如何在熊猫数据框列中找到趋势变化答案

【问题标题】：How can I find the change in trend in pandas dataframe column如何在熊猫数据框列中找到趋势变化
【发布时间】：2020-08-08 10:49:47
【问题描述】：

                             open   high    low     close   volume  openclose
date                        
2020-08-04 09:15:00+05:30   227.00  229.00  226.40  226.70  157982  -0.30
2020-08-04 09:20:00+05:30   226.55  226.80  222.40  223.15  253212  -3.40
2020-08-04 09:25:00+05:30   223.00  223.15  220.15  220.15  236819  -2.85
2020-08-04 09:30:00+05:30   220.15  220.60  217.55  219.90  628153  -0.25
2020-08-04 09:35:00+05:30   219.70  221.80  218.90  221.60  260912  1.90

所以openclose列有下降趋势，突然有上升趋势，如何判断是否有一系列下降趋势和趋势变化。

任何线索或帮助都会有所帮助。提前致谢

【问题讨论】：

如果您要确定趋势的增加或减少，最好在图表中可视化数据。
@TanmayaMeher - 我正在尝试用这个进行算法交易。这就是原因。感谢您抽出时间回复。

标签： python pandas stock

【解决方案1】：

您要确定derivative (dy / dx) 并查看它是负数还是正数。如果它是积极的，则意味着存在积极的趋势：

derivative = df['openclose'].diff() / df.index.to_series().diff().dt.total_seconds()
df['trend'] = derivative.gt(0).map({False: -1, True: 1})

                             open    high     low   close  volume  openclose  trend
date                                                                               
2020-08-04 09:15:00+05:30  227.00  229.00  226.40  226.70  157982      -0.30     -1
2020-08-04 09:20:00+05:30  226.55  226.80  222.40  223.15  253212      -3.40     -1
2020-08-04 09:25:00+05:30  223.00  223.15  220.15  220.15  236819      -2.85      1
2020-08-04 09:30:00+05:30  220.15  220.60  217.55  219.90  628153      -0.25      1
2020-08-04 09:35:00+05:30  219.70  221.80  218.90  221.60  260912       1.90      1

【讨论】：

【解决方案2】：

一切都取决于您的模型

一种方法

df['chg'] = df['openclose'] -df['openclose'].shift(1)
df['chg']>0

0    False
1    False
2     True
3     True
4     True

其他：

可以跨越一些移动平均线
可以检测异常值
可以在负数减少时保留
可以使用statisticslike z-score方法
可以有Time Series analysis（趋势相关）
可以有 technical analysis 等等。
可以有适当的财务建模方法

【讨论】：

【解决方案3】：

您可以使用极值点。找到局部最大值和最小值。

idx_是极值点所在的索引。
类型，0 为最小值。 1 是最大值。
close 是位于极值点时的价格。

def get_max_min(df, smoothing=4, window_range=10):
    smooth_df = df['close'].rolling(window=smoothing).mean().dropna()
    local_max = argrelextrema(smooth_df.values, np.greater)[0]
    local_min = argrelextrema(smooth_df.values, np.less)[0]
    price_local_max_dt = []
    for i in local_max:
        if (i > window_range) and (i < len(df) - window_range):
            price_local_max_dt.append(df.iloc[i - window_range:i + window_range]['close'].idxmax())
    price_local_min_dt = []
    for i in local_min:
        if (i > window_range) and (i < len(df) - window_range):
            price_local_min_dt.append(df.iloc[i - window_range:i + window_range]['close'].idxmin())
    maxima = pd.DataFrame(df.loc[price_local_max_dt])
    minima = pd.DataFrame(df.loc[price_local_min_dt])

    max_min = pd.concat([maxima, minima]).sort_index()
    max_min.index.name = 'idx_'
    max_min = max_min.reset_index()
    max_min = max_min[~max_min.idx_.duplicated()]
    max_min = max_min.reset_index(drop=True)

    maxima.index.name = 'idx_'
    maxx = maxima.reset_index()
    maxx = maxx[~maxx.idx_.duplicated()]
    maxx = maxx.assign(type=[1]*len(maxx))
    maxx = maxx[['idx_', 'type', 'close']]

    minima.index.name = 'idx_'
    minn = minima.reset_index()
    minn = minn[~minn.idx_.duplicated()]
    minn = minn.assign(type=[0]*len(minn))
    minn = minn[['idx_', 'type', 'close']]

    resminMax = pd.concat([minn, maxx]).sort_values('idx_')
    resminMax = resminMax.reset_index(drop=True)
    return resminMax

【讨论】：