#!/usr/bin/env python
# coding: utf-8

# ##内容索引
# 这一小节介绍NumPy的常用函数。
# 
# 1. 读入csv
# loadtxt函数
# 
# 2. 计算平均值
# average、mean函数
# 
# 3. 求最大最小值
# max、min函数
# 
# 4. 计算中位数
# median、msort函数
# 
# 5. 计算方差
# var函数

# ##1. 读写CSV文件
# CSV（Comma-Separated Value，逗号分隔值）格式是一种常见的文件格式。通常，数据库的转存文件就是csv格式的，文件中的各个字段对应于数据库中的列。

# **Numpy中的loadtxt函数可以方便地读取csv文件，自动切分字段，并将数据载入Numpy数组。**

# In[1]:


import numpy as np


# In[2]:


c, v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)


# data.csv文件是苹果公司的历史股价数据。第一列为股票代码，第二列为dd-mm-yyyy格式的日期，第三列为空，随后各列依次是**开盘价(4)、最高价(5)、最低价(6)和收盘价(7)**，最后一列为当日的成交量(8)。

# loadtxt函数中，*usecols参数*为一个元组，以获得第7字段至第8字段的数据，也就是股票的收盘价和成交量数据。
# 
# *unpack参数*设置为True，意思是分拆存储不同列的数据，即分别将收盘价和成交量的数组赋值给变量c和v。
# 
# **用usecols中的参数指定我们感兴趣的数据列，并将unpack参数设置为True使得不同列的数据分别存储。**

# In[3]:


c


# In[4]:


v


# In[18]:


#选择第4列，开盘价
opening_price = np.loadtxt('data.csv', delimiter=',', usecols=(3,), unpack=True)


# In[19]:


print opening_price


# ##2. 计算平均值

# ###2.1 计算加权平均
# VWAP是Volume-Weighted Average Price，成交量加权平均价格，某个价格的成交量越高，该价格所占的权重就越大。**VWAP就是以成交量为权重计算出来的加权平均值。**

# In[20]:


vwap = np.average(c, weights=v)
print "VWAP =", vwap


# TWAP是Time0Weighted Average Price，时间加权平均价格，其基本思想是最近的价格重要性大一些，所以我们应该对近期的价格给以较高的权重。
# 我们使用arange函数创建从0递增的自然数序列，自然数的个数即为收盘价的个数。

# In[23]:


t = np.arange(len(c))
print "twap = ",np.average(c, weights=t)


# ###2.2 算术平均
# 使用mean函数计算算术平均

# In[21]:


mean = np.mean(c)
print "mean = ",mean


# In[32]:


print "mean = ", c.mean()


# ##3. 求最大最小值和取值范围

# 步骤：读入最高价和最低价，使用max和min函数得到最大最小值。

# In[24]:


h,l = np.loadtxt('data.csv', delimiter=',', usecols=(4,5), unpack=True)
print 'hightest = ', np.max(h)
print 'lowest = ', np.min(l)


# numpy中ptp函数可以计算数组的取值范围。该函数返回的是数组元素最大值和最小值的差值，即max(array)-min(array)。

# In[25]:


print 'Spread high price : ', np.ptp(h)
print 'Spread low price : ', np.ptp(l)


# ##4. 计算中位数

# 计算收盘价的中位数

# In[26]:


closing_price = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
print 'median = ', np.median(closing_price)


# 对数组进行排序，之后再去中位数

# In[27]:


sorted_closing = np.msort(closing_price)
print "sorted_closing_price = ", sorted_closing


# In[29]:


#先判断数组的个数是奇数还是偶数
N = len(closing_price)
median_ind = (N-1)/2
if N & 0x1 :
    print "median = ", sorted_closing[median_ind]
else:
    print "median = ", (sorted_closing[median_ind]+sorted_closing[median_ind+1])/2


# ##5. 计算方差
# 方差体现变量变化的程度，股价变动过于剧烈的股票一定会给持有者制造麻烦。

# In[30]:


print "variance = ", np.var(closing_price)


# In[31]:


#手动求方差
print 'variance from definition = ', np.mean( (closing_price-c.mean())**2 )