python:基金净值与龙头股收盘价 数据的相关性分析
广发消费升级股票基金净值 与 贵州茅台收盘价 数据的相关性分析:
diff_corr_2.py
# coding: utf-8
import os, sys
from datetime import datetime
import matplotlib.pyplot as plt
import pandas as pd# 006671,广发消费升级股票基金
df = pd.read_csv('006671.csv', index_col='date')
df1 = df[['jz']]
print(df1.head())# 600519,贵州茅台,为了与基金净值比较,收盘价/1000
df = pd.read_csv('600519.csv', index_col='date')
df2 = df[['close']].apply(lambda x:x/1000)
print(df2.head())# pandas DataFrame 连接表
df3 = pd.merge(df1, df2, left_index=True, right_index=True, how='inner')
#df3 = df1.join(df2, how='inner')
print(df3.tail())df3.index = pd.to_datetime(df3.index)
print(df3[ df3.index.year==2019 ].head())
# 每一年数据的相关性分析
print("2019Y:\n", df3[ df3.index.year==2019 ].corr()['jz'])
print("2020Y:\n", df3[ df3.index.year==2020 ].corr()['jz'])
print("all:\n", df3.corr()['jz'])
df3.head() 数据格式
jz close
date
2019-05-27 1.0000 0.87900
2019-05-31 0.9992 0.89000
2019-06-06 0.9957 0.86213
2019-06-14 1.0039 0.91300
2019-06-21 1.0323 0.97630
计算结果:
2019Y: 0.94088
2020Y: 0.979615
all: 0.973933
结论:两者数据的相关性高达 97.39%
基金净值与龙头股收盘价比较图
diff_show_2.py
# coding: utf-8
import os, sys
import matplotlib.pyplot as plt
import pandas as pd# 006671,广发消费升级股票基金
df = pd.read_csv('006671.csv', index_col='date')
df1 = df[['jz']]
print(df1.head())# 600519,贵州茅台,为了与基金净值比较,收盘价/1000
df = pd.read_csv('600519.csv', index_col='date')
df2 = df[['close']].apply(lambda x:x/1000)
print(df2.head())# pandas DataFrame 连接表
df3 = pd.merge(df1, df2, left_index=True, right_index=True, how='inner')
#df3 = df1.join(df2, how='inner')
print(df3.tail())df3.index = pd.to_datetime(df3.index)
# 画基金净值与龙头股收盘价比较图
df3[['jz','close']].plot(kind='line',grid=True,title='006671 vs 600519')
plt.show()
运行 python diff_show_2.py
python:基金净值与龙头股收盘价 数据的相关性分析相关推荐
- 用 Python 对数据进行相关性分析
在进行数据分析时,我们所用到的数据往往都不是一维的,而这些数据在分析时难度就增加了不少,因为我们需要考虑维度之间的关系.而这些维度关系的分析就需要用一些方法来进行衡量,相关性分析就是其中一种.本文就用 ...
- R语言两个矩阵(两组)数据的相关性分析
R语言两个矩阵(两组)数据的相关性分析 vegan包及数据说明 分别计算距离矩阵 相关性分析 vegan包及数据说明 Mantel tests是确定两组距离测度矩阵(而非两组变量矩阵)之间相关性的相关 ...
- chatgpt赋能python:Python制表位:优化数据可视化与分析的利器
Python 制表位:优化数据可视化与分析的利器 在数据可视化和分析中,表格是一种常用的数据展示方式.Python 提供了丰富的用于构建表格的库,其中之一便是制表位(Tabulate).本文将介绍制表 ...
- 做数学建模不得不会的数据特征分析---相关性分析
相关性分析是分析连续变量之间的线性相关程度的强弱,我们可以通过图来初步判断,当然了比较权威的是通过Pearson相关系数(皮尔逊相关系数) / Sperman秩相关系数(斯皮尔曼相关系数)来判断 引入 ...
- Pandas数据的相关性分析
本文的主要内容是基于中国大学mooc(慕课)中的"Python数据分析与可视化"课程进行整理和总结. 两个事物,表示成X和Y,如何判断他们之间的相关性? X增大,Y也增大,两个变量 ...
- 数据特征分析-相关性分析
相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量的相关密切程度. 相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析. 相关系数在[-1,1]之间. 一.图示初判 ...
- 生物医学数据统计分析-相关性分析
相关性分析的概念 相关性是一个统计学名词,相关的定义为随机变量之间相互联系的密切程度和方向.在医学研究中,探讨某疾病的发生与哪些因素有关.疾病与疾病之间的关系等,都需要用到相关性分析,它常用于判断两个 ...
- R计算两列数据的相关系数_数据特征分析·相关性分析
相关性分析 相关分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个因素的的相关密切程度,相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析. 1. 如何利用相关系数判断数据之间 ...
- 【python数据分析】正态分布、正态性检验与相关性分析
正态分布.正态性检验与相关性分析 1 正态分布 2 正态性检验 2.1 直方图初判 2.2 QQ图 2.3 K-S检验 2.3.1 计算推导 2.3.2 代码一步到位 3 相关性分析 3.1 图示初判 ...
最新文章
- 小数据集同样重要!掌握处理它的7种方法
- CSS Overflow属性详解(转)
- moldflow2018安装教程
- 深度学习和目标检测系列教程 22-300:关于人体姿态常见的估计方法
- VTK:Picking之HighlightSelectedPoints
- 前端学习(2023)vue之电商管理系统电商系统之通过路由加载订单列表
- python函数应用_python 函数应用
- Spring Batch_Parallel Steps
- 【重磅资料】ArchSummit全球架构师峰会·2019华为云技术专场资料下载
- Tablayout+ViewPager+Fragment 实现页面切换
- 安装TinyOS需要六个步骤
- Kylin 2.0 Spark Cubing 优化改进
- tensorflow自定义op_TensorFlow 自定义模型导出:将 .ckpt 格式转化为 .pb 格式
- 一个rsync自动备份并发信通知的shell脚本
- 微信表情包像素不合适的解决办法
- 使用百度siteapp开发网站的App-(IOS和Android版本)
- 牛熊分界点?技术指标择时 在当前A股指数效果解密
- python下载需要花钱吗,python下载要钱多少钱
- linux6 下dns配置,RHEL6中DNS配置
- 感应封盖机行业调研报告 - 市场现状分析与发展前景预测(2021-2027年)
热门文章
- 老板,你请了多少店员帮你赶客?
- Excel常用技巧--工作中最常用的30个Excel函数公式
- http请求中的get请求带特殊字符的处理
- [AHK]用字符做按钮上的图标--windows 查看ttf字体
- mysql w3scoll_jQuery滚动条插件 – jquery.slimscroll.js
- 数据集成到可视化分析,轻松驾驭数据洞察力:ETLCloud与帆软BI完美结合
- Bose发售iPod用音系统「SoundDock Series II」
- Java设计模式之享元模式
- 《西游记》与《红楼梦》之五行学说(z)
- oracle批量替换空格