本文整理汇总了Python中Base.Base.get_val_rank方法的典型用法代码示例。如果您正苦于以下问题：Python Base.get_val_rank方法的具体用法？Python Base.get_val_rank怎么用？Python Base.get_val_rank使用的例子？那么恭喜您, 这里精选的方法代码示例或许可以为您提供帮助。您也可以进一步了解该方法所在类Base.Base的用法示例。
在下文中一共展示了Base.get_val_rank方法的1个代码示例，这些例子默认根据受欢迎程度排序。您可以为喜欢或者感觉有用的代码点赞，您的评价将有助于系统推荐出更棒的Python代码示例。
示例1: StockDataStat
# 需要导入模块: from Base import Base [as 别名]
# 或者: from Base.Base import get_val_rank [as 别名]
class StockDataStat(object):
def __init__(self,token=settings.token):
self.token=settings.token
self.ba=Base()
# self.proc=StockDataProc()
#对某些列进行计算后作为新的列加入df
def _df_calcadd(self,df,colnams,new_colid,calc_op,calc_op_para={}):
new_cols=calc_op(df[colnams],**calc_op_para)
new_colnams=[n+new_colid for n in colnams]
df[new_colnams]=new_cols
return df
def calc_cumsum(self,df,axis=0):
return df.cumsum(axis=axis)
def proc_df_addcumsum(self,df,colnams):
new_colid='cum'
calc_op=self.calc_cumsum
return self._df_calcadd(df,colnams,new_colid,calc_op)
def _calc_outliers_std(self,data,n=3,ismask=False):
m,s=(np.mean(data),np.std(data))
down,up=(m-n*s,m+n*s)
if ismask:
return np.logical_or(data<=down, data>=up)
else:
return data[np.logical_or(data<=down, data>=up)]
def _calc_outliers_q(self,data,n=1.5,ismask=False):
q31=np.percentile(data,[75])-np.percentile(data,[25])
m=np.median(data)
down,up=(m-n*q31,m+n*q31)
if ismask:
return np.logical_or(data<=down, data>=up)
else:
return data[np.logical_or(data<=down, data>=up)]
def calc_outliers(self,data,isnorm=True,ismask=False):
data=np.array(data)
data = data[~np.isnan(data)]
if isnorm:
return self._calc_outliers_std(data,ismask=ismask)
else:
return self._calc_outliers_q(data,ismask=ismask)
#按行或列计算df每列/行的变化率
#计算方向是第一行/列比第二行的变化率，因此计算后最后一行数据会是空值
#输入：
#df--所有的值必须为nmumeric
#axis--0，按照行的方向（vertical）计算变化率，1，按照列的方向（hori）计算变化率
#drop_last--是否去掉最后一个空值的行/列，True去掉
#返回：
#变化率版本的df，如果df中有不为numeric的值，返回原df
def proc_df_pct(self,df,axis=0,drop_last=True,periods=1):
para=0.5*periods/abs(periods)
try:
df_perchange=df.pct_change(periods=periods,axis=axis)
except TypeError:
print '仅支持df中所有值全部为numeric格式'
return df
if drop_last:
if axis==1:
df_perchange=df_perchange.drop(df_perchange.columns[para-0.5],axis=axis)
else:
df_perchange=df_perchange.drop(df_perchange.index[para-0.5],axis=axis)
return df_perchange
def calc_valrank(self,vals,basedf):
ranks=[]
for v,i in zip(vals,basedf):
if v:
ranks=ranks+self.ba.get_val_rank(v,basedf[i])
else:
ranks=ranks+None
return ranks
def contrade_stat(self,df):
size=df.shape[0]
vol_total=df['volume'].mean()
amt_total=df['amount'].mean()
pchan_median=df['p_change'].median()
pchan_mean=df['p_change'].mean()
pchan_mad=df['p_change'].mad()
#outlier分析
#行业内outlier，和行业median比较
outlier_mask=self.calc_outliers(df['p_change'],isnorm=False,ismask=True)
if sum(outlier_mask)>0:
pchan_outl=df.dropna().ix[outlier_mask]
outliers=pchan_outl['p_change']
#--outlier对于行业内差异的影响度：
#------股票偏离median的值 除以 行业内所有股票偏离median的总和，再将所有outlier的占比相加
#.........这里部分代码省略.........