我知道有可能通过periods
的论点进行抵消,但是如何实现在一个月内(例如交易日)传回的每日价格数据的归还?如何获取DataFrame.pct_change来计算每日价格数据的月度变化?
实例数据是:
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
正如你所看到的,仅仅通过30抵消不会产生正确的结果,因为在时间戳数据差距,不是每个月都是30天,等我知道必须有一个简单的方法来使用熊猫来做到这一点。
的差别是由于不同的频率:'BM'是业务月份,而“M”是月份(请参阅[docs](http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases))。 – bmu