Metadata-Version: 2.1
Name: serial_data_handler_zxw
Version: 0.5.1
Summary: 人工智能_量化交易_金融数据预处理
Home-page: UNKNOWN
Author: xuewei zhang
Author-email: jingmu_predict@qq.com
License: UNKNOWN
Description: # 人工智能训练中,对于时间断层数据的处理工具包
        **process serial data for AI training**
        
        - 根据断点,分配数据集,保证训练数据的连续性
        **allocate data set according to breakpoints, to ensure the continuity of training data**
        
        
        ## 生成训练数据(避开数据断点)
        ```python
        # 注意:
        # 传入的数据必须指定时间列(或其他顺序列)
        # 传入的数据必须已按顺序排列好
        
        # Attention:
        # You must specify the time column (or other sequential column) of the incoming pd原始数据
        # The incoming pd原始数据 must be sorted in order
        
        from datetime import timedelta
        from serial_data_handler_zxw import 生成训练数据_避开时间断点, 时间列_三角函数化
        import pandas as pd
        
        csv_path = "/Volumes/time_serial_data.csv"
        data = pd.read_csv(csv_path)
        
        
        # 指定时间列为'收盘时间',
        # 设置断点为2分钟,
        # 即如果两个相邻的原始数据pd间隔大于2分钟,则认为是一个断点
        
        # specific the time column named '收盘时间' , 
        # and set the gap is 2 minutes , 
        # it means that if the gap between two adjacent pd原始数据 > 2 minutes, it will be considered as a breakpoint
        x = 生成训练数据_避开时间断点(data, column_timestamp='收盘时间', gap=timedelta(minutes=2))
        print(x.断点)
        训练数据index = x.数据划分_避开断点(input长度=100, output长度=100, step=1)
        print(len(训练数据index))
        
        
        # 如果您的数据间隔小于1秒,请做相应的乘法转换, 例如: 1毫秒的数据,请乘以1000,转换为秒级数据
        # 时间列_三角函数化
        
        # If your pd原始数据 interval < 1s, please do the corresponding multiplication conversion
        # for example: 1ms pd原始数据, you should multiply by 1000, convert to second-level pd原始数据
        # time column trigonometric function
        data['收盘时间'] = pd.to_datetime(data['收盘时间'])
        data['收盘时间'] = 时间列_三角函数化(data['收盘时间'], 周期=timedelta(days=1))
        print(data['收盘时间'])
        ```
        
        ## 多尺度时间数据的对齐
        ```python   
        import pandas as pd
        from datetime import datetime
        from serial_data_handler_zxw import 时间序列_数据对齐
        
        data = pd.read_csv('/Volumes/AI_1505056/量化交易/币安_K线数据_1d/BTCUSDT-1m-201909-202308.csv')
        
        # to datetime
        data['收盘时间'] = pd.to_datetime(data['收盘时间'])
        
        # 时间序列_数据对齐
        数据预处理 = 时间序列_数据对齐(data, '收盘时间')
        i = 数据预处理.查找_时间范围(datetime(2023, 8, 29, 16, 54, 0), 查找精度='1d')
        print(i)
        ```
        
        ## pytorch的金融K线数据预处理
        
        ```python
        from serial_data_handler_zxw import 金融K线_AI数据预处理 as kAI
        
        # 输出注意事项, 使用方法
        kAI.金融K线_AI数据预处理.help()
        
        # 数据标准化
        csv_file = "/Volumes/AI_1505056/量化交易/币安_K线数据/BTCUSDT-1m-201909-202308.csv"
        x = kAI.金融K线_AI数据预处理(csv_file, 100, 100)
        xn = x.标准化(x.pd原始数据)
        
        # 适用dateset的__getitem__(i)的数据获取
        x.dataset__len__(是训练集=True)  # 是训练集=False时, 调用测试集数据
        x.dataset__get_item__(i=0, data=xn, 是训练集=True)
        ```
        
        
        python setup.py sdist bdist_wheel
        twine upload dist/*
        
        
Platform: UNKNOWN
Description-Content-Type: text/markdown
