设计运动品牌网站,苏州信网网站建设技术有限公司,百度一下网页版,什么网站做旅行计划2-3 合并输入特征 首先定义了数据预处理函数#xff0c;将连续 n 天的 K 线数据#xff08;如开盘价、收盘价、成交量等#xff09;合并为一行特征#xff0c;同时保留对应的目标标签#xff08;buy 列#xff0c;表示是否应该买入#xff09;#xff1b;然后读取股票代…2-3 合并输入特征 首先定义了数据预处理函数将连续 n 天的 K 线数据如开盘价、收盘价、成交量等合并为一行特征同时保留对应的目标标签buy 列表示是否应该买入然后读取股票代码列表对每只股票的数据进行检查如果尚未预处理则读取扩展数据筛选出 2017 年底前的数据并调用预处理函数将多日数据合并为单行特征最后保存预处理后的文件。这种处理方式将时间序列数据转换为适合机器学习模型输入的格式便于后续进行训练和预测。为了应用时序上的信息将前10日的指标数据合并到当日作为输入特征。 程序的核心功能是将股票的时序数据转换为适合机器学习模型输入的格式通过滑动窗口方法构建特征矩阵。具体来说程序将前 N 天的多项技术指标合并为一行特征向量并将当日的交易信号作为目标值为后续的预测模型提供数据准备。
功能总结
数据预处理删除日期和目标值列保留技术指标作为特征时序特征构建使用滑动窗口长度为 FEATURE_N将历史数据转换为特征向量目标值对齐将当日的buy信号作为对应特征向量的预测目标批量处理对所有符合条件的股票执行相同的预处理操作
# -*- coding: utf-8 -*-Created on Thu Jun 5 09:20:50 2025
为了应用时序上的信息将前10日的指标数据合并到当日作为输入特征
author: Administrator
import numpy as np # 导入数值计算库
import pandas as pd # 导入数据处理库
import os # 导入操作系统接口库# 使用前FEATURE_N的K线数据作为输入特征
FEATURE_N 10 # 定义时间窗口大小即使用前10天的数据构建特征# 预处理将n行数据作为输入特征
def data_preprocessing(df, stk_code, n):df df.copy() # 创建数据副本避免修改原始数据# 删除无效数据列保留特征数据ft_df df.drop(columns[date, buy]) # 移除日期和目标值列保留技术指标# 返回值out_df pd.DataFrame() # 初始化输出DataFrame# 生成新特征数据for i in range(n, df.shape[0]): # 从第n行开始遍历确保有足够的历史数据# 取n行数据part_df ft_df.iloc[i - n : i] # 获取当前行前n天的技术指标数据# 将n行合并为一行new_ft_df pd.DataFrame(part_df.values.reshape(1, -1)) # 将n行数据展平为一行# 添加到输出DataFrameout_df out_df.append(new_ft_df)# 添加目标值当日的buy信号out_df[target] df.iloc[n:df.shape[0]][buy].values # 将当日的交易信号作为预测目标# 重置索引并保存out_df out_df.reset_index(dropTrue) # 重置索引out_df.to_csv(./baostock/data_pre/{}.csv.format(stk_code), indexFalse) # 保存处理后的数据return out_df # 返回处理后的DataFrame# 主程序批量处理所有股票
stk_code_file ./stk_data/dp_stock_list.csv # 定义股票代码文件路径
stk_list pd.read_csv(stk_code_file)[code].tolist() # 读取股票代码列表for stk_code in stk_list: # 遍历所有股票# 判断是否已经经过预处理文件是否存在data_file ./baostock/data_pre/{}.csv.format(stk_code) # 定义预处理后的数据文件路径if not os.path.exists(data_file): # 检查文件是否已存在print(processing {} ....format(stk_code)) # 打印正在处理的股票代码# 读取数据并限制时间范围df pd.read_csv(./baostock/data_ext/{}.csv.format(stk_code)) # 读取扩展后的股票数据df df[df[date] 2017-12-31] # 仅保留2017年底前的数据# 执行数据预处理df data_preprocessing(df, stk_code, FEATURE_N) # 调用预处理函数
