J'ai des données historiques sur un ticker dans une source de données et des données de dividendes historiques dans un autre Dataframe. Ils ressemblent à ceci:
Date High Low Open Close Volume Adj Close Dividend 0 1993-01-29 43.968750 43.750000 43.968750 43.937500 1003200.0 26.453930 1 1993-02-01 44.250000 43.968750 43.968750 44.250000 480500.0 26.642057 2 1993-02-02 44.375000 44.125000 44.218750 44.343750 201300.0 26.698507 3 1993-02-03 44.843750 44.375000 44.406250 44.812500 529400.0 26.980742 4 1993-02-04 45.093750 44.468750 44.968750 45.000000 531500.0 27.093624 ... ... ... ... ... ... ... ... 6809 2020-02-13 338.119995 335.559998 335.859985 337.059998 54501900.0 337.059998 1.570 6810 2020-02-14 337.730011 336.200012 337.510010 337.600006 64582200.0 337.600006 1.570 6811 2020-02-18 337.670013 335.209991 336.510010 336.730011 57226200.0 336.730011 1.570 6812 2020-02-19 339.079987 337.480011 337.790009 338.339996 48639100.0 338.339996 1.570 6813 2020-02-20 338.640015 333.681702 337.742004 336.894989 63193703.0 336.894989 1.570
4 Réponses :
Vous pouvez rejoindre, puis remplir les valeurs manquantes et enfin de renommer des colonnes.
Supprimer vos données de données sont nommés vous peut faire ceci: qui devrait faire. Market_prices et dividend_data
TypeError: "NOETYPEY" N'EST PAS iTABLE On Line 3 Dividend_Data ['"Value'], comment =" GAUCHE " J'ai essayé dividend_data [" date "] = pd.to_datetime (dividend_data ["date"])
@jangles, désolé, vous devez spécifier quelle clé à utiliser sur le fichier de données d'origine avec l'option on = 'date' . Je vais mettre à jour ma réponse.
En supposant que df est la trame de données avec des données de ticker historiques et df2 est celui avec des informations de dividende.
Cela semble que cela devrait fonctionner, mais chaque ligne du nouveau dividende est nan pour moi. De plus, je ne suis pas sûr que cela correspondait et remplirait les dividendes correctement.
HM, il devrait pour associer des index - ce qui pourrait arriver ici est peut-être que le type diffère entre ces 2 - I.E. Une date est un DateTime et l'autre est la chaîne. Vous pouvez par exemple. Commencez par df ["date"] = pd.to_datetime (df ["date"]) (si df2 a DateTime index)
Les données de dividende sont venues à la date d'index. Je réinitialise l'index et apporté les dates dans leur propre couleur Colonne et essayé votre dividend_data ["date"] = pd.to_datetime (DF ["date"]) sur les deux dfs mais cela fait toujours la même chose. Ce doit être une erreur de type, que le pd.to_datetime ne semble pas corriger.
Nope, attendre - Pourriez-vous partager les résultats de df.index.dtype pour les deux cadres de données (une fois que les deux ont les deux date comme index)
Pour DF: AttributeError: "PlantIndex 'Object n'a aucun attribut' DTYPES ' pour DF2: attributError:" DateTimeIndex' objet n'a pas d'attribut 'DTYPES'
Mon mauvais - singulier - c'est df.index.dtype
Oh mon mauvais aussi, je dois mettre la date comme l'index, non comme une colonne. Mais c'est dtype ('int64') pour df et dtype ('
Ok- vous devez changer date de données historique de ticker - j'ai ajouté la ligne pour ceci ci-dessus
Toujours nan :(. df2 est censé avoir la colonne de date comme l'index, correct?
Eh bien, ils sont censés être du même type (en fait pour toutes les solutions, que ce soit rejoindre , fusionner ou ci-dessus). Vous pouvez donc les rendre dans DateTime-S ou Strings ( objet ) pour vous assurer qu'ils sont tous deux du même type.
Je l'ai compris ici ici Stackoverflow.com/a/60329377/8142044 . Merci de votre aide!
interpolée de @ Réponse de FJSH.
# Join the data
prices_with_dividends = features.set_index('Date').join(dividend_data.set_index('Date'))
# Fill missing values with previous data
prices_with_dividends['Value'].fillna(method='ffill', inplace=True)
# Rename column
prices_with_dividends.rename({'Value': 'Dividend'}, axis=1, inplace=True)
price_table['Date'] = pd.to_datetime(price_table['Date'])
1) Vous devez toujours inclure vos données sous forme de texte, pas d'images. 2) Votre résultat attendu devrait être cohérent avec vos données d'échantillonnage.
@Quanghoang - Je l'ai eu! Fixé.
Regardez en utilisant
pd.dataframe.mmerge