Medio Python Panda Moving

Il modulo scikits. timeseries non è in fase di sviluppo attivo. C'è una lista eccezionale di insetti che sono difficilmente possono essere risolti. Il piano è per le funzionalità di base di questo modulo da attuare in panda. Se si desidera vedere questo modulo in diretta su indipendentemente da panda, sentitevi liberi di fork del codice e prenderne il controllo. Il modulo scikits. timeseries fornisce classi e funzioni per la manipolazione, la segnalazione, e tracciando serie storiche di varie frequenze. Il focus è su un comodo accesso dei dati e la manipolazione sfruttando la funzionalità matematica esistente NumPy e SciPy. Se i seguenti scenari suona familiare a voi, allora è probabile trovare il modulo scikits. timeseries utile: Confronto molte serie tempo con diverse gamme di dati Creare diagrammi di serie storiche con le etichette degli assi in modo intelligente distanziati convertire una serie di tempo quotidiano (ad esempio i prezzi delle azioni.) a mensile prendendo il valore medio nel corso di ogni mese di lavoro con i dati che sono mancanti i valori determinare l'ultimo giorno lavorativo del monthquarteryear precedente ai fini di reporting Calcolare una deviazione standard in movimento in modo efficiente Questi sono solo alcuni degli scenari che sono fatti molto semplice con i scikits modulo. timeseries. DocumentationHow creare un modello ARIMA per le serie temporali di previsione con Python un metodo statistico popolare e ampiamente utilizzati per la previsione di serie storiche è il modello ARIMA. ARIMA è un acronimo che sta per Autoregressive Integrated media mobile. Si tratta di una classe di modello che cattura una serie di differenti strutture temporali standard, in dati di serie temporali. In questo tutorial, vi farà scoprire come sviluppare un modello ARIMA per i dati di serie temporali con Python. Dopo aver completato questa esercitazione, saprai: A proposito del modello ARIMA i parametri utilizzati e le assunzioni fatte dal modello. Come adattare un modello ARIMA ai dati e usarlo per fare previsioni. Come configurare il modello ARIMA sul problema delle serie storiche. Let8217s iniziare. Autoregressive Integrated Moving modello Modello media Un ARIMA è una classe di modelli statistici per i dati di serie temporali di analisi e di previsione. Si rivolge esplicitamente a una serie di strutture standard nei dati di serie temporali, e come tale fornisce un metodo semplice ma potente per fare previsioni di serie storiche abile. ARIMA è un acronimo che sta per Autoregressive Integrated media mobile. È una generalizzazione della Autoregressive semplice media mobile e aggiunge la nozione di integrazione. Questa sigla è descrittivo, catturando gli aspetti chiave del modello stesso. In breve, essi sono: AR. Autoregressione. Un modello che utilizza la relazione di dipendenza tra una osservazione e un numero di osservazioni ritardati. IO . Integrato. L'uso di differenziazione delle osservazioni grezze (ad esempio sottraendo un'osservazione da un'osservazione al passo temporale precedente) al fine di rendere fermo serie temporale. MA. Media mobile. Un modello che utilizza la dipendenza tra un'osservazione e un errore residuo da un modello di media mobile applicata alle osservazioni ritardati. Ciascuno di questi componenti sono esplicitamente indicate nel modello come parametro. Una notazione standard è utilizzato di ARIMA (p, d, q) dove i parametri vengono sostituiti con valori interi per indicare rapidamente il modello ARIMA specifica in uso. I parametri del modello ARIMA sono definiti come segue: p. Il numero di osservazioni lag incluse nel modello, chiamato anche l'ordine di ritardo. d. Il numero di volte che le osservazioni grezze sono differenziata, chiamato anche il grado di differenziazione. q. La dimensione della finestra di media mobile, chiamato anche l'ordine di media mobile. Un modello di regressione lineare è costruito compreso il numero specificato e il tipo di termini, ed elabora i dati da un grado di differenziazione per renderlo stazionario, cioè per rimuovere strutture di tendenza e stagionali che influenzano negativamente il modello di regressione. Il valore 0 può essere utilizzato per un parametro, che indica non utilizzare tale elemento del modello. In questo modo, il modello ARIMA può essere configurato per eseguire la funzione di un modello ARMA, e anche un semplice AR, I, o modello MA. L'adozione di un modello ARIMA per una serie temporale presuppone che il processo sottostante che ha generato le osservazioni è un processo ARIMA. Questo può sembrare ovvio, ma aiuta a motivare la necessità di confermare le ipotesi del modello nelle osservazioni prime e negli errori residui delle previsioni dal modello. Avanti, let8217s dare un'occhiata a come possiamo utilizzare il modello ARIMA in Python. Inizieremo con il caricamento di una semplice serie storica univariata. Smettere di imparare Serie Tempo Previsione il modo lento Sign-up e ottenere un libero di 7 giorni Time Series Forecasting Mini-Corso Otterrete:. una lezione ogni giorno consegnato alla tua casella di posta. esclusivo ebook PDF contenente tutte le lezioni. la fiducia e la capacità di lavorare attraverso i propri progetti Shampoo vendite Dataset Questo set di dati descrive il numero mensile delle vendite di shampoo nel corso di un periodo di 3 anni. Le unità sono un conteggio di vendita e ci sono 36 osservazioni. Il set di dati originale è attribuita a Makridakis, Wheelwright, e Hyndman (1998). Scarica il set di dati e posizionarlo nella directory di lavoro corrente con il nome 8220 shampoo-sales. csv 8220. Di seguito è riportato un esempio di caricamento del set di dati di vendita Shampoo con Panda con una funzione personalizzata per analizzare il campo data-ora. Il set di dati è baselined in un anno arbitrario, in questo caso 1900. In primo luogo, si ottiene una trama linea degli errori residui, suggerendo che ci possono essere ancora un po 'di informazioni tendenza non rilevati dal modello. ARMA Fit residua Errore trama successiva, si ottiene una trama densità dei valori di errore residuo, suggerendo gli errori sono gaussiana, ma non può essere centrato sullo zero. ARMA Fit densità errore residuo trama è visualizzata la distribuzione degli errori residui. I risultati mostrano che in effetti vi è una polarizzazione nella previsione (un non-zero significa nei residui). Si noti che, anche se al di sopra abbiamo usato l'intero set di dati per l'analisi di serie temporali, idealmente avremmo eseguire questa analisi su un solo set di dati di formazione nello sviluppo di un modello predittivo. Avanti, let8217s guardano come possiamo utilizzare il modello ARIMA fare previsioni. modello di Rolling Forecast ARIMA del modello L'ARIMA può essere utilizzato per prevedere le future fasi temporali. Siamo in grado di utilizzare la funzione di prevedere () sui ARIMAResults oggetto per fare previsioni. Accetta l'indice dei passaggi di tempo per fare previsioni come argomenti. Questi indici sono relativi all'inizio del set di dati di addestramento impiegato per fare previsioni. Se abbiamo utilizzato 100 osservazioni nel dataset di formazione per adattare il modello, poi l'indice del passo temporale successivo per fare una previsione verrebbe specificato alla funzione di previsione come start101, end101. Ciò restituisce un array con un elemento che contiene la previsione. Abbiamo inoltre preferiamo i valori previsti per essere in scala originale, nel caso in cui abbiamo effettuato alcuna differenziazione (dgt0 quando si configura il modello). Questo può essere specificato impostando l'argomento tip al valore 8216levels8217. typ8217levels8217. In alternativa, possiamo evitare tutte queste specifiche utilizzando la funzione del tempo (), che esegue una previsione di uno stadio utilizzando il modello. Siamo in grado di dividere il set di dati di formazione in trenini e di prova, utilizzare il treno impostato per adattarsi al modello, e generare una previsione per ogni elemento sul set di prova. Una previsione di laminazione si riveli necessaria data la dipendenza da osservazioni in tempo passi precedenti per la differenziazione e il modello AR. Un modo rozzo per eseguire questa previsione di laminazione è quello di ricreare il modello ARIMA dopo ogni nuova osservazione è ricevuto. Teniamo manualmente traccia di tutte le osservazioni in un elenco denominato storia che è seminato con i dati di formazione e al quale nuove osservazioni vengono aggiunti ogni iterazione. Mettendo insieme tutto questo, qui di seguito è un esempio di una previsione di laminazione con il modello ARIMA in Python. Una trama linea è creato mostrando i valori attesi (blu) rispetto alle previsioni di previsione rotolamento (rosso). Possiamo vedere i valori mostrano un po 'di tendenza e sono nella scala corretta. ARIMA di Rolling Forecast trama Il modello potrebbe utilizzare un'ulteriore messa a punto del p, d, e forse anche i parametri Q. Configurazione di un modello ARIMA L'approccio classico per il montaggio di un modello ARIMA è quello di seguire il Box-Jenkins Metodologia. Questo è un processo che utilizza l'analisi di serie temporali e diagnostica per scoprire buoni parametri del modello ARIMA. In sintesi, le fasi di questo processo sono i seguenti: Identificazione del modello. Utilizzare trame e statistiche riassuntive per identificare tendenze, stagionalità, ed elementi autoregressivi per avere un'idea della quantità di differenziazione e la dimensione del ritardo che sarà richiesto. Stima dei parametri. Utilizzare una procedura di raccordo per trovare i coefficienti del modello di regressione. Model checking. Utilizzare trame e test statistici degli errori residui per determinare la quantità e il tipo di struttura temporale non rilevati dal modello. Il processo viene ripetuto fino a quando si ottiene sia un livello desiderabile di adattamento alle in-campione o out-of-campione di osservazioni (ad esempio addestramento o test set di dati). Il processo è stato descritto nel classico 1970 libro di testo sul tema dal titolo Analisi delle Serie: Previsione e controllo da George Box e Gwilym Jenkins. Un 5 ° edizione aggiornata è ora disponibile, se siete interessati ad andare più a fondo in questo tipo di modello e la metodologia. Dato che il modello può essere in forma in modo efficiente su modeste dimensioni set di dati di serie temporali, griglia a cercare parametri del modello può essere un valido approccio. In questo tutorial, avete scoperto come sviluppare un modello ARIMA per la previsione di serie temporali in Python. In particolare, si è appreso: A proposito del modello ARIMA, come può essere configurato, e le ipotesi fatte dal modello. Come eseguire una rapida analisi di serie temporali utilizzando il modello ARIMA. Come utilizzare un modello ARIMA per la previsione di previsioni del campione. Avete delle domande su ARIMA, o su questo tutorial porre le vostre domande nei commenti qui sotto e io farò del mio meglio per rispondere. Vuole sviluppare previsioni di serie storica con Python sviluppare il proprio Previsioni in pochi minuti con poche righe di codice Python Copre esercitazioni di auto-apprendimento e progetti end-to-end su temi come: Caricamento dati. visualizzazione. modellazione. messa a punto l'algoritmo. e altro ancora. Infine Portare Time Series Forecasting per i propri progetti saltare la Accademici. Solo risultati. Kevin 17 gennaio 2017 alle 12:58 mi dà un sacco di errori: errore traceback (chiamata più recente scorso): File 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2276, nel convertitore dateparser (datecols), errors8217ignore8217) file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in datetime. strptime ritorno parser (82161908217x, 8216Y-m8217) TypeError: strptime () argomento 1 deve essere str, non numpy. ndarray Durante la gestione della deroga di cui sopra, un'altra eccezione si è verificata: Traceback (chiamata più recente scorso): file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2285, nel convertitore dayfirstdayfirst), file 8220pandassrcinference. pyx8221, la linea 841, in pandas. lib. tryparsedates (pandaslib. c: 57884) file 8220pandassrcinference. pyx8221, la linea 838, in pandas. lib. tryparsedates (pandaslib. c: 57802) file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in parser datetime. strptime ritorno (82161908217x, 8216Y-m8217) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 510, in strptimedatetime TT, (datastring, formato frazione strptime ) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 343, in strptime (datastring, formato)) ValueError: dati in tempo 8216190Sales di shampoo più di un period8217 tre anni non corrisponde formato 8216Y-m8217 Durante la manipolazione della deroga di cui sopra, si è verificata un'altra eccezione: Traceback (chiamata più recente scorso): file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 8, in serie readcsv (8216shampoo-sales. csv8217, header0, parsedates0, indexcol0, squeezeTrue, dateparserparser) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 562, in cambio parserf leggere (filepathorbuffer, kwds) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 325, in parser. read ritorno read () file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 815, in lettura ret self. engine. read (nrows) File 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 1387, dell'indice di lettura, i nomi self. makeindex (dati, ALLDATA, nomi) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 1030, dell'indice di makeindex self. aggindex (indice) file 8220Userskevinoostanacondalibpython3. 5site-packagespandasioparsers. py8221, la linea 1111, in aggindex arr self. dateconv (arr) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2288, in genericparser convertitore cambio (dateparser, datecols) file 8220Userskevinoostanacondalibpython3.5site-packagespandasiodateconverters. py8221, linea 38 , in genericparser resultsi variabile parseFunc (args) File 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in parser datetime. strptime ritorno (82161908217x, 8216Y-m8217) File 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 510, in strptimedatetime TT, frazione strptime (datastring, formato) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 343, in strptime (datastring, formato)) ValueError: dati in tempo 8216190Sales di shampoo più di un period8217 tre anni non corrisponde formato processo 8216Y-m8217 terminato con codice di uscita 1 Aiuto sarebbe molto apprezzato. Sembra che ci potrebbe essere un problema con il file di dati. Aprire il CSV in un editor di testo e confermare la riga di intestazione sembra ragionevole. conferma inoltre che non si hanno dati aggiuntivi alla fine del file. A volte i file DataMarket scaricare i dati piè di pagina che si desidera eliminare. NGUYEN Quang Anh 19 gennaio 2017 alle 18:28 Let dire che ho un insieme di dati di serie temporali con molti attributi. Per esempio una fila avrà (velocità, carburante, tirepressure), come potremmo fatto un modello di questo. il valore di ogni colonna può influenzare l'un l'altro, quindi non possiamo fare previsioni sul solo 1 colonna. I google molto, ma tutti l'esempio I8217ve trovato così lavorare ad ora solo su serie temporali di 1 attributo. Questo si chiama previsione delle serie temporali multivariate. Modelli lineari come ARIMA non sono stati progettati per questo tipo di problema. in generale, è possibile utilizzare la rappresentazione ritardo a base di ogni caratteristica e quindi applicare un algoritmo di apprendimento macchina standard. Spero di avere alcuni tutorial su questo presto. Muyi Ibidun 7 febbraio 2017 alle 9:36 am Il tuo problema si inserisce quali modelli VAR (autoregressione vettoriale) è stato progettato per. Vedere i seguenti link per ulteriori informazioni. Spero che questo aiuta il vostro lavoro. Kelvid 20 gennaio 2017 alle 11:55 am Ciao, ti avrebbe un esempio per il posto stagionale ARIMA Ho installato ultimo modulo statsmodels, ma c'è un errore di importazione del SARIMAX. Non aiuterà se si riesce a capirlo. Grazie. Sebastian 31 gennaio 2017 alle 03:33 Grande postale Jason Ho un paio di domande: 8211 Giusto per essere sicuri. modelfit. forecast () è solo passo avanti previsioni e modelfit. predict () è per passo più avanti prevede 8211 sto lavorando con una serie che sembra, almeno molto simile alla serie shampoo (mediante ispezione). Quando uso prevedere sui dati di allenamento, ottengo questo zig-zag nella previsione pure. Ma per i dati di test, la previsione è molto più liscia e sembra saturare a un certo livello. Ti aspetta questo caso contrario, cosa potrebbe essere sbagliato Sì, previsione () è per le previsioni di un passo. È possibile effettuare una previsione pari passo con predicono () anche, ma è più lavoro. Non mi aspetto che la previsione di là a pochi passi il tempo di essere molto precisi, se questa è la domanda Sebastian 3 febbraio 2017 alle 9:25 am Grazie per la risposta Per quanto riguarda la seconda domanda. Sì, hai ragione la previsione non è molto accurato. Ma inoltre, la serie temporale previsto ha un contenuto di frequenza completamente diverso. Come ho detto, è liscia e non zig-zaggy i dati originali. È normale o sto facendo qualcosa di sbagliato. Ho provato anche la previsione passo multipla (modelfit. predict ()) sui dati di allenamento e quindi le previsioni sembrano avere più o meno lo stesso contenuto di frequenza (più zig-zaggy) in quanto i dati che sto cercando di prevedere. Ciao Sebastian, vedo. Nel caso di prevedere sulla dati di addestramento, il modello ha accesso alle osservazioni reali. Ad esempio, se si prevedere i prossimi 5 OB da qualche parte nel set di dati di formazione, userà oss (T4) per prevedere t5, piuttosto che la previsione (T4). Nel caso di prevedere oltre la fine dei dati del modello, non deve OB di fare previsioni (a meno che non li forniscono), ha solo l'accesso alle previsioni formulate per il tempo passi precedenti. Il risultato è il composto errori e le cose vanno fuori dai binari veloci (previsione piatta). Questo fa sensehelp James Zhang 10 Febbraio, 2017 alle 19:42 vi ringrazio molto per il posto, molto buono scritto, ho una domanda: così ho usato il tuo approccio per costruire il modello, ma quando provo a prevedere i dati che sono fuori dal campione, ho commentato la testt OB e cambiare history. append (oBS) per history. append (yhat), e ho ottenuto un prediction8230 piana in modo quello che potrebbe essere il motivo e come fare concretamente l'out-of previsioni campione sulla base del modello montato sul treno insieme di dati Grazie mille Ogni loop nella previsione di laminazione mostra come fare un one-step di previsione campione. Addestrare il vostro ARIMA su tutti i dati disponibili e chiamare previsione (). Se si desidera eseguire una previsione multi-step, infatti, è necessario trattare le previsioni precedenti come 8220observations8221 e li usa per le previsioni successive. È possibile farlo utilizzando automaticamente la funzione di prevedere (). A seconda del problema, questo approccio non è spesso abile (ad esempio una previsione piatta). James 16 febbraio 2017 alle 02:03 1) Zipline Jupyter QtConsole 14.1 zipline importazione. 14.1. 14.1 Zipline Zipline Conda. Conda. zipline. Zipline GitHub (githubquantopianzipline) 14.2 python 2.7 python 3.4. Python 3.5 zipline. 14.2 Zipline zipline python 2.7 pitone 3.4 zipline pitone 3.4. Python 3.5 zipline. . 14.3. Conda PC. Python 3.4 Conda. 14.4 Conda aggiornamento Conda Conda. Conda python 3.4. Conda creare. - n, pitone. Anaconda. Conda creare 14.5. . y. . 14,5 Conda creano Conda creare C: Anaconda3envs - n (py34) 14,6 (Python 3.4). 14.6 Conda creano Conda creano Visual C del 2010. Visual C 2010 IDE di Visual C CC 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 di Visual C 14.0. vcweb. exe. 14,7 Avanti. 14,7 Visual C 2010 Express 1 14,8 Avanti. 14.8 Visual C 2010 Express 2 14.9 Avanti. 14.9 Visual C 2010 Express 3 14.10 Installa. 14.10 Visual C 2010 Express 4 Visual C 2010 Express py34 zipline. py34 - gt. 14.11 Anaconda Prompt (py34). 14.11 Anaconda Prompt (py34) Anaconda Prompt (py34) 14.22 pip installare zipline zipline. 14.12 pip zipline zipline python 3.4 importazione. - gt Jupyter QtConsole (py34). Jupyter QtConsole 14.13 Python 3.4.5. 14.13 Python 3.4 Jupyter QtConsole Jupyter QtConsole importazione zipline avvertimento 14.14 importazione. 14.14 zipline importazione. , Importazione zipline. importazione zipline C: Anaconda3envspy34libsite-packagespandasiodata. py: 35: FutureWarning: Il modulo pandas. io. data viene spostato in un pacchetto separato (panda-datareader) e verrà rimosso da panda in una versione futura. Dopo aver installato il pacchetto panda-datareader (githubpydatapandas-datareader), è possibile modificare l'importazione di dati di importazione pandas. io, wb a partire dai dati pandasdatareader importazione, wb. FutureWarning) ------------------------------------------------ --------------------------- ImportError Traceback (chiamata più recente scorso) ltipython-input-1-caeca508216fgt a ltmodulegt () ---- gt 1 importazione zipline c: userstydesktopzipline-0.8.4zipline-0.8.4ziplineinit. py in ltmodulegt () 24 da. version getversions importazione 25 Questi devono accadere dopo le altre importazioni. --- Gt 26 da. algoritmo di importazione TradingAlgorithm 27 da. importazione api 28 c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinealgorithm. py in ltmodulegt () 77 da zipline. gensposites importare datesortedsources 78 da zipline. gens. tradesimulation importazione AlgorithmSimulator --- GT 79 da importazione zipline. pipeline. engine (80 NoOpPipelineEngine, 81 SimplePipelineEngine, c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelineinit. py in ltmodulegt () 4 da. classifier importazione Classificatore 5 da. motore SimplePipelineEngine importazione ---- gt 6 da. factors importare Factor, CustomFactor 7 da. filtri di importazione filtro 8 da. term import Term C: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelinefactorsinit. py in ltmodulegt () ---- gt 1 da importazione. FACTOR (2 Factor, 3 CustomFactor, 4) 5 da importazione. latest Ultimo c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinepipelinefactorsfactor. py in ltmodulegt () 12 UnsupportedDataType, 13) --- gt 14 da importazione zipline. lib. rank maskedrankdata2d 15 da zipline. pipeline. mixins importazione (16 CustomTermMixin, c: userstydesktopzipline-0.8.4zipline-0.8.4ziplinelibrank. pyx a init zipline. lib. rank (ziplinelibrank. c: 4705) () 16) 17 da applyalongaxis importazione NumPy, float64, isNaN, nan --- GT 18 da scipy. stats import rankdata 19 20 C: Anaconda3envspy34libsite-packagesscipystatsinit. py in ltmodulegt () 336 dal futuro import division, printfunction, absoluteimport 337 --gt 338 da. stats importare 339 da. distributions importare 340 da. morestats importare C: Anaconda3envspy34libsite-packagesscipystatsstats. py in ltmodulegt () 178 da importazione scipy. lib. six callable, stringtypes 179 da NumPy gamma di importazione, asarray, ma, zeri --gt 180 importazione scipy. special come speciali scipy. linalg 181 importazione come linalg 182 importazione NumPy come np C: Anaconda3envspy34libsite - packagesscipyspecialinit. py in ltmodulegt () 625 dal futuro import division, printfunction, absoluteimport 626 --gt 627 da. ufuncs importare 628 629 da. basic ImportError importazione: carico DLL non riuscita:. importazione zipline ------------------------------------------------ --------------------------- ImportError Traceback (chiamata più recente scorso) ltipython-input-2-caeca508216fgt in ltmodulegt () ---- gt 1 importazione zipline c: userstydesktopzipline-0.8.4zipline-0.8.4ziplineinit. py in ltmodulegt () 17 Questo non è un posto per fare uscire classesmodules arbitrari per comodità, 18 è un luogo per esporre le interfacce pubbliche. --- Gt 19 da. importare dati da 20. importare finanza 21 da. importazione gens ImportError: non è possibile importare nome 39data39. . - 2016 5 1 08:32, zipline. 0.9. - 2016 5 7 01:17 zipline. Traceback (chiamata più recente scorso): quotltpyshell2gtquot file, la linea 1, in ltmodulegt importazione quotd zipline File: zipline-0.9.0ziplineinit. pyquot, linea 26, in ltmodulegt da. algoritmo di importazione TradingAlgorithm File quotd: zipline-0.9.0ziplinealgorithm. pyquot, linea 106, in ltmodulegt da zipline. history quotd importazione HistorySpec File: zipline-0.9.0ziplinehistoryinit. pyquot, la linea 21, in ltmodulegt da. importazione historycontainer File quotd: zipline-0.9.0ziplinehistoryhistorycontainer. pyquot, linea 27, in ltmodulegt da zipline. utils. munge importazione ffill, bfill file quotd: zipline-0.9.0ziplineutilsmunge. pyquot, linea 15, in ltmodulegt da pandas. coremon importazione maskmissing ImportError: non può importare nome 39maskmissing39 .... Python 3.4.4 py34 pip. zipline. Anaconda. ... - 2016 5 8 04:32, PC Anaconda 4.0.0 a 32 bit. (32-bit) Python 3.4 env zipline 0.9.0, importazione. zipline C: zipline-0.9.0. (Setup. py C: zipline-0.9.0setup. py) Panda (ENV). Conda Prompt. Conda aggiornamento Conda aggiornamento Conda Anaconda - 2016 5 8 09:47 aggiornamento di anaconda ... .. ... .. - 2016 5 9 10:53 py34 attivare, py34. - 2016 6 22 10:41 Windows 10 (py34). . . quot quot, PC quotquot. Anaconda gt C: UsersquotquotAppDataRoamingMicrosoftWindowsStart MenuProgramsAnaconda3 (32-bit), (T). Anaconda Cloud (py34): (T) C: Anaconda3envspy34pythonw. exe - m browser web - t quotanaconda. org quot Anaconda Navigator (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsanaconda-navigatore-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-notebook-script. pyquot Jupyter qTConsole (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsjupyter-qtconsole-script. pyquot Ripristina impostazioni 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 -, 2016 6 25 11:52,. py34 creare, pacchetto zipline. zipline1.0.1. Logbook, Logbook-0.12.5, panda-0.16.1 (panda-0.18.1 zipline), panda-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. - 2016 6 29 12:57 finestra mobile, - Kong Hyun 2016 7 8 08:31 Update. . . - Kong Hyun 2016 7 9 10:22 Kong Hyun,. - 2016 7 10 03:31 Pandas quotImportError: non può importare nome 39maskmissing39quot quotImportError: non può importare nome 39data39quot aggiornamento gtconda pandas0.17.1 pandas0.17.1 zipline 0.9.0. - Kayden 2016 7 25 09:30. . panda. . zipline incompatibili con i panda 0,18 - non è in grado di importare i dati di nome, non è in grado di importare nome maskmissing 1197 githubquantopianziplineissues1197 - Kong Hyun 2016 8 4 11:17. zipline. . Anaconda Prompt (Py34), Pip installare zipline, Visual Studio 2013 PTVS, --Python Strumenti-Opzioni Ambiente Py34. Visual Studio 2010 Express zipline. , Media mobile. . gs39MA539 pd. rollingmean (gs39Adj Close39,5) Py34 gs39MA539 gs39Adj Close39.rolling (5).mean () Py35 - Danile, 2016 8 21 2:04. zipline Comando quotpython setup. py egginfoquot riuscita con codice 1. py34. . -., 2016 9 3 2:56 (20160906) Quantopian zipline Conda (githubquantopianzipline) python 3.4 env Conda installare - c Quantopian zipline zipline C visivo. Ubuntu 14.04 LTS a 64 bit, WindowsMac OSLinux 64 Conda installare - c zipline Quantopian. - Younghun 2016 9 6 3:20 Mac OS X Conda installare - c zipline Quantopian. , 10 Conda,. 3.4. 39conda rimuovere py34 - n 39,, Conda installare - c zipline Quantopian,. , 2.7. importazione zipline, 2.7, ENV py34,. pip, panda. ----------------------------------------- Conda creare - n anaconda py34 python3.4 attivare py34 python --version pip installare - e C: zipline-0.9.0 Conda installare - n py34 pandas0.17.1 ------------------------- --------------- 10 zipline-1.0.2. panda-0.17.0. import panda-0.17.1. Conda installare - n pandas0.17.0 py34, importazione zipline, algo. run (). zipline-0.9.0. - 2016 12 5 1:26 Anaconda Cloud (py34): (T) C: Anaconda3envspy34pythonw. exe - m browser web - t quotanaconda. org quot Anaconda Navigator (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsanaconda-navigatore-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-notebook-script. pyquot Jupyter QTConsole (py34): (T) C: Anaconda3envspy34pythonw. exe C: Anaconda3envspy34cwp. py C: Anaconda3envspy34 quotC: Anaconda3envspy34pythonw. exequot quotC: Anaconda3envspy34Scriptsjupyter-qtconsole-script. pyquot Ripristina impostazioni 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 - 2016 6 25 11:52:20 finestra 10 - finanziere 2016 12 7 02:27 - finanziere 2016 12 7 04:18 Jupyter QtConsole 4.2.1 Python 3.4.5 Anaconda 4.2.0 (32-bit) (impostazione predefinita, 5 luglio 2016, 14:56:50) MSC v.1600 32 bit (Intel) Tipo quotcopyrightquot, quotcreditsquot o quotlicensequot per ulteriori informazioni. IPython 5.1.0 - una maggiore interattivo di Python. - gt Introduzione e panoramica delle caratteristiche IPython39s. QuickRef - gt riferimento rapido. aiutare - gt Python39s proprio sistema di aiuto. opporsi Dettagli - gt su 39object39, utilizzare 39object39 per ulteriori dettagli. importazione zipline C: Program Files (x86) Anaconda3envspy34libsite-packagespandasiodata. py:35: FutureWarning: Il modulo pandas. io. data viene spostato in un pacchetto separato (panda-datareader) e verrà rimosso da panda in una versione futura. Dopo aver installato il pacchetto panda-datareader (githubpydatapandas-datareader), è possibile modificare l'importazione di dati di importazione pandas. io, wb a partire dai dati pandasdatareader importazione, wb. FutureWarning) ------------------------------------------------ --------------------------- ImportError Traceback (chiamata più recente scorso) ltipython-input-1-caeca508216fgt a ltmodulegt () ---- gt 1 importazione zipline c: zipline-0.9.0ziplineinit. py in ltmodulegt () 24 da. version getversions importazione 25 Questi devono accadere dopo le altre importazioni. --- Gt 26 da. algoritmo di importazione TradingAlgorithm 27 da. importazione api 28 c: zipline-0.9.0ziplinealgorithm. py a ltmodulegt () 104 da zipline. protocol importazione evento 105 --gt 106 da importazione zipline. history HistorySpec 107 da zipline. history. historycontainer importazione HistoryContainer 108 c: zipline-0.9. 0ziplinehistoryinit. py in ltmodulegt () 19) 20 --- gt 21 da. importazione historycontainer 22 23 tutti C: zipline-0.9.0ziplinehistoryhistorycontainer. py in ltmodulegt () 25 26 da RollingPanel zipline. utils. data importazione, ensureindex --- GT 27 da zipline. utils. munge importazione ffill, bfill 28 29 logger giornale di bordo. logger (39History Container39) c: zipline-0.9.0ziplineutilsmunge. py in ltmodulegt () 13 Vedere la licenza per le autorizzazioni di lingua specifica e 14 le limitazioni sotto la licenza. --- Gt 15 da pandas. coremon importazione maskmissing 16 prova: 17 da backfill2d pandas. coremon importazione, pad2d ImportError: non è possibile importare nome 39maskmissing39 - finanziere 2016 12 7 04:20 Conda creare - n anaconda py34 python3.4. Procedere. Il tentativo di rollback. py34. Conda-meta (), biblioteca (), qt. conf. . - gt-gtAnaconda3 (32-bit) 34 envspy34. - Jk 2017 2 14 01:02 python3.4 ERRORE conda. core. link:executeactions(330): è verificato un errore durante l'installazione del pacchetto 39defaults :: qt-5.6.2-vc10339. UnicodeDecodeError (39utf-839, B39 1xb0xb3 xc6xc4xc0xcfxc0xcc xbaxb 9xbbxe7xb5xc7xbexfaxbdxc0xb4xcfxb4xd9.rn39, 9, 10, 39invalid inizio B yte39) il tentativo di ripristinare. UnicodeDecodeError (39utf-839, B39 1xb0xb3 xc6xc4xc0xcfxc0xcc xbaxb 9xbbxe7xb5xc7xbexfaxbdxc0xb4xcfxb4xd9.rn39, 9, 10, 39invalid inizio B yte39). 7 32 os. - 2017 2 19 10:33