如何比较 numpy ndarray 的所有值和数据框的特定列以提取该数据框另一列的相应值
How to compare all values of numpy ndarray and a particular column of data frame to extract corresponding values of another column of that data frame
import requests
import pandas as pd
import numpy
def get_token(instrument):
response = requests.get("https://api.kite.trade/instruments")
var1 = response.content.decode('ISO-8859-1')
df = pd.DataFrame([x.split(',') for x in var1.split('\n')])
df =df.rename(columns=df.iloc[0]).drop(df.index[0])
mask = df['segment'].isin(['NFO-FUT', 'NFO-OPT'])
df_filtered = df[mask]
if (instrument.lower() == "future"):
df = df_filtered.loc[df_filtered['segment'] == 'NFO-FUT']
else:
df = df_filtered.loc[df_filtered['segment'] == 'NFO-OPT']
df = df.drop(['tick_size', 'last_price'], axis = 1)
return df.replace('"','', regex=True)
df = get_token("Option")
# print(df)
def get_bhavcopy(date):
date = date.replace("-","")
try:
payload=pd.read_csv("https://archives.nseindia.com/products/content/sec_bhavdata_full_"+date+".csv", skipinitialspace = True)
except Exception as e:
print(e)
return payload
pd.set_option('max_column', None)
price_data= get_bhavcopy("25-06-2021")
mask = price_data['SERIES'].isin(['EQ'])
price_data = price_data[mask]
df_np = df['name'].unique()
data = pd.DataFrame(columns=['name','close'])
我正在尝试获得 ATM 罢工，以及 5 次高于和低于 ATM 的罢工。
我在这里做的是
- 从 NSE 获取每个交易品种的价格
- 获取所有F&O的罢工名单
并打算通过获取最接近每个交易品种最后收盘价的行使价来找到 ATM 行使价。
因此我需要比较 df_np（np 数组）中的每个值和 price_data 中的“SYMBOL”列 (dataFrame) 获取最后价格，以便我可以使用它从 df
中找到 ATM 罢工
我不知道该怎么做！！或者如果有任何更好的方法可以实现我的目标，即 在特定日期为某个代码找到 10 个高于和低于 ATM 价格的行使价。
一起获取代码、最后价格和行使价
首先，让我们为每个交易品种获取一个包含最后价格（收盘价）的适当数据框：将 df_np 变成它自己的数据框，然后与 price_data 合并并提取相关列：
last_px = pd.merge(pd.DataFrame({'SYMBOL': df_np}), price_data)[['SYMBOL', 'LAST_PRICE']]
在 df 数据框上，我们按名称对行使价进行分组，并按列表进行汇总，这样我们就可以构建一个数据框，其中每个名称都与一个行使价列表相关联。此外，将 'name' 更改为 'SYMBOL' 以准备再次合并：
strikes = pd.DataFrame(df.groupby('name')['strike'].agg(list)).reset_index()
strikes.columns = ['SYMBOL', 'strike']
现在将最后价格和行使价合并在一起：
df3 = pd.merge(last_px, strikes)
现在我们有以下数据框：
In [26]: df3
Out[26]:
SYMBOL LAST_PRICE strike
0 AARTIIND 862.10 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
1 ABFRL 222.80 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
2 ACC 2044.90 [1160, 1160, 1180, 1180, 1200, 1200, 1220, 122...
3 ADANIENT 1516.00 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
4 ADANIPORTS 711.00 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
.. ... ... ...
155 UPL 803.55 [410, 410, 420, 420, 430, 430, 440, 440, 450, ...
156 VEDL 262.55 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
157 VOLTAS 1030.00 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
158 WIPRO 546.90 [320, 320, 325, 325, 330, 330, 335, 335, 340, ...
159 ZEEL 218.00 [130, 130, 135, 135, 140, 140, 145, 145, 150, ...
[160 rows x 3 columns]
找出 ATM 价格附近的行使价
现在我们要在每一行上应用一个函数，使用最后的价格和行使价列表来确定 ATM 价格和上方和下方的 5 个行使价。该函数将罢工列表转换为它自己的数据框（具有浮点值），然后添加一个列来计算与最后价格的差异，idxmin 函数将告诉我们差异最小的位置，即我们在哪里接近ATM价格。使用 iloc（因为我们重置了索引）很容易找到 +/- 5 个索引，所以我们 return 将这些值作为列表。
函数定义如下：
def around_atm(last_prc, strike_list):
xdf = pd.DataFrame({'strikes': strike_list}).reset_index(drop=True)
xdf['strikes'] = xdf['strikes'].astype(float)
xdf['abs_delta'] = abs(last_prc - xdf['strikes'])
imin = xdf['abs_delta'].idxmin()
return xdf.iloc[imin-5:imin+5]['strikes'].tolist()
最后，让我们应用这个函数，将结果放在一个新列中：
df3['above_below'] = df3.apply(lambda x: around_atm(x['LAST_PRICE'], x['strike']), axis=1)
above_below 列现在包含高于和低于 ATM 价格的 5 行使价：
In [30]: df3
Out[30]:
SYMBOL LAST_PRICE \
0 AARTIIND 862.10
1 ABFRL 222.80
2 ACC 2044.90
3 ADANIENT 1516.00
4 ADANIPORTS 711.00
.. ... ...
155 UPL 803.55
156 VEDL 262.55
157 VOLTAS 1030.00
158 WIPRO 546.90
159 ZEEL 218.00
strike \
0 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
1 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
2 [1160, 1160, 1180, 1180, 1200, 1200, 1220, 122...
3 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
4 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
.. ...
155 [410, 410, 420, 420, 430, 430, 440, 440, 450, ...
156 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
157 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
158 [320, 320, 325, 325, 330, 330, 335, 335, 340, ...
159 [130, 130, 135, 135, 140, 140, 145, 145, 150, ...
above_below
0 [830.0, 840.0, 840.0, 850.0, 850.0, 860.0, 860...
1 [210.0, 215.0, 215.0, 220.0, 220.0, 225.0, 225...
2 [1980.0, 2000.0, 2000.0, 2020.0, 2020.0, 2040....
3 [1460.0, 1480.0, 1480.0, 1500.0, 1500.0, 1520....
4 [680.0, 690.0, 690.0, 700.0, 700.0, 710.0, 710...
.. ...
155 [770.0, 780.0, 780.0, 790.0, 790.0, 800.0, 800...
156 [250.0, 255.0, 255.0, 260.0, 260.0, 265.0, 265...
157 []
158 [530.0, 535.0, 535.0, 540.0, 540.0, 545.0, 545...
159 [205.0, 210.0, 210.0, 215.0, 215.0, 220.0, 220...
[160 rows x 4 columns]
import requests
import pandas as pd
import numpy
def get_token(instrument):
response = requests.get("https://api.kite.trade/instruments")
var1 = response.content.decode('ISO-8859-1')
df = pd.DataFrame([x.split(',') for x in var1.split('\n')])
df =df.rename(columns=df.iloc[0]).drop(df.index[0])
mask = df['segment'].isin(['NFO-FUT', 'NFO-OPT'])
df_filtered = df[mask]
if (instrument.lower() == "future"):
df = df_filtered.loc[df_filtered['segment'] == 'NFO-FUT']
else:
df = df_filtered.loc[df_filtered['segment'] == 'NFO-OPT']
df = df.drop(['tick_size', 'last_price'], axis = 1)
return df.replace('"','', regex=True)
df = get_token("Option")
# print(df)
def get_bhavcopy(date):
date = date.replace("-","")
try:
payload=pd.read_csv("https://archives.nseindia.com/products/content/sec_bhavdata_full_"+date+".csv", skipinitialspace = True)
except Exception as e:
print(e)
return payload
pd.set_option('max_column', None)
price_data= get_bhavcopy("25-06-2021")
mask = price_data['SERIES'].isin(['EQ'])
price_data = price_data[mask]
df_np = df['name'].unique()
data = pd.DataFrame(columns=['name','close'])
我正在尝试获得 ATM 罢工，以及 5 次高于和低于 ATM 的罢工。
我在这里做的是
- 从 NSE 获取每个交易品种的价格
- 获取所有F&O的罢工名单
并打算通过获取最接近每个交易品种最后收盘价的行使价来找到 ATM 行使价。
因此我需要比较 df_np（np 数组）中的每个值和 price_data 中的“SYMBOL”列 (dataFrame) 获取最后价格，以便我可以使用它从 df
中找到 ATM 罢工我不知道该怎么做！！或者如果有任何更好的方法可以实现我的目标，即 在特定日期为某个代码找到 10 个高于和低于 ATM 价格的行使价。
一起获取代码、最后价格和行使价
首先，让我们为每个交易品种获取一个包含最后价格（收盘价）的适当数据框：将 df_np 变成它自己的数据框，然后与 price_data 合并并提取相关列：
last_px = pd.merge(pd.DataFrame({'SYMBOL': df_np}), price_data)[['SYMBOL', 'LAST_PRICE']]
在 df 数据框上，我们按名称对行使价进行分组，并按列表进行汇总，这样我们就可以构建一个数据框，其中每个名称都与一个行使价列表相关联。此外，将 'name' 更改为 'SYMBOL' 以准备再次合并：
strikes = pd.DataFrame(df.groupby('name')['strike'].agg(list)).reset_index()
strikes.columns = ['SYMBOL', 'strike']
现在将最后价格和行使价合并在一起：
df3 = pd.merge(last_px, strikes)
现在我们有以下数据框：
In [26]: df3
Out[26]:
SYMBOL LAST_PRICE strike
0 AARTIIND 862.10 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
1 ABFRL 222.80 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
2 ACC 2044.90 [1160, 1160, 1180, 1180, 1200, 1200, 1220, 122...
3 ADANIENT 1516.00 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
4 ADANIPORTS 711.00 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
.. ... ... ...
155 UPL 803.55 [410, 410, 420, 420, 430, 430, 440, 440, 450, ...
156 VEDL 262.55 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
157 VOLTAS 1030.00 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
158 WIPRO 546.90 [320, 320, 325, 325, 330, 330, 335, 335, 340, ...
159 ZEEL 218.00 [130, 130, 135, 135, 140, 140, 145, 145, 150, ...
[160 rows x 3 columns]
找出 ATM 价格附近的行使价
现在我们要在每一行上应用一个函数，使用最后的价格和行使价列表来确定 ATM 价格和上方和下方的 5 个行使价。该函数将罢工列表转换为它自己的数据框（具有浮点值），然后添加一个列来计算与最后价格的差异，idxmin 函数将告诉我们差异最小的位置，即我们在哪里接近ATM价格。使用 iloc（因为我们重置了索引）很容易找到 +/- 5 个索引，所以我们 return 将这些值作为列表。
函数定义如下：
def around_atm(last_prc, strike_list):
xdf = pd.DataFrame({'strikes': strike_list}).reset_index(drop=True)
xdf['strikes'] = xdf['strikes'].astype(float)
xdf['abs_delta'] = abs(last_prc - xdf['strikes'])
imin = xdf['abs_delta'].idxmin()
return xdf.iloc[imin-5:imin+5]['strikes'].tolist()
最后，让我们应用这个函数，将结果放在一个新列中：
df3['above_below'] = df3.apply(lambda x: around_atm(x['LAST_PRICE'], x['strike']), axis=1)
above_below 列现在包含高于和低于 ATM 价格的 5 行使价：
In [30]: df3
Out[30]:
SYMBOL LAST_PRICE \
0 AARTIIND 862.10
1 ABFRL 222.80
2 ACC 2044.90
3 ADANIENT 1516.00
4 ADANIPORTS 711.00
.. ... ...
155 UPL 803.55
156 VEDL 262.55
157 VOLTAS 1030.00
158 WIPRO 546.90
159 ZEEL 218.00
strike \
0 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
1 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
2 [1160, 1160, 1180, 1180, 1200, 1200, 1220, 122...
3 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
4 [1000, 1000, 1010, 1010, 1020, 1020, 1030, 103...
.. ...
155 [410, 410, 420, 420, 430, 430, 440, 440, 450, ...
156 [165, 165, 170, 170, 175, 175, 180, 180, 185, ...
157 [1000, 1000, 1020, 1020, 1040, 1040, 1060, 106...
158 [320, 320, 325, 325, 330, 330, 335, 335, 340, ...
159 [130, 130, 135, 135, 140, 140, 145, 145, 150, ...
above_below
0 [830.0, 840.0, 840.0, 850.0, 850.0, 860.0, 860...
1 [210.0, 215.0, 215.0, 220.0, 220.0, 225.0, 225...
2 [1980.0, 2000.0, 2000.0, 2020.0, 2020.0, 2040....
3 [1460.0, 1480.0, 1480.0, 1500.0, 1500.0, 1520....
4 [680.0, 690.0, 690.0, 700.0, 700.0, 710.0, 710...
.. ...
155 [770.0, 780.0, 780.0, 790.0, 790.0, 800.0, 800...
156 [250.0, 255.0, 255.0, 260.0, 260.0, 265.0, 265...
157 []
158 [530.0, 535.0, 535.0, 540.0, 540.0, 545.0, 545...
159 [205.0, 210.0, 210.0, 215.0, 215.0, 220.0, 220...
[160 rows x 4 columns]