DataFrame

column这里的copy参数的实际作用不理解。

import pandas as pd
data = {'col1':[1,2,3],'col2':[1,2,3]}
#index设置的是行标签，而column设置的是列标签
dataf0 = pd.DataFrame(data=data,index=['col1','col2','col3'],columns=['col1','col2'])
print(dataf0.info())
print('------')
#这里只会返回dataf0中的index
print(dataf0.index)
#这里只会返回dataf0中的columns
print(dataf0.index)
print(dataf0)

这里就搭配索引相关的来给出实例，同时再引入一个工具库tushare，这个工具可以获取一些指定股票的信息。为了节约时间，我将使用tushare获取一只股票的信息，导出为一个csv文件，直接使用文件来操作，避免每次获取的耗时。
maotai.csv
这是获取方式：

import tushare as ts
#获取茅台的股票信息
data = ts.get_k_data(code='600519',start='1900-01-01')
print(data)
#生成csv文件
data.to_csv('D:\maotai.csv')

shift，resample
实例1：

import pandas as pd
df = pd.read_csv('D:\maotai.csv')
#获取指定的行数，head是正序，tail是倒序。
print(df.head(1))
print(df.tail(1))
#获取单个值，这个函数在什么场景会被频繁使用呢？最好不要是需要大量循环遍历的，那样就用的麻烦了。
print(df.at[0,'date'])
print(df.iat[0,1])
#获取一列，不知道为什么不能使用columns来获取一列，只能指定index来获取，这里需要注意，使用set_index后的column也不能使用。
#除了获取列外，这个函数还能处理只有布尔值的列，返回为True的列。
#这里返回的是一个布尔数组
print( (df['close'] - df['open']) / df['open'] > 0.03 )
print(df.loc[ ( df['close'] - df['open']) / df['open'] > 0.03 ]['date'])
#items()返回俩个元素来迭代dataframe中的columns，及其元素。将之拆分成单个的Series.
#可以单个columns的获取，当想单个处理columns是会比较方便，当然与直接使用df[]相比较的话，也需要看使用场景了
for i,n in df.items():
    print(f'i:{i}')
    print(f'n:{n}',sep='\n')
for i,n in df.items():
    if i == 'date':
        print(f'i: {i}')
        print(f'n:{n}')
#iterrows,itertuples都是将row迭代出来，只是格式有些不一样。
print(next(df.iterrows())[1])
for i in df.iterrows():
    print(i)
for i in df.itertuples():
    print(i)
#获取dataframe的columns在一个列表中，可以用迭代的方式来获取列名。
print(df.keys())
columns = df.keys()
for i in columns:
    print(i)

思考一个问题，对于数据类型的有效转换，比如时间。

import pandas as pd
df = pd.read_csv('D:\maotai.csv')
#这里有两种方式可以转换时间类型，不过需要将转换后的值再次赋值给'date'，否则无法真正转换类型
df['date'] = df['date'].astype('datetime64')
print(df.info())
df['date'] = pd.to_datetime(df['date'])
print(df.info())

import pandas as pd
import tushare as ts
import matplotlib.pyplot as plt
'''
绘制若干日的曲线图
data = ts.get_k_data('000001',start ='1900-01-01')
print(data)
data.to_csv('D:\pingan.csv')
'''
df = pd.read_csv('D:\pingan.csv')
print(df.head(10))
df.drop(labels = 'Unnamed: 0', axis=1,inplace=True)
print(df.head(10))
print(df.info())
df['date'] = pd.to_datetime(df['date'])
df.set_index('date',inplace=True)
print('------------------------')
#?
df['close'].rolling(5)
ma5 = df['close'].rolling(5).mean()
ma30 = df['close'].rolling(30).mean()
print(ma5)
#金叉，死叉?
plt.plot(ma5[50:300],label='ma5',c='red')
plt.plot(ma30[50:300],label='ma30',c='blue')
#去除nan值
ma5 = ma5[30:]
ma30 = ma30[30:]
s1 = ma5 < ma30
s2 = ma5 >= ma30
s1 & s2.shift(1)
df.loc[s1&s2.shift(1)]
plt.show()