3 posts tagged with "data-analysis"

import pandas as pd
import numpy as np

# Tạo Series từ list
prices = pd.Series([100, 102, 98, 103, 101], 
                   index=['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05'],
                   name='Close Price')
print(prices)

# Tính toán cơ bản
print("Giá trung bình:", prices.mean())
print("Giá cao nhất:", prices.max())
print("Giá thấp nhất:", prices.min())

# Tính phần trăm thay đổi
returns = prices.pct_change()
print("\nPhần trăm thay đổi:")
print(returns)

# Tạo DataFrame từ dictionary
data = {
    'Open': [100, 101, 99, 102, 100],
    'High': [103, 104, 100, 105, 102],
    'Low': [98, 100, 97, 101, 99],
    'Close': [102, 98, 103, 101, 104],
    'Volume': [1000, 1200, 800, 1500, 1100]
}

df = pd.DataFrame(data, 
                 index=['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05'])
print(df)

# Thống kê cơ bản
print("\nThống kê cơ bản:")
print(df.describe())

# Lọc dữ liệu
high_volume = df[df['Volume'] > 1000]
print("\nNgày có khối lượng > 1000:")
print(high_volume)

# Sắp xếp dữ liệu
sorted_by_volume = df.sort_values('Volume', ascending=False)
print("\nSắp xếp theo khối lượng:")
print(sorted_by_volume)

# Tính Moving Average
df['MA5'] = df['Close'].rolling(window=5).mean()
df['MA10'] = df['Close'].rolling(window=10).mean()

# Tính RSI
def calculate_rsi(data, periods=14):
    delta = data.diff()
    gain = (delta.where(delta > 0, 0)).rolling(window=periods).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=periods).mean()
    rs = gain / loss
    return 100 - (100 / (1 + rs))

df['RSI'] = calculate_rsi(df['Close'])

# Xác định xu hướng
df['Trend'] = np.where(df['MA5'] > df['MA10'], 'Uptrend', 'Downtrend')

# Tính biến động
df['Volatility'] = df['Close'].pct_change().rolling(window=5).std() * 100

# Đọc dữ liệu từ file CSV
stock_data = pd.read_csv('stock_data.csv', index_col='Date', parse_dates=True)

# Tính toán các chỉ số
stock_data['Returns'] = stock_data['Close'].pct_change()
stock_data['MA20'] = stock_data['Close'].rolling(window=20).mean()
stock_data['MA50'] = stock_data['Close'].rolling(window=50).mean()

# Phân tích xu hướng
stock_data['Trend'] = np.where(stock_data['MA20'] > stock_data['MA50'], 
                              'Uptrend', 'Downtrend')

# Tìm các điểm giao cắt
stock_data['Signal'] = np.where(stock_data['MA20'] > stock_data['MA50'], 1, -1)
stock_data['Position'] = stock_data['Signal'].diff()

# Tính toán hiệu suất
def calculate_performance(data):
    # Tính lợi nhuận tích lũy
    data['Cumulative Returns'] = (1 + data['Returns']).cumprod()
    
    # Tính các chỉ số hiệu suất
    total_return = data['Cumulative Returns'].iloc[-1] - 1
    annual_return = (1 + total_return) ** (252/len(data)) - 1
    volatility = data['Returns'].std() * np.sqrt(252)
    sharpe_ratio = annual_return / volatility
    
    return {
        'Total Return': total_return,
        'Annual Return': annual_return,
        'Volatility': volatility,
        'Sharpe Ratio': sharpe_ratio
    }

performance = calculate_performance(stock_data)
print("\nHiệu suất đầu tư:")
for metric, value in performance.items():
    print(f"{metric}: {value:.2%}")

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# Tạo index thời gian
dates = pd.date_range(start='2024-01-01', end='2024-01-10', freq='D')
print("Index thời gian:")
print(dates)

# Tạo Time Series với dữ liệu ngẫu nhiên
ts = pd.Series(np.random.randn(len(dates)), index=dates)
print("\nTime Series:")
print(ts)

# Lấy dữ liệu theo ngày cụ thể
print("Dữ liệu ngày 2024-01-05:")
print(ts['2024-01-05'])

# Lấy dữ liệu theo khoảng thời gian
print("\nDữ liệu từ 2024-01-03 đến 2024-01-07:")
print(ts['2024-01-03':'2024-01-07'])

# Lấy dữ liệu theo tháng
print("\nDữ liệu tháng 1/2024:")
print(ts['2024-01'])

# Tạo dữ liệu mỗi giờ
hourly_data = pd.date_range(start='2024-01-01', periods=24, freq='H')
hourly_ts = pd.Series(np.random.randn(len(hourly_data)), index=hourly_data)

# Resampling thành dữ liệu hàng ngày
daily_data = hourly_ts.resample('D').mean()
print("Dữ liệu hàng ngày:")
print(daily_data)

# Resampling thành dữ liệu hàng tuần
weekly_data = hourly_ts.resample('W').mean()
print("\nDữ liệu hàng tuần:")
print(weekly_data)

# Tính trung bình động 3 ngày
rolling_mean = ts.rolling(window=3).mean()
print("Trung bình động 3 ngày:")
print(rolling_mean)

# Tính độ lệch chuẩn 5 ngày
rolling_std = ts.rolling(window=5).std()
print("\nĐộ lệch chuẩn 5 ngày:")
print(rolling_std)

# Đọc dữ liệu từ file CSV
stock_data = pd.read_csv('stock_data.csv', index_col='Date', parse_dates=True)

# Tính toán các chỉ số theo thời gian
daily_returns = stock_data['Close'].pct_change()
monthly_returns = daily_returns.resample('M').mean()
yearly_returns = daily_returns.resample('Y').mean()

# Tính trung bình động
stock_data['MA20'] = stock_data['Close'].rolling(window=20).mean()
stock_data['MA50'] = stock_data['Close'].rolling(window=50).mean()

# Tính biến động
stock_data['Volatility'] = daily_returns.rolling(window=20).std() * np.sqrt(252)

# Phân tích theo mùa
def analyze_seasonality(data):
    # Tính trung bình theo tháng
    monthly_avg = data.groupby(data.index.month).mean()
    
    # Tính trung bình theo ngày trong tuần
    daily_avg = data.groupby(data.index.dayofweek).mean()
    
    return {
        'Monthly Average': monthly_avg,
        'Daily Average': daily_avg
    }

seasonality = analyze_seasonality(stock_data['Close'])
print("\nPhân tích mùa vụ:")
print(seasonality)