使用循环生成数据帧

问题描述 投票：0回答：1

我正在做一些投资组合分析，并试图使用股票代码列表来获得一个工作函数来提取股票数据。这是我的清单：

Ticker_List={'Tickers':['SPY', 'AAPL', 'TSLA', 'AMZN', 'BRK.B', 'DAL', 'EURN', 'AMD', 
     'NVDA', 'SPG', 'DIS', 'SBUX', 'MMP', 'USFD', 'CHEF', 'SYY', 
     'GOOGL', 'MSFT']}

我正在像这样通过此函数传递列表：

Port=kit.d(Ticker_List)

def d(Ticker_List):
x=[]
for i in Ticker_List['Tickers']:
    x.append(Closing_price_alltime(i))
return x

def Closing_price_alltime(Ticker):
    Closedf=td_client.get_price_history(Ticker, period_type='year', period=20, frequency_type='daily', frequency=1)
    return Closedf

哪个从TDAmeritrade提取数据并给我回信：

[{'candles': [{'open': 147.46875,'high': 148.21875,
               'low': 146.875,'close': 147.125,
               'volume': 6998100,'datetime': 960181200000},
              {'open': 146.625,'high': 147.78125,
               'low': 145.90625,'close': 146.46875,
               'volume': 4858900,'datetime': 960267600000},
               ...],
  'symbol': 'MSFT',
  'empty': False}]`

（这只是示例）

最后，我要清理：

Port=pd.DataFrame(Port)
Port=pd.DataFrame.drop(Port, columns='empty')`

哪个提供了DataFrame：

    candles                                                        symbol
0   [{'open': 147.46875, 'high': 148.21875, 'low': 146.875, 'close': 147.125, 'volume': 6998100, 'datetime': 960181200000}, {'open': 146.625, 'high': ...}  SPY
1   [{'open': 3.33259, 'high': 3.401786, 'low': 3.203126, 'close': 3.261161, 'volume': 80917200, 'datetime': 960181200000}, {'open': 3.284599, 'high':...}  AAPL

如何从每一行的嵌套词典中获取收盘价并将其设置为列，同时将股票代码（当前在其自己的列中）作为收盘价列的标题。还有如何从每个嵌套字典中提取日期时间并将其设置为索引。

EDIT：更多信息

构建这个DataFrame的原始方法是：

SPY_close=kit.Closing_price_alltime('SPY')
AAPL_close=kit.Closing_price_alltime('AAPL')
TSLA_close=kit.Closing_price_alltime('TSLA')
AMZN_close=kit.Closing_price_alltime('AMZN')
BRKB_close=kit.Closing_price_alltime('BRK.B')
DAL_close=kit.Closing_price_alltime('DAL')
EURN_close=kit.Closing_price_alltime('EURN')
AMD_close=kit.Closing_price_alltime('AMD')
NVDA_close=kit.Closing_price_alltime('NVDA')
SPG_close=kit.Closing_price_alltime('SPG')
DIS_close=kit.Closing_price_alltime('DIS')
SBUX_close=kit.Closing_price_alltime('SBUX')
MMP_close=kit.Closing_price_alltime('MMP')
USFD_close=kit.Closing_price_alltime('USFD')
CHEF_close=kit.Closing_price_alltime('CHEF')
SYY_close=kit.Closing_price_alltime('SYY')
GOOGL_close=kit.Closing_price_alltime('GOOGL')
MSFT_close=kit.Closing_price_alltime('MSFT')

def Closing_price_alltime(Ticker):
    """
    Gets Closing Price for Past 20 Years w/ Daily Intervals
    and Formats it to correct Date and single 'Closing Price'
    column.
    """
    Raw_close=td_client.get_price_history(Ticker, 
    period_type='year', period=20, frequency_type='daily', frequency=1)
    #Closedf = pd.DataFrame(Raw_close['candles']).set_index('datetime')
    #Closedf=pd.DataFrame.drop(Closedf, columns=['open', 'high', 
                                                'low', 'volume'])
    #Closedf.index = pd.to_datetime(Closedf.index, unit='ms')
    #Closedf.index.names=['Date']
    #Closedf.columns=[f'{Ticker} Close']
    #Closedf=Closedf.dropna()
    return Closedf

    SPY_pct=kit.pct_change(SPY_close)
    AAPL_pct=kit.pct_change(AAPL_close)
    TSLA_pct=kit.pct_change(TSLA_close)
    AMZN_pct=kit.pct_change(AMZN_close)
    BRKB_pct=kit.pct_change(BRKB_close)
    DAL_pct=kit.pct_change(DAL_close)
    EURN_pct=kit.pct_change(EURN_close)
    AMD_pct=kit.pct_change(AMD_close)
    NVDA_pct=kit.pct_change(NVDA_close)
    SPG_pct=kit.pct_change(SPG_close)
    DIS_pct=kit.pct_change(DIS_close)
    SBUX_pct=kit.pct_change(SBUX_close)
    MMP_pct=kit.pct_change(MMP_close)
    USFD_pct=kit.pct_change(USFD_close)
    CHEF_pct=kit.pct_change(CHEF_close)
    SYY_pct=kit.pct_change(SYY_close)
    GOOGL_pct=kit.pct_change(GOOGL_close)
    MSFT_pct=kit.pct_change(MSFT_close)
def pct_change(Ticker_ClosingValues):
    """
    Takes Closing Values and Finds Percent Change.
    Closing Value Column must be named 'Closing Price'.
    """
    return_pct=Ticker_ClosingValues.pct_change()
    return_pct=return_pct.dropna()
    return return_pct

   Portfolio_hist_rets=[SPY_pct, AAPL_pct, TSLA_pct, AMZN_pct, 
                         BRKB_pct, DAL_pct, EURN_pct, AMD_pct, 
                         NVDA_pct, SPG_pct, DIS_pct, SBUX_pct, 
                         MMP_pct, USFD_pct, CHEF_pct, SYY_pct, 
                         GOOGL_pct, MSFT_pct]

确切返回了我想要的东西：

             SPY Close  AAPL Close  TSLA Close  AMZN Close  BRK.B Close
Date                    
2000-06-06 05:00:00 -0.004460   0.017111    NaN -0.072248   -0.002060
2000-06-07 05:00:00 0.006934    0.039704    NaN 0.024722    0.013416
2000-06-08 05:00:00 -0.003920   -0.018123   NaN 0.001206    -0.004073

[此方法显然比仅使用for循环从代码列表中创建DataFrame的效率要低得多。

简而言之，我问新代码（在编辑上方）可以进行哪些更改，以达到与旧代码（在编辑下方）（格式正确并标记为DataFrame）相同的最终结果。

python pandas dataframe dictionary finance
1个回答
0
投票

Closing_price_alltime返回值：

d = [{'candles': [{'open': 147.46875,'high': 148.21875,
               'low': 146.875,'close': 147.125,
               'volume': 6998100,'datetime': 960181200000},
              {'open': 146.625,'high': 147.78125,
               'low': 145.90625,'close': 146.46875,
               'volume': 4858900,'datetime': 960267600000}
              ],
      'symbol': 'MSFT',
      'empty': False}]

您可以这样提取符号，日期时间和结束时间。

import operator
import pandas as pd

data = operator.itemgetter('datetime','close')

symbol = d[0]['symbol']
candles = d[0]['candles']
dt, closing = zip(*map(data, candles))

s = pd.Series(data=closing,index=dt,name=symbol)
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.