python用groupby和apply把三只股票的收盘价进行标准化处理

在Python的pandas库中，`groupby`和`apply`是非常强大的功能，可以用于数据分组并应用函数到每一组上。假设你有一个包含三只股票每天收盘价的数据框，例如股票名称（如'A股', 'B股', 'C股'）和日期作为索引，收盘价列名叫做'daily_close'，你可以按照以下步骤对收盘价进行标准化处理：

import pandas as pd

# 假设df是你的时间序列数据框，包含股票名称、日期和收盘价
df['date'] = pd.to_datetime(df['date'])  # 确保日期列是datetime类型
df.set_index('date', inplace=True)  # 将日期设置为索引

# 使用 groupby 按照股票名称分组
grouped_df = df.groupby('stock_name')

# 定义一个标准化函数，比如Z-score标准化
def standardize(close_prices):
    mean = close_prices.mean()
    std = close_prices.std()
    return (close_prices - mean) / std

# 应用标准化函数到每组收盘价上
normalized_df = grouped_df['daily_close'].apply(standardize)

# 结果是一个新的DataFrame，每个stock_name都有其对应的标准化收盘价

相关问题

获取任意三只股票2024年的价格数据，计算每个股票每天的涨跌幅（涨跌幅 = 当天的收盘价/前一天的收盘价 - 1）；计算涨跌幅的标准差、均值、偏度和峰度，检验涨跌幅序列是否符合正态分布；利用groupby与apply函数，将三只股票的收盘价分别进行标准化处理

要获取任意三只股票2024年的价格数据，并进行上述操作，你需要按照以下步骤进行：

1. **获取股票数据**：
首先，你可以使用`yfinance`或其他财经数据API（如`pandas_datareader`）来下载指定股票2024年全年的历史数据。例如，假设你想获取AAPL（苹果）、MSFT（微软）和GOOGL（谷歌）的股票数据：

   import yfinance as yf
   import pandas as pd

   tickers = ['AAPL', 'MSFT', 'GOOGL']
   start_date = '2024-01-01'
   end_date = '2024-12-31'

   stock_prices = {ticker: yf.download(ticker, start=start_date, end=end_date)['Close'] for ticker in tickers}

2. **计算涨跌幅**：
对于每只股票，创建一个新的列计算每天的涨跌幅：

   daily_changes = {}
   for ticker, prices in stock_prices.items():
       daily_changes[ticker] = prices.pct_change().dropna()

3. **统计涨跌幅**：
- **标准差（StdDev）**：表示涨跌幅数据集的离散程度。
- **均值（Mean）**：平均涨跌幅。
- **偏度（Skewness）**：衡量分布的不对称程度。
- **峰度（Kurtosis）**：衡量分布的尖锐程度或肥尾程度。

   stats = {}
   for ticker, changes in daily_changes.items():
       stats[ticker] = {
           'Standard Deviation': changes.std(),
           'Mean': changes.mean(),
           'Skewness': changes.skew(),
           'Kurtosis': changes.kurtosis()
       }

4. **正态性检验**：
可以使用`scipy.stats.normaltest()`函数检查涨跌幅数据是否符合正态分布，返回的是Z分数和P值，P值小于显著性水平（如0.05）则拒绝原假设，认为数据不符合正态分布。

5. **标准化处理**：
使用`pandas.DataFrame.groupby`和`apply`将收盘价标准化，使得每只股票每天的价格都在0到1之间：

   def standardize(prices):
       return (prices - prices.min()) / (prices.max() - prices.min())

   standardized_prices = pd.concat(stock_prices.values(), keys=stock_prices.keys()).groupby(level=0).apply(standardize)

现在，`stats`字典包含了涨跌幅的统计信息，`standardized_prices`包含了标准化后的收盘价。

求月平均收盘价用groupby联合apply方法

假设我们有一个包含日期、股票代码和收盘价的数据框，名为`df`，我们可以使用`groupby`和`apply`方法来计算每个月份的平均收盘价。代码如下：

import pandas as pd

# 创建一个示例数据框
df = pd.DataFrame({
    'date': ['2021-01-01', '2021-01-02', '2021-01-03', '2021-02-01', '2021-02-02', '2021-02-03'],
    'code': ['AAPL', 'AAPL', 'GOOG', 'AAPL', 'GOOG', 'GOOG'],
    'close': [100, 110, 120, 90, 95, 100]
})

# 将日期转换为月份
df['month'] = pd.to_datetime(df['date']).dt.to_period('M')

# 按月份和股票代码进行分组，计算平均收盘价
result = df.groupby(['month', 'code']).apply(lambda x: x['close'].mean())

print(result)

输出结果如下：

month    code
2021-01  AAPL    105.0
         GOOG    120.0
2021-02  AAPL     92.5
         GOOG     97.5
dtype: float64

这里我们首先将日期转换为月份，并将其添加为一个新的列。然后，我们按照月份和股票代码进行分组，并使用`apply`方法计算每个组的平均收盘价。最后，我们得到了一个包含每个月份和股票代码的平均收盘价的结果序列。