notebook.community

Edit and run

Домашнее задание: 1) Загрузить из сети с РАЗЛИЧНЫХ сайтов годовые данные за 2016 год: пару rub/usd & стоимость нефти марки BRENT 2) найти накопленный процент изменения цены пары валют и нефти 3) построить графики 4) найти коэффициент корреляции за период (начиная с нового года): год 6 мес 3 мес 




In [1]:



    


import matplotlib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sn
%matplotlib inline
import pandas_datareader.data as web
from datetime import datetime



    











In [2]:



    


symbol = ['RUB=X', 'BZ=F']



    











In [3]:



    


brent = pd.read_csv("brent.csv")

brent['Дата'] = pd.to_datetime(brent['Дата'])

brent = brent.sort_values('Дата')                       
brent.head()



    


















    
Out[3]:











  
    

      
      Дата
      Цена
      Откр.
      Макс.
      Мин.
      Объём
      Изм. %
    

  
  
    

      237
      2016-01-02
      34,24
      35,85
      36,25
      33,92
      331,87K
      -1,44
    

    

      216
      2016-01-03
      36,81
      36,60
      37,25
      35,95
      276,26K
      2,34
    

    

      194
      2016-01-04
      38,67
      40,14
      40,43
      38,55
      286,17K
      -2,35
    

    

      151
      2016-01-06
      49,72
      49,65
      50,00
      48,65
      266,00K
      0,06
    

    

      129
      2016-01-07
      50,35
      49,90
      50,66
      49,25
      248,69K
      1,35
    

  




















In [4]:



    


rub = pd.read_csv("USD_RUB.csv")
rub['Дата'] = pd.to_datetime(rub['Дата'])
rub = rub.sort_values('Дата')                       
rub.head()



    


















    
Out[4]:











  
    

      
      Дата
      Цена
      Откр.
      Макс.
      Мин.
      Изм. %
    

  
  
    

      254
      2016-01-01
      73,0000
      72,8800
      73,0000
      72,8800
      0,00
    

    

      233
      2016-01-02
      77,3094
      75,4644
      77,4449
      75,4273
      2,44
    

    

      212
      2016-01-03
      73,3731
      75,1682
      75,1682
      73,1891
      -2,39
    

    

      190
      2016-01-04
      67,5855
      67,0288
      68,3415
      66,9732
      0,83
    

    

      150
      2016-01-06
      67,1015
      66,6968
      67,3133
      66,5300
      0,61

2) найти накопленный процент изменения цены пары валют и нефти





In [5]:



    


brent['Изм. %'] = brent['Изм. %'].str.replace(',', '.')



    











In [6]:



    


brent['Изм. %'] = brent['Изм. %'].astype(float)



    











In [7]:



    


print ('Brent сумма %: ' , brent['Изм. %'].sum())



    


















    






Brent сумма %:  52.15999999999997

















In [8]:



    


rub['Изм. %'] = rub['Изм. %'].str.replace(',', '.')
rub['Изм. %'] = rub['Изм. %'].astype(float)
print ('USD/RUB сумма %: ' , rub['Изм. %'].sum())



    


















    






USD/RUB сумма %:  -15.699999999999994

3) построить графики





In [9]:



    


brent['Цена'] = brent['Цена'].str.replace(',', '.')
brent['Цена'] = brent['Цена'].astype(float)

rub['Цена'] = rub['Цена'].str.replace(',', '.')
rub['Цена'] = rub['Цена'].astype(float)



    











In [10]:



    


brent = brent.reset_index()
rub   = rub.reset_index()



    











In [11]:



    


plt.plot(rub['Дата'], rub['Цена'])
plt.plot(brent['Дата'], brent['Цена'])
 
    
plt.xlabel('Дата')
plt.ylabel('Цена')
plt.legend(['Brend', 'USD/RUB'])
plt.show()



    


















    
























In [12]:



    


plt.plot(rub['Дата'], rub['Изм. %'])
plt.plot(brent['Дата'], brent['Изм. %'])
 
    
plt.xlabel('Дата')
plt.ylabel('% изминение')
plt.legend(['Brend', 'USD/RUB'])
plt.show()



    


















    
























In [13]:



    


plt.plot(rub['Дата'], rub['Изм. %'])



    


















    
Out[13]:








[<matplotlib.lines.Line2D at 0x7fd3a9259a90>]










    
























In [14]:



    


plt.plot(brent['Дата'], brent['Изм. %'])



    


















    
Out[14]:








[<matplotlib.lines.Line2D at 0x7fd3a923fc88>]

4)

найти коэффициент корреляции за период (начиная с нового года): год 6 мес 3 мес





In [15]:



    


data = pd.DataFrame() #creates a new dataframe that's empty
rub['usd/rub'] = rub['Цена']
brent['brent'] = brent['Цена']
data = pd.concat([rub.set_index('Дата'),brent.set_index('Дата')], axis=1, join='inner').reset_index()



    











In [16]:



    


data.head()



    


















    
Out[16]:











  
    

      
      Дата
      index
      Цена
      Откр.
      Макс.
      Мин.
      Изм. %
      usd/rub
      index
      Цена
      Откр.
      Макс.
      Мин.
      Объём
      Изм. %
      brent
    

  
  
    

      0
      2016-01-02
      233
      77.3094
      75,4644
      77,4449
      75,4273
      2.44
      77.3094
      237
      34.24
      35,85
      36,25
      33,92
      331,87K
      -1.44
      34.24
    

    

      1
      2016-01-03
      212
      73.3731
      75,1682
      75,1682
      73,1891
      -2.39
      73.3731
      216
      36.81
      36,60
      37,25
      35,95
      276,26K
      2.34
      36.81
    

    

      2
      2016-01-04
      190
      67.5855
      67,0288
      68,3415
      66,9732
      0.83
      67.5855
      194
      38.67
      40,14
      40,43
      38,55
      286,17K
      -2.35
      38.67
    

    

      3
      2016-01-06
      150
      67.1015
      66,6968
      67,3133
      66,5300
      0.61
      67.1015
      151
      49.72
      49,65
      50,00
      48,65
      266,00K
      0.06
      49.72
    

    

      4
      2016-01-07
      129
      63.8040
      63,9731
      64,2542
      63,8027
      -0.26
      63.8040
      129
      50.35
      49,90
      50,66
      49,25
      248,69K
      1.35
      50.35
    

  




















In [17]:



    


data[['usd/rub', 'brent']].corr()



    


















    
Out[17]:











  
    

      
      usd/rub
      brent
    

  
  
    

      usd/rub
      1.000000
      -0.940713
    

    

      brent
      -0.940713
      1.000000
    

  




















In [18]:



    


print ('Корреляция за 1 год :', data[['usd/rub', 'brent']].corr().brent[0])



    


















    






Корреляция за 1 год : -0.940712869205

















In [19]:



    


print ('Корреляция за полгода :', data[data['Дата'] < '2016-07-01'][['usd/rub', 'brent']].corr().brent[0])



    


















    






Корреляция за полгода : -0.93512006676

















In [20]:



    


print ('Корреляция за 3 месяца :', data[data['Дата'] < '2016-04-01'][['usd/rub', 'brent']].corr().brent[0])



    


















    






Корреляция за 3 месяца : -0.930826237071

















In [29]:



    


rub = pd.read_csv("usd2.csv", delimiter=';')
rub.head()



    


















    
Out[29]:











  
    

      
      <TICKER>
      <PER>
      <DATE>
      <TIME>
      <OPEN>
      <HIGH>
      <LOW>
      <CLOSE>
      <VOL>
    

  
  
    

      0
      USD000UTSTOM
      D
      04/01/16
      0
      73.081
      73.720
      72.615
      73.160
      1557004000
    

    

      1
      USD000UTSTOM
      D
      05/01/16
      0
      72.990
      73.550
      72.823
      73.316
      969004000
    

    

      2
      USD000UTSTOM
      D
      06/01/16
      0
      73.318
      75.100
      73.264
      74.760
      1984001000
    

    

      3
      USD000UTSTOM
      D
      11/01/16
      0
      75.721
      76.493
      75.060
      76.211
      4952591000
    

    

      4
      USD000UTSTOM
      D
      12/01/16
      0
      77.000
      77.244
      75.901
      77.065
      5640143000
    

  




















In [37]:



    


rub.dtypes



    


















    
Out[37]:








<TICKER>            object
<PER>               object
<DATE>              object
<TIME>               int64
<OPEN>             float64
<HIGH>             float64
<LOW>              float64
<CLOSE>            float64
<VOL>                int64
Дата        datetime64[ns]
dtype: object

















In [36]:



    


rub['Дата'] = pd.to_datetime(rub['<DATE>'])



    











In [38]:



    


rub.head()



    


















    
Out[38]:











  
    

      
      <TICKER>
      <PER>
      <DATE>
      <TIME>
      <OPEN>
      <HIGH>
      <LOW>
      <CLOSE>
      <VOL>
      Дата
    

  
  
    

      0
      USD000UTSTOM
      D
      04/01/16
      0
      73.081
      73.720
      72.615
      73.160
      1557004000
      2016-04-01
    

    

      1
      USD000UTSTOM
      D
      05/01/16
      0
      72.990
      73.550
      72.823
      73.316
      969004000
      2016-05-01
    

    

      2
      USD000UTSTOM
      D
      06/01/16
      0
      73.318
      75.100
      73.264
      74.760
      1984001000
      2016-06-01
    

    

      3
      USD000UTSTOM
      D
      11/01/16
      0
      75.721
      76.493
      75.060
      76.211
      4952591000
      2016-11-01
    

    

      4
      USD000UTSTOM
      D
      12/01/16
      0
      77.000
      77.244
      75.901
      77.065
      5640143000
      2016-12-01
    

  




















In [ ]:

Content source: Diyago/Machine-Learning-scripts

Similar notebooks:

notebook.community | gallery | about