مقایسه روند دو سهم اپل و مایکروسافت در بورس NASDAQ

در این مثال با استفاده از کتابخانه pandas_datareader اطلاعات مربوط به سهام دو شرکت اپل و مایکروسافت دریافت شده و نمودار روند آن ترسیم شده است.
#پایتون_مالی
#pandas_datareader

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug
پایتون برای مالی در بله
https://ble.im/python

پرکردن نقایص داده ها (interpolate)
یکی از مشکلاتی که در کار با سری های زمانی و دیتافریم ها داریم، داده های ناقص است. برای مثال یک سهم ممکن است در زمان های خاصی بسته باشد یا داده های یک متغیر در زمان های خاصی در دسترس نباشد. این موارد باعث به هم خوردن محاسبات و بعضا error های حین برنامه می شود. پانداس برای مدیریت کردن داده های خالی یا اصطلاحا NaN روش های متنوعی را ارائه می دهد. یکی از این روش ها پر کردن داده ها بر اساس داده های قبلی و بعدی است. به این معنا که پانداس داده های قبلی و بعدی را در نظر می گیرد و جای خالی را با میانگین آنها پر می کند. این کار در هموار سازی داده ها بسیار تاثیر گذار است. در تصویر این پست، نمونه ای این روش با استفاده از تابع interpolate در پانداس نشان داده شده است.

#پانداس
#سری_زمانی
#پایتون_مالی
#داده
#interpolate
#pandas


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

کار با مقادیر از دست رفته در پایتون، ماژول Pandas- بخش پنجم (پایانی)

در پست های قبل در خصوص داده های از دست رفته صحبت کردیم. پانداس امکانات بسیار خوبی را برای کار با توابع از دست رفته در اختیار قرار می دهد.
معمولا یا داده های از دست رفته را حذف می کنیم (dropna) یا آنها را با یک مقدار ثابت جابجا می کنیم (replace و fillna) یا آنها را با نزدیک ترین مقدار قبلی یا بعدی پر می کنیم (fillna). البته می توانیم با استفاده از توابع شرطی تصمیم خاصی روی آنها بگیریم (notnull و isnull)
در تصویر این پست، نحوه عملکرد برخی توابع کار با داده های از دست رفته نشان داده شده است.

#پانداس
#pandas
#fillna
#bfill
#ffill

پایتون برای مالی در تلگرام https://t.iss.one/python4finance
پایتون برای مالی در بله https://ble.im/python4finance