Comment obtenir DataFrame.pct_change pour calculer la variation mensuelle quotidienne des données sur les prix?

Je sais qu'il est possible de compenser avec le periods argument, mais comment peut-on aller sur le retour-izing quotidienne des données sur les prix qui se propage tout au long d'un mois (jours de bourse, par exemple)?

Exemple de données:

In [1]: df.AAPL
2009-01-02 16:00:00    90.36
2009-01-05 16:00:00    94.18
2009-01-06 16:00:00    92.62
2009-01-07 16:00:00    90.62
2009-01-08 16:00:00    92.30
2009-01-09 16:00:00    90.19
2009-01-12 16:00:00    88.28
2009-01-13 16:00:00    87.34
2009-01-14 16:00:00    84.97
2009-01-15 16:00:00    83.02
2009-01-16 16:00:00    81.98
2009-01-20 16:00:00    77.87
2009-01-21 16:00:00    82.48
2009-01-22 16:00:00    87.98
2009-01-23 16:00:00    87.98
...
2009-12-10 16:00:00    195.59
2009-12-11 16:00:00    193.84
2009-12-14 16:00:00    196.14
2009-12-15 16:00:00    193.34
2009-12-16 16:00:00    194.20
2009-12-17 16:00:00    191.04
2009-12-18 16:00:00    194.59
2009-12-21 16:00:00    197.38
2009-12-22 16:00:00    199.50
2009-12-23 16:00:00    201.24
2009-12-24 16:00:00    208.15
2009-12-28 16:00:00    210.71
2009-12-29 16:00:00    208.21
2009-12-30 16:00:00    210.74
2009-12-31 16:00:00    209.83
Name: AAPL, Length: 252

Comme vous pouvez le voir, il suffit de compensation de 30 ne serait pas produire des résultats corrects, il y a des lacunes dans les données timestamp, pas tous les mois est de 30 jours, etc. Je sais il doit y avoir un moyen facile de faire cela en utilisant les pandas.

la différence est due à la fréquence différente: BM est l'affaire du mois, tandis que M est le mois (voir le docs).

OriginalL'auteur Dallas | 2012-12-26

  1. 10

    Vous pouvez ré-échantillonner les données d'affaires mois. Si vous ne voulez pas que la moyenne des prix (qui est la valeur par défaut dans resample) vous pouvez utiliser un personnalisé méthode de rééchantillonnage à l'aide de l'argument mot-clé how:

    In [31]: from pandas.io import data as web
# read some example data, note that this is not exactly your data!
In [32]: s = web.get_data_yahoo('AAPL', start='2009-01-02',
...                             end='2009-12-31')['Adj Close']
# resample to business month and return the last value in the period
In [34]: monthly = s.resample('BM', how=lambda x: x[-1])
In [35]: monthly
Out[35]: 
Date
2009-01-30     89.34
2009-02-27     88.52
2009-03-31    104.19
...
2009-10-30    186.84
2009-11-30    198.15
2009-12-31    208.88
Freq: BM
In [36]: monthly.pct_change()
Out[36]: 
Date
2009-01-30         NaN
2009-02-27   -0.009178
2009-03-31    0.177022
...
2009-10-30    0.016982
2009-11-30    0.060533
2009-12-31    0.054151
Freq: BM
    remarque vous pouvez également utiliser asfreq('M', fill_method='ffill'). Certains soins doivent être pris avec de l'intraday données mais
    Ne sais pas quelle méthode est par défaut: normalement, je voudrais utiliser resample. Quels sont les avantages lors de l'utilisation de asfreq? (lors de l'utilisation de asfreq le mot-clé semble être method (pas fill_method dans 0.10)
    Merci de voir mise à Jour en Question.
    J'ai ajouté un commentaire à votre question. resample devrait fonctionner, pas sûr au sujet des avantages de asfreq.
    Merci. Retiré la mise à Jour et marqué répondu.

    OriginalL'auteur bmu