python group操作

1, df.groupby(‘列名‘).size 计算每个group的size

2, .get_group(‘行名‘) 取

3， .describe()

4, df.groupby(‘symbol’).head()

5, .tail()/.first()/.last()/.nth(n)取前几行数据

前面集中都是将groupby对象，也就是symbol设置为index, 如果不想设置symbol为index,则按照下面方式

df.groupby(‘symbol’,as_index = False).nth(2)

取groupby以后，可以取一部分变量就行计算

把相同symbol的行取出来，这些行对应不同的时间，将这些行的close列做平均，得出close在这段时间内的均值。同理对于volume.

应用场景：所有的symbol在一个表里，我们需要知道同一个symbol在某一列的均值。

df.groupby(‘symbol’)[‘close‘, ‘volume‘].mean()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].max()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].min()

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

More from KeepLearning

保

KeepLearning

Feb 21

保温杯中性

只做大币种和指数的合约（远离妖币，资金容量大）长周期持仓（可以手动交易）策略原理清晰可理解，追求稳定性，长期性中性/保温杯中性，是量化策略之王，永远有生命力的策略。中性策略收益有波动，不能保证稳赚，但是长期收益不会差。未来方向： 1.适当扩展选币池子，可以手工增加你觉得不错的币。现在只有5个。 2.成交量前30%的币中做中性 3.增加多空数量不平衡的设置，降低回测。中性最怕妖币。在现阶段不用加，因为都是大币种和指数。不存在暴涨的情况。 4.将现货加入多头的币池。 5.将某个板块的币，比如gaMefi,小市值30%的币，作为一个指数。自己构建指数。 6.增加基本面数据。最近一段时间消耗的gas费等

常

KeepLearning

Jan 23

常见问题

会一直更新： 1，360freewifi无法启动成功驱动问题，安装360freeap_whole_setup_5.3.0.5020.exe 2，微信聊天记录无法迁移需要在手机设置里把微信的本地网络开关打开。

中

KeepLearning

Oct 29

中性策略概述

20221030 D:\天翼云盘下载\coin\part3\b圈量化课程高清版(文件较大,建议网速快的同学下载)\ 3.3.01 中性策略概述.mp4 观后感：刑不行2022年新加的课程。 1，皮尔逊选股策略，有个柱状图，特别规律，从前0-10%，10%-20%，直至90%-100%收益一直递减。这样就很好的说明了这个策略的有效性非常高。需要深入研究一下这个策略。 2，中性策略在股票圈做多股票，做空股指，因为没法做空个股。但是在币圈，做空的对象换成打分在90%-100%这些币种，做多的是打分最高的10%币种。如何做空股指？ 3，对冲基金用的就是这种中性策略。选股策略是策略之王。最容易出成果。 4，alpha指的是选股策略收益，beta是大盘收益。对冲基金都是alpha - beta。 5，币圈现在由于有合约的存在，且bn上已经有100多种的币种可以同时做多做空，这就为在币圈用中性创造了条件，币种越多可以取得的alpha越多。 6，刑不行不太看好未来的中国的beta。 7，刑不行根据历史行情，预测还有一波下跌。打算把这个皮尔逊策略和中性策略实盘起来。

1, df.groupby(‘列名‘).size 计算每个group的size

2, .get_group(‘行名‘) 取

3， .describe()

4, df.groupby(‘symbol’).head()

5, .tail()/.first()/.last()/.nth(n)取前几行数据

前面集中都是将groupby对象，也就是symbol设置为index, 如果不想设置symbol为index,则按照下面方式

df.groupby(‘symbol’,as_index = False).nth(2)

取groupby以后，可以取一部分变量就行计算

把相同symbol的行取出来，这些行对应不同的时间，将这些行的close列做平均，得出close在这段时间内的均值。同理对于volume.

应用场景：所有的symbol在一个表里，我们需要知道同一个symbol在某一列的均值。

df.groupby(‘symbol’)[‘close‘, ‘volume‘].mean()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].max()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].min()

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

python group操作

1, df.groupby(‘列名‘).size 计算每个group的size

2, .get_group(‘行名‘) 取

3， .describe()

4, df.groupby(‘symbol’).head()

5, .tail()/.first()/.last()/.nth(n)取前几行数据

前面集中都是将groupby对象，也就是symbol设置为index, 如果不想设置symbol为index,则按照下面方式

df.groupby(‘symbol’,as_index = False).nth(2)

取groupby以后，可以取一部分变量就行计算

把相同symbol的行取出来，这些行对应不同的时间，将这些行的close列做平均，得出close在这段时间内的均值。同理对于volume.

应用场景：所有的symbol在一个表里，我们需要知道同一个symbol在某一列的均值。

df.groupby(‘symbol’)[‘close‘, ‘volume‘].mean()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].max()

df.groupby(‘symbol’)[‘close‘, ‘volume‘].min()

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

More from KeepLearning

保温杯中性

常见问题

中性策略概述

Subscribe to KeepLearning

<100 subscribers

Subscribe to KeepLearning

<100 subscribers

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

More from KeepLearning

More from KeepLearning

No activity yet

python group操作

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

More from KeepLearning

KeepLearning

计算每个group的加总

print(df.groupby('symbol')['volume'].sum())

计算该数据在每个group中的排名

print(df.groupby('candle_begin_time')['volume'].rank())

print(df.groupby('candle_begin_time')['volume'].rank(pct=True))

也可以同时用多个变量来进行group，将这些变量的值都相同的行

df['candle_begin_time'] = pd.to_datetime(df['candle_begin_time'])

df.loc[df['candle_begin_time'].dt.hour < 12, '时间'] = '上午'

df['时间'].fillna(value='下午', inplace=True)

print(df.groupby(['symbol', '时间']).size())

我们之前讲过的resample、fillna、apply等常见操作，在group里面都可以进行。

这些操作需要大家有一定的积累，若直接在group上进行这些操作不熟练，可以使用已下的方式。

遍历group，对每个group进行单独操作，然后将这些group合并起来。

语法：for key, group in df.groupby('列名'):

for symbol, group in df.groupby('symbol'):

print(symbol)

print(group)

# 以下可以对各个group进行任意操作。

# group.fillna()

# group.apply()

# 操作完之后，将这些group再append起来

在一开始不熟练的时候，可以多用遍历每个group的方式

No activity yet

More from KeepLearning

No activity yet

No activity yet