- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我试图用 Python 重现 MatLab 代码,但遇到了 MatLab 矩阵。 MatLab 中的代码块如下:
for i = 1:Np
y = returns(:,i);
sgn = modified_sign(y);
X = [ones(Tp,1) sgn.*log(prices(:,i).*volumes(:,i))];
我很难在没有得到“数据必须是一维错误”的情况下创建“X”。下面是我的尝试之一,许多人试图重现这部分代码:
lam = np.empty([Tp,Np]) * np.nan
for i in range(0,Np):
y=returns.iloc[:,i]
sgn = modified_sign(y)
#X = np.array([[np.ones([Tp,1]),np.multiply(np.multiply(sgn,np.log(prices.iloc[:,i])),volumes.iloc[:,i])]])
X = np.concatenate([np.ones([Tp,1]),np.column_stack(np.array([sgn*np.log(prices.iloc[:,i])*volumes[:,i]]))],axis=1)
Tp和Np是价格序列的长度和宽度
crsp['PRC'].to_frame().shape = (9455,1)
Tp, Np = crsp['PRC'].to_frame().shape
Tr 和 Nr 是 yield 序列的长度和宽度
crsp['RET'].to_frame().shape = (9455,1)
Tr, Nr = crsp['RET'].to_frame().shape
Tv和Nv是体积系列的长和宽
crsp['VOL'].to_frame().shape = (9455,1)
Tv, Nv = crsp['VOL'].to_frame().shape
个数数组:
np.ones([Tp,1])
将是 (9455,1)
样本体积数据:
DATE VOLAVG
1979-12-04 8880.9912591051
1979-12-05 8867.545284586622
1979-12-06 8872.264687564875
1979-12-07 8876.922134551494
1979-12-10 8688.765365448506
1979-12-11 8695.279567657451
1979-12-12 8688.865033222592
1979-12-13 8684.095435684647
1979-12-14 8684.534550736667
1979-12-17 8879.694444444445
样本价格数据
DATE AVGPRC
1979-12-04 25.723484200567693
1979-12-05 25.839463450495863
1979-12-06 26.001899852224145
1979-12-07 25.917628864251874
1979-12-10 26.501898917349788
1979-12-11 26.448652367425804
1979-12-12 26.475906537182407
1979-12-13 26.519610746585908
1979-12-14 26.788873713159944
1979-12-17 26.38583047822484
样本返回数据
DATE RET
1979-12-04 0.008092780873338423
1979-12-05 0.004498557619416754
1979-12-06 0.006266692192175238
1979-12-07 -0.0032462182943131523
1979-12-10 0.022292999386413825
1979-12-11 -0.002011180868938034
1979-12-12 0.001029925340138238
1979-12-13 0.0016493553247958206
1979-12-14 0.010102153877941776
1979-12-17 -0.015159499602784175
我最终想要实现的是一个 (9455,2) 数组,其中 X.iloc[:,0]=1 和 X.iloc[:,2]=log(price)*volume 每行。
我引用了 MatLab to Numpy 在线文档 (https://docs.scipy.org/doc/numpy-dev/user/numpy-for-matlab-users.html) 并查看了其他各种 StackOverflow 帖子,但均无济于事。
对于上下文,modified_sign 是一个外部函数,prices 是一个 DataFrame 切片,returns 也是。 Np 是价格 DataFrame 的宽度(想想 df.shape[1]),Tp 是 df.shape[0]。这实质上是创建一列 1s 和 log(price)*volume 用于每个系列返回的回归,其中每个 df 是 (TxN),其中 T 是日期,N 是证券。如果您能提供任何指导,我们将不胜感激。
最佳答案
问题是 numpy 可以有一维数组(向量)而 MATLAB 不能。因此,当您创建 np.ones([Tp,1])
数组时,它会创建一个二维数组,其中一维的大小为 1。在 MATLAB 中,这被视为“向量”,但在 numpy 中不是。
所以你需要做的是给 np.ones
一个单一的值。这将产生一个向量(不像在 MATLAB 中它将产生一个二维方阵)。相同的规则适用于 np.zeros
和任何其他将维度作为输入的函数。
所以这应该可行:
X = np.column_stack([np.ones(Tp), sgn*np.log(prices.iloc[:,1])*volumes.iloc[:,1]])
也就是说,通过这种方式,您将失去使用 pandas 的大部分优势。使用日期作为索引将 DataFrame 组合成一个,然后使用计算创建一个新列会好得多。假设日期是索引,这样的事情应该有效(如果日期是索引使用 set_index
使它们成为索引):
data = pd.concat([returns, prices, volumes], axis=1)
data['sign'] = modified_sign(data['ret')
data['X0'] = 1
data['X1'] = data['sign']*np.log(data['AVGPRC'])*data['VOLAVG']
当然你会用更多的信息名称替换 X0
和 X1
,我不确定你是否需要 X0
使用这种方法,但这会让您更容易使用数据结构。
此外,如果您的日期是字符串,您应该将它们转换为 pandas 日期。它们比字符串更好用。
关于python - Numpy 数组,数据必须是一维的,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45112856/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!