Manim图形编程实践教程：HelloWorld.py

版权申诉
manim
0 下载量 68 浏览量 更新于2024-11-25 收藏 2KB ZIP 举报
资源摘要信息:"manim是一个用于创建数学动画的Python库。它可以帮助用户通过编程来创建几何图形，动画等。manim有几个内置的图形，例如圆、三角形、正方形等等，用户可以通过调用相应的函数来创建这些图形。此外，manim还提供了一系列的动画效果，可以用于图形的平移、旋转、缩放等操作。它被广泛用于数学和科学的教学和研究领域，帮助人们更直观的理解抽象的概念。" manim库中的图形函数主要包括以下几种： 1. Circle：创建一个圆形，可以指定圆的半径和位置。 2. Square：创建一个正方形，可以指定边长和位置。 3. Polygon：创建一个多边形，可以指定顶点的坐标。 4. Line：创建一条直线，可以指定起点和终点。 5. Arc：创建一个弧形，可以指定弧度、半径和位置。 在创建图形后，我们可以通过manim提供的动画效果来对图形进行操作。manim库中的动画效果主要包括以下几种： 1. Transform：将一个图形转换成另一个图形。 2. MoveToTarget：将一个图形移动到指定的目标位置。 3. FadeOut：使一个图形逐渐消失。 4. FadeIn：使一个图形逐渐出现。 5. Rotate：使一个图形绕着指定的轴旋转。 以上就是manim库中图形和动画效果的主要知识点。通过学习和练习，我们可以掌握如何使用manim库来创建数学动画。这对于理解和解释数学概念是非常有帮助的。

manim_projects

149 浏览量
目录 配置坐标轴 间隔为2的坐标轴刻度值 原点非0的刻度值 小数刻度值 函数曲线 ParametricFunction类 FunctionGraph类 GraphScene的相关函数 放大镜头 移动镜头 部分相关函数 放大镜头 移动镜头 部分相关函数 配置 局部放大镜头 跟踪镜头 部分相关函数 多镜头显示 文字上色 字体对齐 自定义字体 上色 一般用法 dt参数 ValueTracker 配置 部分相关函数 前言 本着先采坑再寻求解决方法的原则，我算是把做视频以来常见的坑踩了个遍。有些方法是借鉴别的up的，有的是自己摸索的，水平有限，仅供参考。 非常感谢下面这些up： 鹤翔万里 cigar666 pdcxs 有一种悲伤叫颓废 其中manim幼儿园是上面几个up一起创建的小社区，仓库地址：manim_sandbox 视频地址 视频内容 文件地址 视频链接 阿基米德割圆法 7_pi BV1zT

manim_sandbox：manim-幼儿园的公共资源库

336 浏览量
manim_sandbox是由的成员所管理维护的一个代码仓库，目的在于汇总各成员提供的代码和模块。 运行该项目中的代码需配置好才能运行。部分代码所用的manim版本可能在的的基础上略有删改。 其中一些素材和地址等由于某些文件的移动路径可能有些不对，需要修改才能运行。由于编程水平有限，加上对Grant的代码理解有限，代码有时会出现不太好的实现方式，敬请谅解。 关于成员 此外，的成员都是up主，项目中的大量代码可能会用到相关的视频中。 以下是部分成员的主页链接和GitHub中的相关manim项目链接： manim-幼儿园的项目成员也利用manim合作制作了许多非常amazing的视频以及非常有用的manim教程，目前已有多期视频在投稿： 视频列表 关于manim的学习和交流 我们有一个manim交流群（QQ群：862671480），欢迎大家加入交流。对于manim学习中可能遇到的问题，可参考，

Python-Manim用于解释数学视频的动画引擎

1281 浏览量
Manim用于解释数学视频的动画引擎

将以下的代码增加波动率因子参数import numpy as np def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal

2023-06-10 上传
elif (close_current ) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif (...

import numpy as np def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal把代码按照上条回复修改

2023-06-10 上传
if (close_current > upper) and (close_previous ) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close...

setup_seed(args.seed) start_time = time.time() print("Loading data...") vocab, train_data, dev_data, test_data = build_dataset(config, args.word) # load 加载数据集 vali_acc_list, test_acc_list = [], [] vali_pre_ma_list, test_pre_ma_list = [], [] vali_rec_ma_list, test_rec_ma_list = [], [] vali_F1_ma_list, test_F1_ma_list = [], []

136 浏览量
6. `vali_pre_ma_list, test_pre_ma_list = [], []`: 这行代码定义了两个空列表 `vali_pre_ma_list` 和 `test_pre_ma_list`，用于存储验证集平均精确率和测试集平均精确率的值。 7. `vali_rec_ma_list, test_rec_ma...

def trading_strategy(df, para): """ 根据给定的参数，计算交易信号 :param df: pandas.DataFrame, 包含股票价格数据的DataFrame :param para: list, 交易策略的参数，包括： - n: 取平均线和标准差的参数 - m: 标准差的倍数 - ma_n: MA指标的参数 - volatility_factor: 波动率因子，可以根据实际情况调整 :return: int, 交易信号，1表示买入，-1表示卖出，0表示持有 """ n = int(para[0]) m = para[1] ma_n = int(para[2]) volatility_factor = para[3] # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 计算LLT指标 llt = np.zeros(ma_n) llt[0] = close[-1] alpha = 2 / (ma_n + 1) for i in range(1, ma_n): llt[i] = alpha * close[-i-1] + (1 - alpha) * llt[i-1] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and \ (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current < llt[-1]: signal = 0 else: signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and \ (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做空信号 if close_current > llt[-1]: signal = 0 else: signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal将以上代码的参数生成斐波那契数列的函数

153 浏览量
(close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current [-1]: signal = 0 else: signal = 1 # 做空...

def trading_strategy(df, para): """ 根据给定的参数，计算交易信号 :param df: pandas.DataFrame, 包含股票价格数据的DataFrame :param para: list, 交易策略的参数 :return: int, 交易信号，1表示买入，-1表示卖出，0表示持有 """ # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = int(para[2]) # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 计算LLT指标 llt = np.zeros(ma_n) llt[0] = close[-1] alpha = 2 / (ma_n + 1) for i in range(1, ma_n): llt[i] = alpha * close[-i-1] + (1 - alpha) * llt[i-1] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and \ (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current < llt[-1]: signal = 0 else: signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and \ (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做空信号 if close_current > llt[-1]: signal = 0 else: signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal将这段代码加入名为'trading_strategy_para_list'的属性或函数

176 浏览量
(close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current [-1]: signal = 0 else: signal = 1 # ...

DBMS_OUTPUT.PUT_LINE('Name: ' || Ma_first_name || ' ' || Ma_last_name);是什么意思

143 浏览量
- 'Name: ' || Ma_first_name || ' ' || Ma_last_name 是一个字符串拼接操作，将 Ma_first_name 和 Ma_last_name 中间加上一个空格，形成完整的姓名字符串。 - 该 SQL 语句的作用是输出一个人的姓名，格式为 "Name: ...

import numpy as np from hyperopt import hp def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 计算LLT指标 alpha = 2 / (ma_n + 1) llt = 0 for i in range(ma_n): llt += alpha * (close[-i-1] - llt) # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current < llt: signal = 0 else: signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做空信号 if close_current > llt: signal = 0 else: signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal # 定义参数范围 space = [ hp.quniform('n', 10, 50, 1), hp.uniform('m', 1, 3), hp.quniform('ma_n', 5, 30, 1), ]这段代码还有优化的地方吗

115 浏览量
ma_values = df['close'].rolling(ma_n).mean().values ``` 这样可以使得代码更加简洁，同时也能提高计算效率。 5. 在使用hyperopt库进行参数优化时，可以增加参数空间的范围，例如： ```python space = [ ...