第4天:《日期数据处理太复杂?秒懂时间序列操作的高效方法!》

1. 痛点分析：时间序列数据处理复杂，新手容易卡住
   在量化交易中，时间序列数据是核心，但新手常常在处理日期数据时遇到问题，比如如何设置时间索引、如何处理时间频率转换等。
2. 设置时间索引：让数据按日期排列
   将日期列设置为索引，可以更方便地进行时间序列操作：

import pandas as pd 
# 加载数据 
stock_data = pd.read_csv("cleaned_stock_data.csv") 
# 将日期列转换为datetime类型 
stock_data["日期"] = pd.to_datetime(stock_data["日期"]) 
# 设置日期为索引 
stock_data.set_index("日期", inplace=True) 
print(stock_data.head())

3. 时间频率转换：按需调整数据频率
   如果需要将数据从日线转换为周线或月线，可以使用asfreq()或resample()方法：

# 将数据转换为月线数据 
monthly_data = stock_data.resample("M").last() 
print(monthly_data.head())

4. 滞后与差分操作：计算收益率和变化率
   在量化交易中，计算收益率和变化率是常见的需求。可以使用shift()和diff()方法：

# 计算日收益率 
stock_data["收益率"] = stock_data["收盘价"].pct_change() 
# 计算日变化量 
stock_data["变化量"] = stock_data["收盘价"].diff() 
print(stock_data.head())

5. 实战练习：处理时间序列数据

任务：将清洗后的数据设置为时间索引，并计算日收益率和日变化量。

参考代码：

import pandas as pd 
# 加载数据 
stock_data = pd.read_csv("cleaned_stock_data.csv") 
# 将日期列转换为datetime类型 
stock_data["日期"] = pd.to_datetime(stock_data["日期"]) 
# 设置日期为索引 
stock_data.set_index("日期", inplace=True) 
# 计算日收益率 
stock_data["收益率"] = stock_data["收盘价"].pct_change() 
# 计算日变化量 
stock_data["变化量"] = stock_data["收盘价"].diff() 
# 保存处理后的数据 
stock_data.to_csv("processed_stock_data.csv")