Portal Física

import pandas as pd

from pandas import DataFrame

import datetime

import pandas.io.data  ## Vamos utilizar para acesso à API do Yahoo finance e importação de dados

import matplotlib.pyplot as plt

csna3 = pd.io.data.get_data_yahoo('CSNA3.SA',

                                  start = datetime.datetime(2000,10,1),

                                  end = datetime.datetime(2015,7,10))

# o Método .head() mostra as primeiras linhas do objeto

csna3.head()

# Salvar o dados do DataFrame para o formato .csv

csna3.to_csv('csna3_ohlc.csv')

# Lendo o arquivo .csv [pd.read_csv('arquivo.csv')]

# Comente sobre os dois argumentos além do filename

df = pd.read_csv('csna3_ohlc.csv', index_col='Date', parse_dates=True)

df.head()

# Especificando apenas uma coluna (via string '')

df2 = df['Open']

df2.head()

# Especificando multiplas colunas (via lista[])

df3 = df[['Open', 'Close']]

df3.head()

# Removendo uma coluna

df3_tmp = df3.copy() # Criando uma cópia de segurança

del df3['Close']

df3.head()

df3 = df3_tmp.copy() # Restaurando o df3 ao estado anterior

del df3_tmp          # Removendo a cópia de segurança

df3.head()

df3.head()

# Renomeando as colunas

df3.rename(columns={'Close': 'CLOSE'}, inplace=True)

df3.head()

# Filtrando dados via condição lógica `df3[(condição-logica)]`

df4 = df3[(df3['CLOSE'] > 1)] # Seleciona onde valores de CLOSE são > 1

df4.head()

# Criando colunas com colunas a partir de operações matemáticas

df['H-L'] = df['High'] - df.Low

df.head()

# Médias móveis (em pandas `pd.rolling_mean()`)

# Criando uma coluna com a Media móvel com janela de 100 períodos

df['100MA'] = pd.rolling_mean(df['Close'], 100)

print df[200:205]  # Os primeiros 100 valores serão NaN

# Referências em *prior rows* pelo método .diff()

# Criando uma nova colunas com valores calculados

# de uma coluna ['Close'] menos o valor anterior (por linhas)

df['Diferenca'] = df['Close'].diff()

df.head()

figure(figsize=(16,8))

# Grafico do DataFrame Inteiro

df.plot()

savefig('img-df-inteiro.png')

# Gráfigo de uma coluna específica

# Gráfico da média móvel 100MA

figure(figsize=(16,8))

df['100MA'].plot()

df['hpm'] = 7.02

df['hpm'].plot()

savefig('img-df-hpm-100MA.png')

# Gráfigo de colunas múltiplas

# Gráfico da média móvel 100MA e Close

figure(figsize=(16,8))

df['100MA'].plot(legend=True)

df['Close'].plot(legend=True)

#df[['Close','100MA']].plot()

savefig('img-df-Close+100MA.png')

# Gráfigo de colunas múltiplas

# Gráfico da média móvel 100MA e Close

figure(figsize=(16,8))

df[['Open','High','Low','Close','100MA']].plot()

savefig('img-df-ohlc+100MA.png')

'''

    Pode-se usar um grágico 3D para mostrar o preço de fechamento 

    (*Close*) do ativo em função do volume de operações e a covariância 

    entre esses dados. Interessante se pudermos usar o mouse para mudar

    a visão. Nos demais casos é melhor um gráfico de espalhamento

    bidimensional.

'''

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(16,10))

graf3d = fig.gca(projection='3d')

#============================================================

#           Recriando o DataFrame com indice inteiro

#

df = pd.read_csv('csna3_ohlc.csv', parse_dates=True)

df['H-L'] = df.High - df.Low

df['100MA'] = pd.rolling_mean(df['Close'], 100)

df['Diferenca'] = df['Close'].diff()

#============================================================

# df.index é o índice dos dados

graf3d.scatter(df.index, df['H-L'], df['Close'], alpha=0.5)

# Nomeando os 3 eixos

graf3d.set_xlabel('Index')

graf3d.set_ylabel('H-L')

graf3d.set_zlabel('Close')

fig.show()

savefig('img-df-3d-HLxClose.png')

# Comportamento de H-L responde a variação no Volume

fig = plt.figure(figsize=(16,10))

graf3d =fig.gca(projection='3d')

graf3d.scatter(df.index, df['H-L'], df['Volume'], alpha=0.5)

# Nomeando os 3 eixos

graf3d.set_xlabel('Index')

graf3d.set_ylabel('H-L')

graf3d.set_zlabel('Volume')

fig.show()

savefig('img-df-3d-HLxVol.png')

""" Adicionando uma coluna ao DataFrame para adicionar o cálculo do

    valor do Desvio Padrão (*STD*)

    .sublot(rows,cols, plot-number)

"""

#============================================================

#         Recriando o DataFrame com indice sendo a Data

#

df = pd.read_csv('csna3_ohlc.csv', index_col='Date', parse_dates=True)

df['H-L'] = df.High - df.Low

df['100MA'] = pd.rolling_mean(df['Close'], 100, min_periods=1)

df['Diferenca'] = df['Close'].diff()

#============================================================

df['STD'] = pd.rolling_std(df['Close'], 25, min_periods=1)

fig = plt.figure(figsize=(16,10))

# Criando eixos para multiplot

# Superior (Linha 1)

ax1 = plt.subplot(2,1,1)

# ax1.plot(df['Close'])             # usando matplotlib diretamente

df['Close'].plot(legend=True)       # usando pandas

# Inferior (Linha 2)

# se quiser compartilhar o eixo .subplot(2,1,2, sharex = ax1)

ax2 = plt.subplot(2,1,2)

df['STD'].plot(legend=True)

fig.show()

savefig('img-df-mpl-close-std.png')

# Já que cada coluna do DataFrame comporta-se como uma série,

# pode-se invocar o método `.describe` em todo o DataFrame

df.describe()

'''

    Correlação = Relação na variação entre duas grandezas. Quão 

    influente é a variação de uma variável como causa da variação

    da outra. Obs: Correlação não é causa.

    Covariância = Medida da força da correlação. Quão forte é a 

    influência de uma sobre a outra.

'''

# Mostrando a correlação

df.corr()

# Mostrando a Covariância

df.cov()

# Se quisermos apenas a estatística comparativa entre duas variáveis

df[['Volume', 'H-L']].corr()

#============================================================

#         Criando o DataFrame com indice sendo a Data

#

df = pd.read_csv('csna3_ohlc.csv', index_col='Date', parse_dates=True)

#============================================================

import random

def function(data):

    '''

        Recebe o parâmetro data como argumento e o retorna multiplicado

        por um numero aleatorio entre 0 e 5

    '''

    x = random.randrange(0,5)

    return data*x

df['Multiple'] = map(function, df['Close'])

df.head()