矩阵保存成csv python python将矩阵写入csv

转载

技术极客 2023-08-05 22:48:09

文章标签 矩阵保存成csv python 数据 CSV 最小值 文章分类 Python 后端开发

1、读写文件

# coding=utf-8
import numpy as np

#单位矩阵，即主对角线上的元素均为1，其余元素均为0的正方形矩阵。
#在NumPy中可以用 eye 函数创建一个这样的二维数组，我们只需要给定一个参数，用于指定矩阵中1的元素个数。
i = np.eye(2)
print(i)

# 使用 savetxt 函数将数据存储到文件中，当然我们需要指定文件名以及要保存的数组。
np.savetxt('eye.txt',i)

2、CSV文件

CSV（Comma-Separated Value，逗号分隔值）格式是一种常见的文件格式。

通常，数据库的转存文件就是CSV格式的，文件中的各个字段对应于数据库表中的列。

众所周知，电子表格软件（如Microsoft Excel）可以处理CSV文件。

NumPy中的 loadtxt 函数可以方便地读取CSV文件，自动切分字段，并将数据载入NumPy数组。

数据准备：

我们以载入苹果公司的历史股价数据为例展开叙述。
股价数据存储在CSV文件中
第一列为股票代码以标识股票（苹果公司股票代码为AAPL ）
第二列为dd-mm-yyyy格式的日期
第三列为空
随后各列依次是开盘价、最高价、最低价和收盘价
最后一列为当日的成交量。
下面为一行数据：
AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

数据读入：

从现在开始，我们只关注股票的收盘价和成交量。在上面的示例数据中，收盘价为 336.1 ，成交量为 21144800 。我们将收盘价和成交量分别载入到两个数组中。

# coding=utf-8
import numpy as np

'''
delimiter:指定了文件中的分隔符为英文逗号,因为是csv文件，所以用逗号分割
usecols：指定了我们感兴趣的数据列
unpack：设置为 True 使得不同列的数据分开存储，以便随后使用
'''
# loadtxt 函数读取了一个包含股价数据的CSV文件
c,v = np.loadtxt("E://data//data.csv",delimiter=',',usecols=(6,7),unpack=True)
print(c)
print(v)

输出：

336.1
21144800.0

成交量加权平均价格（VWAP）

VWAP（Volume-Weighted Average Price，成交量加权平均价格）是一个非常重要的经济学量，它代表着金融资产的“平均”价格。某个价格的成交量越高，该价格所占的权重就越大。VWAP就是以成交量为权重计算出来的加权平均值，常用于算法交易。

计算成交量加权平均价格

'''
delimiter:指定了文件中的分隔符为英文逗号,因为是csv文件，所以用逗号分割
usecols：指定了我们感兴趣的数据列
unpack：设置为 True 使得不同列的数据分开存储，以便随后使用
'''
# loadtxt 函数读取了一个包含股价数据的CSV文件
c,v = np.loadtxt("E://biyesheji//data//data.csv",delimiter=',',usecols=(6,7),unpack=True)
print(c)
print(v)

#计算VWAP成交量加权平均价格
#调用了 average 函数，并将 v 作为权重参数使用，就完成了VWAP的计算
vwap = np.average(c,weights = v)
print("VWAP = :",vwap)

输出：

336.1
21144800.0
VWAP = : 336.1

计算平均值：mean函数

#算术平均值函数
a = np.arange(9)
print("mean = :",np.mean(a))

输出：

mean = : 4.0

取值范围（最大值和最小值以及之间的差值）

#计算最大值和最小值
print("highest = :",np.max(a))
print("lowest = :",np.min(a))

# ptp 函数可以计算数组的取值范围,该函数返回的是数组元素的最大值和最小值之间的差值
print("最大值和最小值的差值： ",np.ptp(a))

输出：

highest = : 8
lowest = : 0
最大值和最小值的差值： 8

统计分析：股票交易者对于收盘价的预测很感兴趣。

识告诉我们，这个价格应该接近于某种均值。算数平均值和加权平均值都是在数值分布中寻找中心点的方法。

然而，它们对于异常值（outlier）既不鲁棒也不敏感。

我们可以用一些阈值来除去异常值，但其实有更好的方法，那就是中位数。

b = np.array([1,5,2,3,7,8,6])
#获得中位数
print("中位数为： ",np.median(b))
#对数组进行排序
sorted_close = np.msort(b)
print("sorted = ",sorted_close)
#获得方差,方差能够体现变量变化的程度,方差还可以告诉我们投资风险的大小。那些股价变动过于剧烈的股票一定会给持有者制造麻烦
print("方差为： ",np.var(b))

结果为：