELU激活函数,然后是dropout ,最后紧接着一个全连接的层 上图中可以看到每个时态块产生一个输出o...,最终的预测是将每个块的所有输出叠加在N层中得到的。...BiTCN完整架构 现在我们了解了BiTCN中临时块的内部工作原理,让我们看看它是如何在模型中组合在一起的。 在上图中可以看到滞后值在通过密集层和时间块堆栈之前与所有过去的协变量组合在一起。...我们还看到分类协变量首先被嵌入,然后再与其他协变量组合。这里过去和未来的协变量都组合在一起,如下所示。输出则是来自滞后值和协变量的信息的组合,如下所示。...train = df[:-28] test = df[-28:] 然后,我们创建一个DataFrame,其中包含预测范围的日期,以及外生变量的未来值。
前言 在本文中,以每日加密货币价格时间序列为例,以选择其中一个加密货币,通过巧妙地合并,我们将创建一个可存储的(例如HDF5,CSV文件格式)和可重用的N-CryptoAsset投资组合的文件。...520 找个好人 Python中的 N-Cryptocurrency组合 考虑任何资产的单一(每日抽样)收盘价时间序列。 它有开始和结束日期。...插值也是一个坏主意。 一个好的是根据选择的日期/时间间隔进行过滤,或强制所有的时间序列在同一天开始,数据可用于所有三个货币。...相关性基于PCA 相关矩阵: PC loadings (columns, k=1,…,21): 现在,构建一个涵盖PCA的最后两个PC组件(PC-20和PC-21)中每个隐式货币的相对权重的二重曲线,...通过阈值,采用导出距离的平均值加上一个标准偏差。 接下来,检查每个货币的数量为1号,2号,3号或4号,保存为一个列表中的元组。
连接是将来自两个或多个 Pandas 对象的数据组合到一个新对象中的过程。...首先,堆叠和解除堆叠总是将级别移动到另一个索引的最后级别。 请注意,who级别现在是行索引的最后一个级别,但它较早开始作为第一个级别。...介绍了拆分应用组合模式,并概述了如何在 Pandas 中实现这种模式。 然后,我们学习了如何基于列和索引级别中的数据将数据分为几组。 然后,我们研究了如何使用聚合函数和转换来处理每个组中的数据。...转换频率时,将创建一个新的Series对象和一个新的DatatimeIndex对象。...新Series对象的DatetimeIndex从原始文件的第一个Timestamp开始,并以给定的频率运行,直到原始文件的最后Timestamp。 然后将值与新的Series对齐。
您使用pandas.concat()函数通过垂直连接dt和df_new来创建一个新的DataFrame。这意味着将创建一个新的DataFrame,其中df_new的行附加在df的行下面。...尝试完此配方后,通过登录经纪人网站检查您的经纪人账户;您会发现一个订单已经被放置在那里。您可以将订单 ID 与本配方中显示的最后一个代码片段中返回的订单 ID 匹配。...在尝试了此配方后,通过登录经纪人的网站,您可以在您的经纪账户中找到已下达的订单。您可以将订单 ID 与本配方中显示的最后一个代码片段中返回的订单 ID 进行匹配。...你可以将订单 ID 与此示例中最后显示的代码片段返回的订单 ID 进行匹配。 准备工作 确保在你的 Python 命名空间中可用 broker_connection 对象。...您可以将订单 ID 与此配方中显示的最后一个代码片段返回的订单 ID 进行匹配。 准备工作 确保 broker_connection 对象在您的 Python 命名空间中可用。
每个列都需要一个np.dtype,它描述了数据集的加载器应该生成的数据类型。整数列还必须提供一个“缺失值”,用于在给定的资产/日期组合中没有可用值时使用。...基线(pandas.DataFrame) – 具有 DatetimeIndex 类型索引和 Int64Index 类型列的 DataFrame。日期应标记为算法可获得值的第一个日期。...用于将拆分、股息和其他调整数据应用于读取器提供的原始数据。 最后可用会话 (pd.Timestamp, 可选) – 会话级数据中可用的最后一个会话。...最后可用分钟 (pd.Timestamp, 可选) – 分钟级数据中可用的最后一分钟。...滑点模型负责模拟中订单成交的比率和价格。 要实现一个新的滑点模型,创建一个SlippageModel的子类并实现process_order()。
DatetimeIndex 对象,一周中的每个日期都是 Timestamp 的一个实例。...所以我们可以使用所有适用于 Timestamp 对象的方法和属性 创建时间序列数据框 首先,让我们通过从 CSV 文件中读取数据来创建一个 DataFrame,该文件包含与连续 34 天每小时记录的 50...pandas to_datetime() 方法将存储在 DataFrame 列中的日期/时间值转换为 DateTime 对象。将日期/时间值作为 DateTime 对象使操作它们变得更加容易。...DataFrame,其中 datetime 列的数据类型是 DateTime 对象 下面让我们对 datetime 列应用一些基本方法 首先,让我们看看如何在 DataFrame 中返回最早和最晚的日期...我们还可以通过链接 groupby() 和 resample() 方法来查看每个服务器 ID 的相同结果。以下语句返回每个服务器每月的最大 CPU 利用率和可用内存。
最后通过聚类方法,将产品进行聚类分类,并通过词云图和主成分分析各个类别聚类分离效果。 下篇(本篇)将继续对客户订单数据进行处理,将包括客户细分和客户行为分析与预测。...数据预处理 在上篇中,将不同的产品分组为五个簇群。接下来主要分析客户分类,接下来的第一步是将产品分组信息引入数据集。此处创建了分类变量categ_product来表示每个产品的集群。...因此,创建了一个新的数据表,其中包含每个订单的购物车价格,以及它在5类产品中分布的方式。...为了进一步细分客户,了解每个集群中客户的习惯。因此在表'selected_customers'中添加一个变量来定义每个客户端所属的集群。...最后,可以将前面中给出的不同分类器的结果进行组合,以改进分类模型。
在金融界最受欢迎的编程语言中,你会看到R和Python,与C++,C#和Java这些语言并列。在本教程中,你将开始学习如何在金融场景下运用Python。...您可以在aapl DataFrame中创建一个新的叫做diff的列存储结果,然后使用del再次删除它。...取而代之的是,你将在下面看到如何开始创建一个可以生产订单并管理损益的投资组合: 首先,你将创建一个initial_capital 变量来设置初始资本值和新的DataFrame positions。...接下来,你在DataFrame中创建了一个名为AAPL的新列。在信号为1的时候,短移动平均线跨越长移动平均线(大于最短移动平均窗口),你将购买100股。...接下来,你创建一个DataFrame来储存仓位(股票数量)的差异 然后真正的回溯测试开始:你创建了一个名为holdings的新列到portfolio DataFrame里。
最后,作为DataFrame准备的最后一步,通过“计数”将数据分组——我们在处理Plotly之后会回到这个问题上。...在使用px之前,我们将px对象分配给了fig(如上所示),然后使用fig.show()显示了fig。现在,我们不想创建一个包含一系列数据的图形,而是要创建一个空白画布,以后再添加到其中。...在前面的小节中,我们逐步介绍了将整个可视化整合在一起所需的一些部件和部件,但是还有一些缺失的部分。...读取和分组数据 在下面的代码块中,一个示例CSV表被加载到一个Pandas数据框架中,列作为类型和日期。类似地,与前面一样,我们将date列转换为datetime。...这一次,请注意我们如何在groupby方法中包含types列,然后将types指定为要计数的列。 在一个列中,用分类聚合计数将dataframe分组。
第一个问题,推荐使用DAX Studio,轻松导出十万、百万条记录; 第二个问题,没有现成的工具可以直接解决,但是结合本系列第二篇的内容,我们是否可以想到如何用Python将powerquery中的表输出为...这就是我们今天要学习的内容: ? 我们在第二讲中说过: Python的处理结果以Dataframe形式输出,M将Dataframe自动转换为Table格式。...M将其Table类型的数据传递给Python,Python会自动将Table转换为Dataframe。那么Python中Dataframe如何输出呢?...Python的一个常用库:pymysql,将dataset中的数据按行导入MySQL中。...这个问题先一放,我们来看另一个问题: 每个国家的每日数据我们只保留一次,即便powerquery每次刷新只向MySQL数据库写入一次,但我们也不能保证编写模型的时候只刷新一次吧,因为一旦人工刷新多次,造成的结果和上面被动造成的结果一致
SQL语句提供了很多种JOINS 的类型: 内连接 外连接 全连接 自连接 交叉连接 在本文将重点介绍自连接和交叉连接以及如何在 Pandas DataFrame 中进行操作。...自连接 顾名思义,自连接是将 DataFrame 连接到自己的连接。也就是说连接的左边和右边都是同一个DataFrame 。自连接通常用于查询分层数据集或比较同一 DataFrame 中的行。...要获取员工向谁汇报的姓名,可以使用自连接查询表。 我们首先将创建一个新的名为 df_managers的 DataFrame,然后join自己。...df_manager2 的输出与 df_manager 相同。 交叉连接 交叉连接也是一种连接类型,可以生成两个或多个表中行的笛卡尔积。它将第一个表中的行与第二个表中的每一行组合在一起。...下表说明了将表 df1 连接到另一个表 df2 时交叉连接的结果。 示例 2:创建产品的库存 此示例的目标是获取服装店的库存,可以通过任意的SKU(这里是颜色)获得组合。
函数将根据给定的数据集索引或列组合两个数据集。...indicator=True参数,将创建_merge列。在上面的结果中,可以看到两个值都表明该行来自DataFrame和left_only的交集,其中该行来自第一个DataFrame(左侧)。...我们可以把外连接看作是同时进行的左连接和右连接。 最后就是交叉连接,将合并两个DataFrame之间的每个数据行。 让我们用下面的代码尝试交叉连接。...merge_ordered是为有序数据(如时间序列)开发的。所以我们创建另一个名为Delivery的数据集来模拟时间序列数据合并。...order_date', right_on = 'delivery_date', right_by = 'product') 在上面的代码中将product列传递给right_by参数,这样product列中的每个值都映射到每个可用行
②在会员数据库中,以今天为时间界限向前推固定周期(例如1年),得到包含每个会员的会员ID、订单时间、订单金额的原始数据集。一个会员可能会产生多条订单记录。 ③ 数据预计算。...1]来过滤出包含订单金额>1的记录数,然后替换原来sheet_datas中的dataframe 最后一行代码的目的是在每个年份的数据中新增一列max_year_date,通过each_data['提交日期...汇总所有数据 汇总所有数据: 将4年的数据使用pd.concat方法合并为一个完整的dataframe data_merge,后续的所有计算都能基于同一个dataframe进行,而不用写循环代码段对每个年份的数据单独计算...F和M的规则是值越大,等级越高 而R的规则是值越小,等级越高,因此labels的规则与F和M相反 在labels指定时需要注意,4个区间的结果是划分为3份 将3列作为字符串组合为新的分组 代码中,先针对...3列使用astype方法将数值型转换为字符串型 然后使用pandas的字符串处理库str中的cat方法做字符串合并,该方法可以将右侧的数据合并到左侧 再连续使用两个str.cat方法得到总的R、F、M字符串组合
Fama French 因子的导入和整理 我们的首要任务是获取 FF 数据,幸运的是,FF 在互联网上提供了他们的因子数据。我们将记录导入和清理这些数据的每个步骤。...数据被打包为 zip 文件,所以需要做的不仅仅是调用 read_csv()。使用tempfile() 基础 R 中的 函数来创建一个名为 temp. 这是我们将放置压缩文件的地方。...但是,请注意 FF 使用当月的第一天,而我们的投资组合收益使用的是当月的最后一天。这会将每月日期回滚到上个月的最后一天。我们 FF 数据中的第一个日期是“1990-07-01”。让我们回滚。...最后,我们只想要与我们的投资组合数据一致的 FF 因子数据,因此我们 在投资组合返回对象中 按 日期first() 和 last()日期filter()。...还将FF数据转换为十进制,并创建了一个名为R\_excess的新列,保存高于无风险利率的收益。
入门 对于我们的数据分析,我们将会使用一些软件包来简化操作:CSV,DataFrame,日期和可视化。只需输入软件包名称,即可开始使用。...第四个也是最后一个步骤是将CSV文件读入一个名为“df”的DataFrame中。...然后我们对每组(即每个国家)的所有日期列应用一个求和函数,因此我们需要排除第一列“国家/地区”。最后,我们将结果合并到一个df中。...在一个图中绘制多个国家的时间序列非常简单。首先创建基本块,并为每个国家添加一层。...在我们的最后一个图中,我们将绘制美国每天的新病例。要做到这一点,我们必须计算连续天数之间的差值。因此,对于时间序列的第一天,这个值将不可用。
Series 序列是表示 DataFrame 的一列的数据结构。使用序列类似于引用电子表格的列。 4. Index 每个 DataFrame 和 Series 都有一个索引,它们是数据行上的标签。...在 Pandas 中,您使用特殊方法从/向 Excel 文件读取和写入。 让我们首先基于上面示例中的数据框,创建一个新的 Excel 文件。 tips.to_excel("....在 Pandas 中,您需要更多地考虑控制 DataFrame 的显示方式。 默认情况下,pandas 会截断大型 DataFrame 的输出以显示第一行和最后一行。...日期功能 本节将提到“日期”,但时间戳的处理方式类似。 我们可以将日期功能分为两部分:解析和输出。在Excel电子表格中,日期值通常会自动解析,但如果您需要,还有一个 DATEVALUE 函数。...在 Pandas 中,您通常希望在使用日期进行计算时将日期保留为日期时间对象。输出部分日期(例如年份)是通过电子表格中的日期函数和 Pandas 中的日期时间属性完成的。
第三步是将第二步中各个步骤对应的代码进行组合,组合成一个完整的代码。 第四步是对第三步完整代码得出来的报表结果进行验证,看结果是否正确。... = df[df['收货日期'] == date]['order_id'].count() return_cnt = df[df['退款日期'] == date]['order_id'].count...from openpyxl.utils.dataframe import dataframe_to_rows #创建空工作簿 wb = Workbook() ws = wb.active #将DataFrame...当日各省份创建订单量情况: 我们同样先利用Pandas库处理得到当日各省份创建订单量情况,具体实现代码如下: df_province = pd.DataFrame(df[df['创建日期'] == '2021...将图表保存到本地 plt.savefig(r'D:\Data-Science\share\excel-python报表自动化\4.2 - 4.11 创建订单量分日趋势.png') 将保存到本地的图表插入到
- 当日各项指标同环比情况 - 当日各省份创建订单量情况 - 最近一段时间创建订单量趋势 4.将不同的结果进行合并 - 将不同结果合并到同一个Sheet中 - 将不同结果合并到同一个工作簿的不同...第三步是将第二步中各个步骤对应的代码进行组合,组合成一个完整的代码。 第四步是对第三步完整代码得出来的报表结果进行验证,看结果是否正确。...= df[df['收货日期'] == date]['order_id'].count() return_cnt = df[df['退款日期'] == date]['order_id'].count...当日各省份创建订单量情况: 我们同样先利用Pandas库处理得到当日各省份创建订单量情况,具体实现代码如下: df_province = pd.DataFrame(df[df['创建日期'] == '2021...将图表保存到本地 plt.savefig(r'D:\Data-Science\share\excel-python报表自动化\4.2 - 4.11 创建订单量分日趋势.png') 将保存到本地的图表插入到
pd.concat()将每个贷款的分期信息合并成一个dataframe。 结果: esproc ? python ? ?...如果date_list中的日期数量大于1了,生成一个数组(判断数据中每个日期是否在该段时间段内,在为True,否则为False)。...3.字段分段 题目介绍:库表data有两个字段,ID和ANOMOALIES,数据如下: ? 我们的目的是将ANOMOALIES字段按空格拆分为多个字符串,每个字符串和原ID字段形成新的记录。...初始化一个空list,用于存放每个ANOMALIES字段拆分以后的dataframe 循环字典 将value的第一个元素按照空格切分,形成一个列表anomalies 根据这个列表长度复制key的值,形成数组...A.run(x),针对序列/排列A中每个成员计算表达式x。T.record(A,k) 从T中指定位置k的记录开始,用A的成员依次修改T序表中记录的每个字段值,k省略时从最后一条开始增加记录。
领取专属 10元无门槛券
手把手带您无忧上云