O módulo scikits. timeseries não está mais em desenvolvimento ativo. Há uma excelente lista de bugs que provavelmente não serão corrigidos. O plano é que a funcionalidade principal deste módulo seja implementada em pandas. Se você deseja ver este módulo ao vivo independentemente de pandas, sinta-se livre para bifurcar o código e assumi-lo. O módulo scikits. timeseries fornece classes e funções para manipular, reportar e plotar séries temporais de várias freqüências. O foco está no acesso e manipulação de dados convenientes, ao mesmo tempo em que alavanca a funcionalidade matemática existente em numpy e scipy. Se os seguintes cenários lhe parecerem familiares, então você provavelmente encontrará o módulo scikits. timeseries útil: Compare muitas séries temporais com diferentes faixas de dados (por exemplo, preços de ações) Crie gráficos de eixos com espaçamento inteligente A mensal, tomando o valor médio durante cada mês Trabalho com dados que têm valores em falta Determine o último dia útil do mês anterior quarterteryear para fins de relato Calcular um desvio padrão móvel de forma eficiente Estes são apenas alguns dos cenários que são feitas muito simples com o scikits Módulo. timeseries. DocumentaçãoComo criar um modelo ARIMA para a previsão de séries temporais com Python Um método popular e amplamente utilizado para a previsão de séries temporais é o modelo ARIMA. ARIMA é um acrônimo que significa AutoRegressive Integrated Moving Average. É uma classe de modelo que captura um conjunto de diferentes estruturas temporais padrão em dados de séries temporais. Neste tutorial, você descobrirá como desenvolver um modelo ARIMA para dados de séries temporais com Python. Depois de concluir este tutorial, você saberá: Sobre o modelo ARIMA os parâmetros utilizados e as suposições feitas pelo modelo. Como ajustar um modelo ARIMA aos dados e usá-lo para fazer previsões. Como configurar o modelo ARIMA em seu problema de série de tempo. Let8217s começar. Modelo de média móvel integrado Autoregressivo Um modelo ARIMA é uma classe de modelos estatísticos para analisar e prever dados de séries temporais. Aborda explicitamente um conjunto de estruturas padrão em dados de séries de tempo e, como tal, fornece um método simples, mas poderoso, para fazer previsões de séries de tempo hábeis. ARIMA é um acrônimo que significa AutoRegressive Integrated Moving Average. É uma generalização do mais simples AutoRegressive Moving Average e acrescenta a noção de integração. Este acrônimo é descritivo, capturando os aspectos-chave do próprio modelo. Resumidamente, eles são: AR. Autoregressão. Um modelo que usa a relação dependente entre uma observação e um número de observações atrasadas. EU . Integrado. A utilização da diferenciação de observações em bruto (por exemplo, subtraindo uma observação de uma observação no passo de tempo anterior) para tornar a série de tempo estacionária. Ma. Média móvel. Um modelo que utiliza a dependência entre uma observação e um erro residual de um modelo de média móvel aplicado a observações defasadas. Cada um desses componentes é explicitamente especificado no modelo como um parâmetro. Uma notação padrão é usada de ARIMA (p, d, q) onde os parâmetros são substituídos com valores inteiros para indicar rapidamente o modelo ARIMA específico que está sendo usado. Os parâmetros do modelo ARIMA são definidos da seguinte forma: p. O número de observações de atraso incluídas no modelo, também chamado de ordem de retardamento. D. O número de vezes que as observações brutas são diferenciadas, também chamado de grau de diferenciação. Q. O tamanho da janela de média móvel, também chamado de ordem de média móvel. Um modelo de regressão linear é construído incluindo o número especificado eo tipo de termos, e os dados são preparados por um grau de diferenciação para torná-lo estacionário, isto é, para remover tendências e estruturas sazonais que afetam negativamente o modelo de regressão. Um valor de 0 pode ser usado para um parâmetro, que indica não usar esse elemento do modelo. Desta forma, o modelo ARIMA pode ser configurado para executar a função de um modelo ARMA, e até mesmo um simples modelo AR, I ou MA. A adoção de um modelo ARIMA para uma série temporal pressupõe que o processo subjacente que gerou as observações é um processo ARIMA. Isso pode parecer óbvio, mas ajuda a motivar a necessidade de confirmar os pressupostos do modelo nas observações brutas e nos erros residuais das previsões do modelo. Em seguida, let8217s dê uma olhada em como podemos usar o modelo ARIMA em Python. Vamos começar com o carregamento de uma simples série de tempo univariada. Pare de aprender Série de tempo Previsão da maneira lenta Inscreva-se e obtenha um mini-curso de previsão de séries temporais grátis de 7 dias Você receberá:. Uma lição por dia entregue à sua caixa de entrada. Ebook PDF exclusivo contendo todas as lições. Confiança e habilidades para trabalhar através de seus próprios projetos Shampoo Sales Dataset Este dataset descreve o número mensal de vendas de shampoo ao longo de um período de 3 anos. As unidades são uma contagem de vendas e há 36 observações. O conjunto de dados original é creditado a Makridakis, Wheelwright e Hyndman (1998). Baixe o dataset e coloque-o em seu diretório de trabalho atual com o nome do arquivo 8220 shampoo-sales. csv 8220. Abaixo está um exemplo de carregar o conjunto de dados Sales Shampoo com Pandas com uma função personalizada para analisar o campo de data e hora. O conjunto de dados é baseado em um ano arbitrário, neste caso 1900. Primeiro, obtemos um gráfico de linha dos erros residuais, sugerindo que ainda pode haver alguma informação de tendência não capturada pelo modelo. ARMA Fit Linha de Erro Residual Lote Em seguida, obtemos um gráfico de densidade dos valores de erro residual, sugerindo que os erros são Gaussianos, mas não podem ser centrados em zero. ARMA Fit Plain Densidade de erro residual A distribuição dos erros residuais é exibida. Os resultados mostram que, de fato, há um viés na predição (uma média não nula nos resíduos). Observe que, embora acima usamos o conjunto de dados inteiro para a análise de séries temporais, idealmente nós realizariamos essa análise apenas no conjunto de dados de treinamento ao desenvolver um modelo preditivo. Em seguida, vamos ver como podemos usar o modelo ARIMA para fazer previsões. Modelo Modelo ARIMA de Previsão Rolling O modelo ARIMA pode ser usado para prever etapas futuras de tempo. Podemos usar a função predict () no objeto ARIMAResults para fazer previsões. Ele aceita o índice dos passos de tempo para fazer previsões como argumentos. Estes índices são relativos ao início do conjunto de dados de treinamento usado para fazer previsões. Se usássemos 100 observações no conjunto de dados de treinamento para ajustar o modelo, então o índice do próximo passo de tempo para fazer uma previsão seria especificado para a função de predição como start101, end101. Isso retornaria uma matriz com um elemento contendo a previsão. Também preferimos que os valores previstos estejam na escala original, no caso de termos qualquer diferença (dgt0 ao configurar o modelo). Isso pode ser especificado ao definir o argumento typ para o valor 8216levels8217. Typ8217levels8217. Alternativamente, podemos evitar todas essas especificações usando a função forecast (), que executa uma previsão de um passo usando o modelo. Podemos dividir o conjunto de dados de treinamento em conjuntos de trem e teste, usar o conjunto de trem para se ajustar ao modelo e gerar uma previsão para cada elemento no conjunto de teste. É necessária uma previsão contínua, dada a dependência das observações em etapas de tempo anteriores para diferenciação e do modelo AR. Uma maneira grosseira de executar essa previsão de rolamento é recriar o modelo ARIMA após cada nova observação ser recebida. Nós mantemos manualmente a trilha de todas as observações em uma lista chamada history que seja semeada com os dados do treinamento e a que as observações novas são acrescentadas cada iteração. Colocando isso tudo junto, abaixo é um exemplo de uma projeção contínua com o modelo ARIMA em Python. Um gráfico de linha é criado mostrando os valores esperados (azul) em comparação com as previsões de previsão de rolamento (vermelho). Podemos ver os valores mostram alguma tendência e estão na escala correta. ARIMA Rolling Forecast Line Plot O modelo poderia usar mais afinação dos parâmetros p, d e talvez mesmo q. Configurando um Modelo ARIMA A abordagem clássica para a montagem de um modelo ARIMA é seguir a Metodologia Box-Jenkins. Este é um processo que utiliza análise de séries temporais e diagnósticos para descobrir bons parâmetros para o modelo ARIMA. Em resumo, as etapas deste processo são as seguintes: Identificação do Modelo. Use gráficos e estatísticas resumidas para identificar tendências, sazonalidade e elementos de autorregressão para ter uma ideia da quantidade de diferenciação e do tamanho da defasagem que será necessária. Estimação de parâmetros. Use um procedimento de ajuste para encontrar os coeficientes do modelo de regressão. Modelo de verificação. Utilizar gráficos e testes estatísticos dos erros residuais para determinar a quantidade eo tipo de estrutura temporal não capturada pelo modelo. O processo é repetido até que seja alcançado um nível de ajuste desejável nas observações na amostra ou fora da amostra (por exemplo, conjuntos de dados de formação ou teste). O processo foi descrito no clássico livro de 1970 sobre o tema intitulado Time Series Analysis: Forecasting and Control por George Box e Gwilym Jenkins. Uma 5 ª edição atualizada está agora disponível se você estiver interessado em aprofundar este tipo de modelo e metodologia. Dado que o modelo pode ser ajustado eficientemente em conjuntos de dados de séries temporais de tamanho modesto, os parâmetros de pesquisa de grade do modelo podem ser uma abordagem valiosa. Neste tutorial, você descobriu como desenvolver um modelo ARIMA para a previsão de séries temporais em Python. Especificamente, você aprendeu: Sobre o modelo ARIMA, como ele pode ser configurado e suposições feitas pelo modelo. Como executar uma análise de séries temporais rápidas utilizando o modelo ARIMA. Como usar um modelo ARIMA para prever as previsões de amostra. Você tem alguma dúvida sobre o ARIMA, ou sobre este tutorial Faça suas perguntas nos comentários abaixo e farei o meu melhor para responder. Deseja desenvolver previsões de séries temporais com Python Desenvolva suas próprias previsões em minutos com apenas algumas linhas de código python Ele cobre tutoriais de auto-estudo e projetos de ponta a ponta em tópicos como: Carregando dados. Visualização. Modelagem. Afinação de algoritmos. e muito mais. Finalmente trazer a série de tempo de previsão para seus próprios projetos Skip the Academics. Apenas Resultados. Kevin 17 de janeiro de 2017 at 12:58 am Me dá um monte de erros: Traceback (última chamada última): Arquivo 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 2276, no conversor dateparser (datecols), errors8217ignore8217) Arquivo 8220UserskevinoostPycharmProjectsARIMAmain. py8221, Linha 6, no retorno do analisador datetime. strptime (82161908217x, 8216Y-m8217) TypeError: strptime () argumento 1 deve ser str, não numpy. ndarray Durante o tratamento da exceção acima, ocorreu outra exceção: Traceback (última chamada última): Arquivo 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 2285, no conversor dayfirstdayfirst), Arquivo 8220pandassrcinference. pyx8221, linha 841, em pandas. lib. tryparsedates (pandaslib. c: 57884) Arquivo 8220pandassrcinference. pyx8221, linha 838, em pandas. lib. tryparsedates (pandaslib. c: 57802) Ficheiro 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linha 6, no parser devolução datetime. strptime (82161908217x, 8216Y-m8217) Ficheiro 8220Userskevinoost Anacondalibpython3.5strptime. py8221, linha 510, em strptimedatetime tt, fração strptime (datastring, format) Arquivo 8220Userskevinoostanacondalibpython3.5strptime. py8221, linha 343, em strptime (datastring, format)) ValueError: dados de tempo 8216190Vendas de shampoo ao longo de um período de três anos8217 Não corresponde ao formato 8216Y-m8217 Durante o tratamento da exceção acima, ocorreu outra exceção: Traceback (última chamada última): Arquivo 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linha 8, em série readcsv (8216shampoo-sales. csv8217, header0, parsedates0, indexcol0, SqueezeTrue, dateparserparser) Ficheiro 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 562, em parserf return read (filepathorbuffer, kwds) Ficheiro 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 325, em read return parser. read () Ficheiro 8220Userskevinoostanacondalibpython3.5site - Packagespandasioparsers. py8221, linha 815, em read ret self. engine. read (nrows) Ficheiro 8220Userskev Inoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 1387, no índice de leitura, nomes self. makeindex (dados, alldata, nomes) Arquivo 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 1030, no índice makeindex self. aggindex (índice) Arquivo 8220Userskevinoostanacondalibpython3. 5site-packagespandasioparsers. py8221, linha 1111, em aggindex arr self. dateconv (arr) Ficheiro 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, linha 2288, no conversor return genericparser (dateparser, datecols) Ficheiro 8220Userskevinoostanacondalibpython3.5site-packagespandasiodateconverters. py8221, linha 38 , Em resultados de parecessário genérico (args) Ficheiro 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linha 6, em parser return datetime. strptime (82161908217x, 8216Y-m8217) Ficheiro 8220Userskevinoostanacondalibpython3.5strptime. py8221, linha 510, em strptimedatetime tt, fracção strptime (datastring, format) Arquivo 8220Userskevinoostanacondalibpython3.5strptime. py8221, lin E 343, em strptime (datastring, formato)) ValueError: dados de tempo 8216190Vendas de shampoo sobre um período de três anos8217 não corresponde ao formato 8216Y-m8217 Processo terminado com código de saída 1 Ajuda seria muito apreciada. Parece que pode haver um problema com seu arquivo de dados. Abra o csv em um editor de texto e confirme a linha de cabeçalho parece sensata. Confirme também que você não tem dados extras no final do arquivo. Às vezes, o arquivo de dados download arquivos com dados de rodapé que você precisa excluir. NGUYEN Quang Anh 19 de janeiro de 2017 às 6:28 pm Digamos que eu tenho uma série de dados de tempo com muitos atributo. Por exemplo, uma linha terá (velocidade, combustível, pneuspressure), como poderíamos fazer um modelo fora deste. O valor de cada coluna pode afetar uns aos outros, por isso não podemos fazer previsão em apenas 1 coluna. Eu google muito, mas todo o exemplo I8217ve encontrado até agora só funciona na série de tempo de 1 atributo. Isso é chamado de previsão de séries temporais multivariada. Modelos lineares como ARIMA não foram projetados para este tipo de problema. Geralmente, você pode usar a representação baseada em lag de cada recurso e, em seguida, aplicar um algoritmo de aprendizagem de máquina padrão. Espero ter alguns tutoriais sobre isso em breve. Muyi Ibidun 7 de fevereiro de 2017 às 9:36 Seu problema se encaixa o que VAR (Vector Autoregression) modelos é projetado para. Consulte os seguintes links para obter mais informações. Espero que isto ajude o seu trabalho. Kelvid 20 de janeiro de 2017 às 11:55 Oi, você teria um exemplo para o post sazonal ARIMA tenho instalado o módulo statsmodels mais recente, mas há um erro de importação SARIMAX. Faça a ajuda se você conseguir figurar para fora. Obrigado. Sebastian 31 de janeiro de 2017 às 3:33 Grande post Jason Tenho um par de perguntas: 8211 Apenas para ter certeza. Modelfit. forecast () é um passo à frente previsões e modelfit. predict () é para múltiplas etapas à frente previsões 8211 Estou trabalhando com uma série que parece pelo menos bastante semelhante ao shampoo série (por inspeção). Quando eu uso prever sobre os dados de treinamento, eu recebo esse padrão zig-zag na previsão também. Mas para os dados de teste, a previsão é muito mais suave e parece saturar em algum nível. Você esperaria isso Se não, o que poderia estar errado Sim, forecast () é para previsões de um passo. Você pode fazer previsões de um passo com prever () também, mas é mais trabalho. Eu não esperaria que a previsão além de algumas etapas do tempo seja muito exato, se aquela for sua pergunta Sebastian 3 de fevereiro de 2017 em 9:25 Agradecimentos para a resposta a respeito da segunda pergunta. Sim, você está certo a previsão não é muito precisa. Mas além disso, a série temporal prevista tem um conteúdo de freqüência totalmente diferente. Como eu disse, é suave e não zig-zaggy como os dados originais. Isso é normal ou estou fazendo algo errado. Eu também tentei a previsão de múltiplos passos (modelfit. predict ()) sobre os dados de treinamento e, em seguida, a previsão parece ter mais ou menos o mesmo conteúdo de freqüência (mais zig-zaggy) como os dados que eu estou tentando prever. Oi Sebastian, eu vejo. No caso da previsão no conjunto de dados de treinamento, o modelo tem acesso a observações reais. Por exemplo, se você predizer os próximos 5 obs em algum lugar no conjunto de dados de treinamento, usará obs (t4) para prever t5 em vez de predição (t4). No caso de prever além do final dos dados do modelo, ele não tem obs para fazer previsões (a menos que você fornecer), ele só tem acesso às previsões feitas para os passos de tempo anteriores. O resultado é o composto erros e as coisas vão fora dos trilhos rápido (previsão plana). Isso faz sentido ajudar James Zhang 10 de fevereiro de 2017 em 7:42 pm muito obrigado pelo post, muito bom escrito Tenho uma pergunta: então eu usei a sua abordagem para construir o modelo, mas quando eu tento prever os dados que Estou fora da amostra, eu comentei o teste obs e altero history. append (obs) para history. append (yhat), e eu tenho uma previsão plana 8230 então o que poderia ser a razão e como você realmente fazer o out-of - Amostra de predições com base no modelo montado em dataset trem Obrigado muito Cada loop na previsão de rolamento mostra-lhe como fazer um passo de fora da previsão da amostra. Treine o seu ARIMA em todos os dados disponíveis e na previsão de chamadas (). Se você deseja realizar uma previsão de várias etapas, na verdade, você precisará tratar previsões anteriores como 8220observations8221 e usá-las para previsões subseqüentes. Você pode fazer isso automaticamente usando a função predict (). Dependendo do problema, esta abordagem muitas vezes não é hábil (por exemplo, uma previsão plana). James 16 de fevereiro de 2017 às 2:03 am 1) Zipline Jupyter QtConsole 14.1 zipline importação. 14.1. 14.1 Zipline Zipline conda. Conda. tirolesa . Zipline GitHub (githubquantopianzipline) 14.2 python 2.7 python 3.4. Python 3,5 zipline. 14.2 Zipline zipline python 2.7 python 3.4 zipline python 3.4. Python 3,5 zipline. . 14.3. PC conda. Python 3.4 conda. 14.4 conda update conda conda. Conda python 3.4. Conda criar. - n, python. Anaconda Conda create 14.5. . Y. . 14.5 conda criar conda criar C: Anaconda3envs - n (py34) 14.6 (python 3.4). 14.6 conda criar conda criar Visual C 2010. Visual C 2010 IDE CC Visual C 10.0. Visual C CC. Visual C. 2,6 3,2 Visual C 9,0, 3,3 3,4 Visual C 10,0, 3,5 Visual C 14,0. Vcweb. exe. 14.7 Em seguida. 14.7 Visual C 2010 Express 1 14.8 Próximo. 14.8 Visual C 2010 Express 2 14.9 Próxima. 14.9 Visual C 2010 Express 3 14.10 Instalação. 14.10 Visual C 2010 Express 4 Visual C 2010 Express pi34 zipline. - gtpí34. 14,11 Anaconda Prompt (py34). 14.11 Anaconda Prompt (py34) Anaconda Prompt (py34) 14.22 pip instalar zipline zipline. 14.12 pip zipline zipline python 3.4 importação. - gt Jupyter QtConsole (py34). Jupyter QtConsole 14.13 Python 3.4.5. 14.13 Python 3.4 Jupyter QtConsole Jupyter QtConsole importação zipline warning 14.14 importação. 14.14 importação de tirolesa. , Import zipline. Import zipline C: Anaconda3envspy34libsite-packagespandasiodata. py: 35: FutureWarning: O módulo pandas. io. data é movido para um pacote separado (pandas-datareader) e será removido das pandas em uma versão futura. Depois de instalar o pacote pandas-datareader (githubpydatapandas-datareader), você pode alterar a importação de dados de importação pandas. io, wb de dados de importação pandasdatareader, wb. FutureWarning) ------------------------------------------------ --------------------------- ImportError Traceback (última chamada mais recente) ltipython-input-1-caeca508216fgt in ltmodulegt () ---- Gt 1 import zipline c: userstydesktopzipline-0.8.4zipline-0.8.4ziplineinit. py in ltmodulegt () 24 de. version import getversions 25 Estes precisam acontecer após as outras importações. --- gt 26 from. Algoritmo de importação. Import api 28 c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinealgorithm. py in ltmodulegt () 77 de zipline. gensposites import datesortedsources 78 de zipline. gens. tradesimulation import AlgorithmSimulator --- gt 79 from zipline. pipeline. engine import (80 NoOpPipelineEngine, 81 SimplePipelineEngine, c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelineinit. py in ltmodulegt () 4 from. classifier import Classificador 5 from. engine importação SimplePipelineEngine ---- gt 6 from. factors import Factor, CustomFactor 7 from. Filtros importar o filtro 8 da importação. term Termo c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelinefactorsinit. py in ltmodulegt () ---- gt 1 de. factor import (2 Factor, 3 CustomFactor, 4) 5 de importação. latest Última c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelinefactorsfactor. py in ltmodulegt () 12 UnsupportedDataType, 13) --- gt 14 de zipline. lib. rank import maskedrankdata2d 15 de importação zipline. pipeline. mixins (16 CustomTermMixin, c: Userstydesktopz Ipline-0.8.4zipline-0.8.4ziplinelibrank. pyx in ini zipline. lib. rank (ziplinelibrank. c: 4705) () 16) 17 de numpy import applyalongaxis, float64, isnan, nan --- gt 18 de scipy. stats import Rankdata 19 20 C: Anaconda3envspy34libsite-packagesscipystatsinit. py in ltmodulegt () 336 da divisão de importação futura, função de impressão, absoluteimport 337 --gt 338 from. stats import 339 from. distributions import 340 from. morestats import C: Anaconda3envspy34libsite-packagesscipystatsstats. py in Ltmodulegt () 178 de scipy. lib. six import callable, stringtypes 179 de numpy import array, asarray, ma, zeros --gt 180 import scipy. special como especial 181 import scipy. linalg como linalg 182 import numpy as np C: Anaconda3envspy34libsite - packagesscipyspecialinit. py in ltmodulegt () 625 da divisão de importação futura, função de impressão, absoluteimport 626 --gt 627 de. ufuncs import 628 629 de. base importação ImportError: Falha de carregamento de DLL:. Import zipline ------------------------------------------------ --------------------------- ImportError Traceback (última chamada mais recente) ltipython-input-2-caeca508216fgt in ltmodulegt () ---- Gt 1 import zipline c: userstydesktopzipline-0.8.4zipline-0.8.4ziplineinit. py in ltmodulegt () 17 Este não é um lugar para despejar arbitrário classesmodules por conveniência, 18 é um lugar para expor as interfaces públicas. --- gt 19 from. Import 20 from. Import finance 21 de. Importações ImportError: não é possível importar o nome 39data39. . -, 2017 5 1 8:32, zipline. 0,9. -, 2017 5 7 1:17 zipline. Traceback (última chamada mais recente): Arquivo quotltpyshell2gtquot, linha 1, em ltmodulegt import zipline Arquivo quotd: zipline-0.9.0ziplineinit. pyquot, linha 26, em ltmodulegt from. Algoritmo de importação TradingAlgorithm Quotd arquivo: zipline-0.9.0ziplinealgorithm. pyquot, linha 106, em ltmodulegt de zipline. history import HistorySpec Arquivo quotd: zipline-0.9.0ziplinehistoryinit. pyquot, linha 21, em ltmodulegt de. Import historycontainer Arquivo quotd: zipline-0.9.0ziplinehistoryhistorycontainer. pyquot, linha 27, em ltmodulegt de zipline. utils. munge import ffill, bfill Arquivo quotd: zipline-0.9.0ziplineutilsmunge. pyquot, linha 15, em ltmodulegt de pandas. coremon import maskmissing ImportError: não é possível importar o nome 39maskmissing39 .... python 3.4.4 py34 pip. tirolesa . Anaconda. ... -, 2017 5 8 4:32, PC Anaconda 4.0.0 32-bit. (32 bits) Python 3.4 env zipline 0.9.0, importação. Zipline C: zipline-0.9.0. (Setup. py C: zipline-0.9.0setup. py) Pandas (env.) Conda Prompt. Conda atualização conda conda atualização anaconda -, 2017 5 8 9:47 anaconda update ... - benzóico. .. -, 2017 5 9 10:53 py34 activar, py34. -, 2017 6 22 10:41 Windows10 (py34). . . Quot quot, quotquot PC. Anaconda gt C: UsersquotquotAppDataRoamingMicrosoftWindowsStart MenuProgramsAnaconda3 (32 bits), (T). Anaconda3envspy34cwp. py Anaconda3envspy34cwp. py Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot Anaconda Nuvem (py34): (T) C: Anaconda3envspy34pythonw. exe - m webbrowser - t quotanaconda. org quot Anaconda Navigator (py34) QuotC: Anaconda3envspy34Scriptsanaconda-navigator-script. pyquot Prompt Anaconda (py34): (T) windirsystem32cmd. exe quotKquot C: Anaconda3envspy34Scriptsactivate. bat C: Anaconda3envspy34 IPython (py34): (T) C: Anaconda3envspy34pwcp. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsipython-script. pyquot Jupyter notebook (py34): (T) C: Anaconda3envspy34python. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsjupyter-caderno-script. pyquot Jupyter QTConsole (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scrip Tsjupyter-qtconsole-script. pyquot Redefinir Configurações do Spyder (py34): (T) C: Anaconda3envspy34pwp. py C: Anaconda3envspy34quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsspyder-script. pyquot --reset Spyder (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsspyder-script. pyquot -, 2017 6 25 11:52,. Py34 criar, zipline pacote. Zipline1.0.1. Logbook, Logbook-0.12.5, pandas-0.16.1 (pandas-0.18.1 zipline), pandas-datareader-0.2.1, cyordereddict-1.0.0 (cyordereddict-0.2.2 zipline), contextlib2-0.5.3, Bcolz-1.1.0 (zipline 0.12.1) zipline zipline0.8.4. . VC. -, 2017 6 29 12:57 docker, - Kong Hyun, 2017 7 8 8:31 Actualização. . . - Kong Hyun, 2017 7 9 10:22 Kong Hyun,. -, 2017 7 10 3:31 Pandas quotImportError: não é possível importar o nome 39maskmissing39quot quotImportError: não é possível importar o nome 39data39quot gtconda update pandas0.17.1 pandas0.17.1 zipline 0.9.0. - Kayden, 2017 7 25 9:30. . Pandas . Zipline incompatível com pandas 0.18 - não é possível importar dados de nome, não é possível importar nome maskmissing 1197 githubquantopianziplineissues1197 - Kong Hyun, 2017 8 4 11:17. tirolesa . . Anaconda Prompt (Py34), pip instalar zipline, Visual Studio 2017 PTVS, --Python Ferramentas-Ambiente Opções Py34. Tirolesa no Visual Studio 2010 Express. , Média móvel. . Gs39MA539 pd. rollingmean (gs39Adj Close39,5) Py34 gs39MA539 gs39Adj Fechar39.rolling (5).mean () Py35 - danile, 2017 8 21 2:04. Zipline O comando quotpython setup. py egginfoquot falhou com o código 1. Py34. . -, 2017 9 3 2:56 (20170906) Quantopian zipline conda. (Githubquantopianzipline) python 3.4 env conda install - c Quantopian zipline Visual C tirolesa. Ubuntu 14,04 LTS 64bit, WindowsMac OSLinux 64 conda instalar - c Quantopian zipline. - Younghun, 2017 9 6 3:20 Mac OS X conda instalar - c Quantopian zipline. , 10 conda,. 3.4. 39conda remove - n py34 39,, conda install - c Quantopian zipline,. , 2.7. Zipline de importação, 2,7, envs py34,. Pip, pandas ----------------------------------------- conda criar - n py34 python3.4 anaconda Ativar py34 python --vers pip instalar - e C: zipline-0.9.0 conda instalar - n py34 pandas0.17.1 ------------------------- --------------- 10 zipline-1.0.2. Pandas-0,17,0. Pandas-0.17.1 importação. Conda install - n py34 pandas0.17.0, importação zipline, algo. run (). Zipline-0.9.0. -, 2017 12 5 1:26 Anaconda Cloud (py34): (T) C: Anaconda3envspy34pythonw. exe - m webbrowser - t quotanaconda. org quot Anaconda Navigator (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsanaconda-navegador-script. pyquot Anaconda Prompt (py34): (T) windirsystem32cmd. exe quotKquot C: Anaconda3envspy34Scriptsactivate. bat C: Anaconda3envspy34 IPython (py34): (T) C: Anaconda3envspy34python. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsipython-script. pyquot Jupyter Notebook (py34): (T) C: Anaconda3envspy34python. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsjupyter-caderno-script. pyquot Jupyter QTConsole (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: An aconda3envspy34Scriptsjupyter-qtconsole-script. pyquot Repor definições Spyder (py34): (T) C: Anaconda3envspy34python. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34python. exequot quotC: Anaconda3envspy34Scriptsspyder-script. pyquot --reset Spyder (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsspyder-script. pyquot -, 2017 6 25 11:52:20 janela 10 - financeiro, 2017 12 02:27 7 - Financeiro, 2017 12 7 4:18 Jupyter QtConsole 4.2.1 Python 3.4.5 Anaconda 4.2.0 (32 bits) (padrão, 5 de julho de 2017, 14:56:50) MSC v.1600 32 bits (Intel) Tipo quotcopyrightquot , Quotcreditsquot ou quotlicensequot para obter mais informações. IPython 5.1.0 - Um Python interativo aperfeiçoado. - gt Introdução e visão geral dos recursos do IPython39s. Quickref - gt Referência rápida. Help - gt O próprio sistema de ajuda do Python. Object - gt Detalhes sobre 39object39, use 39object39 para obter mais detalhes. Import zipline C: Arquivos de Programas (x86) Anaconda3envspy34libsite-packagespandasiodata. py:35: FutureWarning: O módulo pandas. io. data é movido para um pacote separado (pandas-datareader) e será removido das pandas em uma versão futura. Depois de instalar o pacote pandas-datareader (githubpydatapandas-datareader), você pode alterar a importação de dados de importação de pandas. io, wb de dados de importação de pandasdatareader, wb. FutureWarning) ------------------------------------------------ --------------------------- ImportError Traceback (última chamada mais recente) ltipython-input-1-caeca508216fgt in ltmodulegt () ---- Gt 1 import zipline c: zipline-0.9.0ziplineinit. py in ltmodulegt () 24 de. version import getversions 25 Estes precisam acontecer após as outras importações. --- gt 26 from. Algoritmo de importação. Importação api 28 c: zipline-0.9.0ziplinealgorithm. py in ltmodulegt () 104 de zipline. protocol import Evento 105 --gt 106 de zipline. history import HistorySpec 107 de zipline. history. historycontainer import HistoryContainer 108 c: zipline-0.9. 0ziplinehistoryinit. py in ltmodulegt () 19) 20 --- gt 21 from. Import historycontainer 22 23 todos c: zipline-0.9.0ziplinehistoryhistorycontainer. py in ltmodulegt () 25 26 de zipline. utils. data importar RollingPanel, garantirindex --- gt 27 de zipline. utils. munge import ffill, bfill 28 29 logger logbook. Logger (39History Container39) c: zipline-0.9.0ziplineutilsmunge. py in ltmodulegt () 13 Consulte a Licença para o idioma específico que rege as permissões e 14 limitações sob a Licença. --- gt 15 de pandas. coremon import maskmissing 16 tente: 17 de pandas. coremon importar backfill2d, pad2d ImportError: não é possível importar nome 39maskmissing39 - financista, 2017 12 7 4:20 conda create - n py34 python3.4 anaconda. Prosseguir . Tentando reverter. Py34. Conda-meta (), Library (), qt. conf. . - gt-gtAnaconda3 (32-bit) 34 envspy34. - Jk, 2017 2 14 1:02 python3.4 ERRO conda. core. link:executeactions (330): Ocorreu um erro ao instalar o pacote 39defaults :: qt-5.6.2-vc10339. UnicodeDecodeError (39utf-839, B39 1xb0xb3 xc6xc4xc0xcfxc0xcc xbaxb 9xbbxe7xb5xc7xbexfaxbdxc0xb4xcfxb4xd9.rn39, 9, 10, 39invalid iniciar b yte39) A tentativa de reverter. UnicodeDecodeError (39utf-839, b39 1xb0xb3 xc6xc4xc0xcfxc0xcc xbaxb 9xbbxe7xb5xc7xbexfaxbdxc0xb4xcfxb4xd9.rn39, 9, 10, 39invalid start b yte39). 7 32 os. -, 2017 2 19 10:33
No comments:
Post a Comment