python - 迭代 EOD .csv 以在每个文件中创建历史运行高点、低点

Question

我是Python新手，但随着我对Python的理解越来越深入，我爱上了它。话虽这么说，我已经设法拼凑了一个脚本，将 Quandl WIKI EOD 数据库转储到每个股票的 CSV 中。我已将其包含在下面(Python 2.7):

import pandas as pd
import Quandl

#this ignores the first symbol in tickers.txt, add a header!
symbols_list = list(pd.read_csv('tickers.txt', index_col=0).T)
print symbols_list

df = {}
for ticker in symbols_list:
    stock = str("WIKI/" + ticker + ".11")
    #print stock
    print str(ticker + ".csv")
    df[ticker] = Quandl.get(stock, authtoken="XXXXXXXXXXXXX", trim_start="2016-01-01")
    df[ticker].to_csv(str(ticker + ".csv"))

我的下一个目标是为每个股票 csv 创建历史运行高点和低点列。这将使为股票市场创建类似于 http://www.finviz.com/ 上的历史“电量计”变得容易。 。新高/新低仪表非常有用。当 2000 多只股票创下新低，而只有少数股票创下新高时，很容易判断抛售的难度有多大。

到目前为止，我已成功遍历工作文件夹中的每个 .csv 并记录每个新高/新低。我的挂断是如何将此信息作为新列输入到每个 csv 中。 EOD CSV 具有 ['Date', 'Adj. Close'] 每个标题，我是否希望添加 ['High', 'Low']。

到目前为止我的代码:

import os
import pandas as pd

csv = [f for f in os.listdir('.') if f.endswith('.csv')]
print csv
for i in csv:
    df = pd.read_csv(i, index_col=0, parse_dates=True)
    print df
    j=0
    k=0
    for i in df['Adj. Close']: #for each value in adj close
        if j==0:
            j=i
            k=i

        elif i>j:
            j=i #high

        elif i<k:
            k=i #low

        print j,k #print high & low

我真的很感谢你们的帮助!所有的代码片段和问题解答都让学习 Python 变得更加愉快。

这是到目前为止脚本的输出:

['A.csv', 'AA.csv']
            Adj. Close
Date                  
2016-01-04       40.69
2016-01-05       40.55
2016-01-06       40.73
2016-01-07       39.00
2016-01-08       38.59
2016-01-11       37.94
2016-01-12       38.19
2016-01-13       36.86
2016-01-14       37.61
2016-01-15       37.11
2016-01-19       37.20
2016-01-20       37.26
2016-01-21       37.23
2016-01-22       37.98
40.69 40.69
40.69 40.55
40.73 40.55
40.73 39.0
40.73 38.59
40.73 37.94
40.73 37.94
40.73 36.86
40.73 36.86
40.73 36.86
40.73 36.86
40.73 36.86
40.73 36.86
40.73 36.86
            Adj. Close
Date                  
2016-01-04        9.71
2016-01-05        9.27
2016-01-06        8.61
2016-01-07        8.27
2016-01-08        8.07
2016-01-11        8.00
2016-01-12        7.28
2016-01-13        7.13
2016-01-14        7.24
2016-01-15        6.90
2016-01-19        6.74
2016-01-20        6.74
2016-01-21        7.09
2016-01-22        6.87
9.71 9.71
9.71 9.27
9.71 8.61
9.71 8.27
9.71 8.07
9.71 8.0
9.71 7.28
9.71 7.13
9.71 7.13
9.71 6.9
9.71 6.74
9.71 6.74
9.71 6.74
9.71 6.74

这段代码运行得很好:

import os
import pandas as pd

csv = [f for f in os.listdir('.') if f.endswith('.csv')]
print csv
for i in csv:
    df = pd.read_csv(i, index_col=0, parse_dates=True)
    #print df
    df['High'] = pd.rolling_max(df['Adj. Close'], window=df.shape[0], min_periods=1)
    df['Low'] = pd.rolling_min(df['Adj. Close'], window=df.shape[0], min_periods=1)
    #print df

    g = os.path.normcase(os.path.join(os.path.dirname(__file__), i)) #os.getcwd()
    print 'full path =', g
    with open(g , "w") as f:
        df.to_csv(f)

现在我将了解如何创建每天新高/新低的历史列表

Answer 1

您可以使用df的长度 - shape作为rolling_min的窗口和 rolling_max :

print df
          Date  Adj. Close
0   2016-01-04        9.71
1   2016-01-05        9.27
2   2016-01-06        8.61
3   2016-01-07        8.27
4   2016-01-08        8.07
5   2016-01-11        8.00
6   2016-01-12        7.28
7   2016-01-13        7.13
8   2016-01-14        7.24
9   2016-01-15        6.90
10  2016-01-19        6.74
11  2016-01-20        6.74
12  2016-01-21        7.09
13  2016-01-22        6.87

df['high'] = pd.rolling_max(df['Adj. Close'], window=df.shape[0], min_periods=1)
df['low'] = pd.rolling_min(df['Adj. Close'], window=df.shape[0], min_periods=1)
print df
          Date  Adj. Close  high   low
0   2016-01-04        9.71  9.71  9.71
1   2016-01-05        9.27  9.71  9.27
2   2016-01-06        8.61  9.71  8.61
3   2016-01-07        8.27  9.71  8.27
4   2016-01-08        8.07  9.71  8.07
5   2016-01-11        8.00  9.71  8.00
6   2016-01-12        7.28  9.71  7.28
7   2016-01-13        7.13  9.71  7.13
8   2016-01-14        7.24  9.71  7.13
9   2016-01-15        6.90  9.71  6.90
10  2016-01-19        6.74  9.71  6.74
11  2016-01-20        6.74  9.71  6.74
12  2016-01-21        7.09  9.71  6.74
13  2016-01-22        6.87  9.71  6.74