Статья Автор: Плотников Владимир

Анализ файла. Отчет

opened = []
high = []
low = []
close = []
with open("сток.csv") as file:
    for line in file:
        _, op, hi, lo, cl, _, _ = line.split(',')
        opened.append(float(op))
        high.append(float(hi))
        low.append(float(lo))
        close.append(float(cl))

omn = opened[0]
omx = opened[0]
osm = 0
for i in opened:
    if i < omn:
        omn = i
    if i > omx:
        omx = i
    osm += i
oag = osm / len(opened)
sorted_opened = sorted(opened)
on = len(sorted_opened)
if on % 2 == 0:
    ome = (sorted_opened[on // 2 - 1] + sorted_opened[on // 2]) / 2
else:
    ome = sorted_opened[on // 2]
omo = max(opened, key=lambda x: opened.count(x))
od = sum((x - oag) ** 2 for x in opened) / len(opened)
osd = od ** 0.5

print("Статитстика цены акции в момент открытия торгов в определенные дни:")
print("Open минимум =", omn)
print("Open максимум =", omx)
print("Open среднее =", oag)
print("Open медиана =", ome)
print("Open мода =", omo)
print("Open дисперсия =", od)
print("Open стандартное отклонение =", osd)
print()

hmn = high[0]
hmx = high[0]
hsm = 0
for i in high:
    if i < hmn:
        hmn = i
    if i > hmx:
        hmx = i
    hsm += i
hag = hsm / len(high)
sorted_high = sorted(high)
hn = len(sorted_high)
if hn % 2 == 0:
    hme = (sorted_high[hn // 2 - 1] + sorted_high[hn // 2]) / 2
else:
    hme = sorted_high[hn // 2]
hmo = max(high, key=lambda j: high.count(j))
hd = sum((x - hag) ** 2 for x in high) / len(high)
hsd = hd ** 0.5

print("Статистика максимальных цен на акцию в определенные дни:")
print("High минимум =", hmn)
print("High максимум =", hmx)
print("High среднее =", hag)
print("High медиана =", hme)
print("High мода =", hmo)
print("High дисперсия =", hd)
print("High стандартное отклонение =", hsd)
print()

lmn = low[0]
lmx = low[0]
lsm = 0
for i in low:
    if i < lmn:
        lmn = i
    if i > lmx:
        lmx = i
    lsm += i
lag = lsm / len(low)
sorted_low = sorted(low)
ln = len(sorted_low)
if ln % 2 == 0:
    lme = (sorted_low[ln // 2 - 1] + sorted_low[ln // 2]) / 2
else:
    lme = sorted_low[ln // 2]
lmo = max(low, key=lambda h: high.count(h))
ld = sum((x - lag) ** 2 for x in low) / len(low)
lsd = ld ** 0.5

print("Статистика минимальных цен на акцию в определенные дни:")
print("low минимум =", lmn)
print("low максимум =", lmx)
print("low среднее =", lag)
print("low медиана =", lme)
print("low мода =", lmo)
print("low дисперсия =", ld)
print("low стандартное отклонение =", lsd)
print()

cmn = close[0]
cmx = close[0]
csm = 0
for i in close:
    if i < cmn:
        cmn = i
    if i > cmx:
        cmx = i
    csm += i
cag = csm / len(close)
sorted_close = sorted(close)
cn = len(sorted_close)
if cn % 2 == 0:
    cme = (sorted_close[cn // 2 - 1] + sorted_close[cn // 2]) / 2
else:
    cme = sorted_close[cn // 2]
cmo = max(close, key=lambda f: close.count(f))
cd = sum((x - cag) ** 2 for x in close) / len(close)
csd = cd ** 0.5

print("Статистика цен на акцию в момент закрытия торгов в определенные дни:")
print("Close минимум =", cmn)
print("Close максимум =", cmx)
print("Close среднее =", cag)
print("Close медиана =", cme)
print("Close мода =", cmo)
print("Close дисперсия =", cd)
print("Close стандартное отклонение =", csd)
print()

Для анализа я выбрал датасет, отражающий динамику цен на 1 акцию компании NVIDIA с 1999 по 2024 года, в котором 7 колонок: 1-ая (Date) - дата, 2-ая (Open) - цена акции в момент открытия торгов в определенный день, 3-я (High) - максимальная цена в определенный день, 4-ая (Low) - минимальная цена в определенный день, 5-ая (Close) - цена в момент закрытия торгов в определенный день, а также две других колонки, когторые я не анализировал.
Чтобы получить среднее значение в колонке, надо разделить сумму всех значений в списке на количество этих значений в этом списке.
Чтобы получить медиану, надо отсортировать список по возрастанию, а потом записать алгоритм для двух случаев: 1) Если количество значений в списке четное, то надо разделить сумму двух значений, стоящих посередине, на 2. Чтобы найти эти значения, надо обратиться к ним по индексу. 2) Если количество значений в списке нечетное, то надо просто вывести по индексу значение, стоящее посередине отсортированного списка.
Чтобы получить моду, надо найти значение, которое входит в список наибольшее количество раз.
Чтобы получить дисперсию, надо найти сумму квадратов разностей каждого из значений списка и средним значением в этой колонке, а затем разделить эту сумму на количество всех значений этой колонки.
Чтобы найти стандартное отклонение, надо взять квадратный корень из дисперсии, то есть возвести в 0,5-ую степень.

Прикрепленные файлы
сток.csv

от Плотников Владимир 14.12.2024 14:15

Чтобы оставить комментарий нужна авторизация

Печать