23 Jul 2024

如何使用 Python 将日线行情转换为周线

引言部分

在数据分析中，周期转换是一个常见的需求，尤其是在处理时间序列数据时。Python 提供了一个非常强大的工具 —— resample 函数，用于轻松地对时间序列数据进行重新采样。比如，将日线数据转换为周线数据，或者将分钟线数据转换为小时线数据。

今天，我们将详细介绍如何使用 Python 的 pandas 库中的 resample 函数，将日线数据转换为周线数据，并展示如何处理一些常见的数据问题。

基础知识和思路部分

时间序列数据：

时间序列数据是指按时间顺序排列的数据，常用于表示价格波动、气温变化等。在金融市场中，蜡烛图是非常常见的时间序列数据。每根蜡烛图通常代表一个特定时间段（如一分钟、一天、一周）的价格数据。

要将一个较短周期的时间序列（如日线数据）转换为较长周期的时间序列（如周线数据），我们需要使用周期转换的方法。

resample 函数的基本概念：

在 pandas 中，resample 函数是用来重新采样时间序列数据的强大工具。它可以将时间序列数据从一个时间频率转换为另一个时间频率。例如，使用 resample('W') 可以将日线数据转换为周线数据，使用 resample('M') 可以将日线数据转换为月线数据。

resample 函数的基本语法如下：

1
df.resample('时间频率').聚合函数()

时间频率：指定目标频率，如 'D'（日）、'W'（周）、'M'（月）、'H'（小时）等。
聚合函数：指定如何对数据进行聚合（例如：first、last、mean、sum、max、min等）。

使用 `resample` 函数进行周期转换

接下来，我们将使用 pandas 的 resample 函数将日线数据转换为周线数据。我们以南华期货指数的数据为例，展示如何使用 resample 完成这一任务。

代码实现：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import tushare as ts
import pandas as pd

# 获取数据
pro = ts.pro_api()
df = pro.index_daily("C.NH")

# 将日期列转换为日期时间类型
df['trade_date'] = pd.to_datetime(df['trade_date'])

# 按日期排序
df.sort_values(by='trade_date', inplace=True)

# 设置日期列为索引
df.set_index('trade_date', inplace=True)

# 将日线数据转换为周线数据
weekly_data = df.resample('W').agg({
    'open': 'first',  # 每周的开盘价取该周第一个交易日的开盘价
    'high': 'max',    # 每周的最高价取该周内所有交易日的最高价
    'low': 'min',     # 每周的最低价取该周内所有交易日的最低价
    'close': 'last'   # 每周的收盘价取该周最后一个交易日的收盘价
})

print(weekly_data)

`resample` 函数的常见用法

在实际使用中，resample 函数支持很多灵活的用法。我们将展示一些常见的使用案例，帮助你更好地掌握 resample 的使用技巧。

1. 将日线数据转换为周线数据

这是最基础的操作，用来将较短周期的数据转换为较长周期的数据。例如，将日线数据转换为周线数据时，我们通过以下步骤来计算每周的开盘价、最高价、最低价和收盘价：

1
2
3
4
5
6
weekly_data = df.resample('W').agg({
    'open': 'first',
    'high': 'max',
    'low': 'min',
    'close': 'last'
})

2. 将日线数据转换为月线数据

如果你想将日线数据转换为月线数据，只需要将 'W' 修改为 'M'，就可以得到每个月的开盘价、最高价、最低价和收盘价：

1
2
3
4
5
6
monthly_data = df.resample('M').agg({
    'open': 'first',
    'high': 'max',
    'low': 'min',
    'close': 'last'
})

3. 按小时聚合数据

如果你有分钟线数据，想将其聚合为小时线数据，可以使用 resample('H') 来实现：

1
2
3
4
5
6
hourly_data = df.resample('H').agg({
    'open': 'first',
    'high': 'max',
    'low': 'min',
    'close': 'last'
})

4. 对数据进行其他聚合操作

除了基本的 first、last、max、min 等聚合函数外，resample 还支持其他一些常见的聚合操作：

mean：计算时间段内的平均值。
sum：计算时间段内的总和。
ohlc：用于金融数据，返回开盘价、最高价、最低价和收盘价。

例如，计算每月的平均价格：

1
monthly_avg_data = df.resample('M').mean()

处理缺失数据

在使用 resample 时，有时会遇到一些缺失的数据。比如，某些周没有交易数据，可能会导致某些周的数据缺失。我们可以通过 dropna() 删除这些缺失的数据，或者使用 fillna() 填充缺失值。

1
2
3
4
5
# 删除缺失数据
weekly_data.dropna(inplace=True)

# 或者填充缺失数据
# weekly_data.fillna(method='ffill', inplace=True)  # 向前填充

结论部分

通过 pandas 的 resample 函数，我们可以非常方便地对时间序列数据进行周期转换。这不仅能帮助我们更清晰地观察不同时间尺度上的市场趋势，还能为进一步的数据分析提供更高效的支持。

希望这篇文章能帮助你更好地理解 resample 函数的使用，并在实际工作中能够灵活应用。如果你对 Python 数据分析感兴趣，继续深入学习 pandas 和其他数据处理工具，会让你在数据分析的道路上更加得心应手。

总结

在这篇文章中，我们详细讲解了如何通过 Python 的 resample 函数将日线数据转换为周线数据，并展示了 resample 的常见使用方法。通过灵活应用 resample，你可以轻松地处理不同周期的数据，帮助你更好地分析时间序列数据。

本文来源于 POLOXUE's BLOG，地址：如何使用 Python 将日线行情转换为周线

欢迎关注我的公众号：

POLOXUE's BLOG