下面是我从api获得的json输出
{
"data": [
[
1594373520,
43625,
43640,
43565,
43600,
59561
],
[
1594373820,
43600,
43650,
43505,
43565,
127844
],
[
1594374120,
43560,
43680,
43515,
43660,
74131
]
],
"message": "",
"status": "success"
}
我想将这个json/数组转换为时间戳,ohlcv数据具有DateTime索引,ohlc值必须除以100,或者有时除以10000,具体取决于大小
最终输出必须如下所示:
date open high low close volume
0 2018-04-12 09:15:00+05:30 295.00 295.75 293.25 293.80 55378
1 2018-04-12 09:20:00+05:30 293.75 293.75 292.55 292.95 32219
2 2018-04-12 09:25:00+05:30 292.95 293.40 292.65 292.80 23643
3 2018-04-12 09:30:00+05:30 292.80 293.00 292.75 292.80 12313
4 2018-04-12 09:35:00+05:30 292.75 292.85 291.50 291.55 32198
我知道答案在SO上是可用的,但我想用更少的代码和更快的执行来高效地完成它。
此外,当前数据为5分钟。如果我得到1分钟的数据,我想创建一个函数来对数据进行相应的重采样。
我会尽快用我当前的代码更新这个问题
代码为除以100。我想对4列(o、h、l、c)执行此操作。正在寻找一艘客轮
df['A'] = df['A'].div(100).round(2)
Update::Query这是一种高效的方法吗?
我的当前代码::
import pandas as pd
records = data['data']
df = pd.DataFrame(records, columns=['datetime', 'open', 'high', 'low', 'close', 'volume'])
df['datetime'] = df['datetime'].apply(pd.Timestamp, unit='s', tzinfo=pytz.timezone("Asia/Kolkata"))
df['open'] = df['open'].astype(float).div(100)
df['high'] = df['high'].astype(float).div(100)
df['low'] = df['low'].astype(float).div(100)
df['close'] = df['close'].astype(float).div(100)
df.set_index('datetime', inplace=True)
print(df)
输出::
open high low close volume
datetime
2020-08-12 09:00:00+05:30 3124.0 3124.0 3120.0 3121.0 168
2020-08-12 09:05:00+05:30 3121.0 3124.0 3121.0 3123.0 163
2020-08-12 09:10:00+05:30 3123.0 3124.0 3122.0 3123.0 133
2020-08-12 09:15:00+05:30 3123.0 3125.0 3122.0 3122.0 154
2020-08-12 09:20:00+05:30 3122.0 3125.0 3122.0 3125.0 131
... ... ... ... ... ...
2020-08-13 23:05:00+05:30 3159.0 3162.0 3157.0 3159.0 432
2020-08-13 23:10:00+05:30 3159.0 3161.0 3155.0 3156.0 483
2020-08-13 23:15:00+05:30 3156.0 3160.0 3154.0 3159.0 1344
2020-08-13 23:20:00+05:30 3159.0 3167.0 3156.0 3165.0 284
2020-08-13 23:25:00+05:30 3165.0 3167.0 3162.0 3164.0 166
[348 rows x 5 columns]
如果您想同时运行它,我认为您也可以使用以下方法。这是回答你问题的最佳方式吗
相关问题 更多 >
编程相关推荐