def show_tweets_by_month():
'''
앞서 작성한 함수를 이용해 월별 트윗 개수를 보여주는 그래프를 출력합니다.
'''
months = range(1, 13)
num_tweets = [len(filter_by_month(trump_tweets, month)) for month in months]
plt.bar(months, num_tweets, align='center')
plt.xticks(months, months)
plt.savefig('graph.png')
elice_utils = EliceUtils()
elice_utils.send_image('graph.png')
import numpy as np
from elice_utils import EliceUtils
elice_utils = EliceUtils()
#캔들 차트 그리기
# 주식 데이터 불러오기
df = pd.read_csv('stock.csv', index_col=0, parse_dates=True)
df2 = pd.read_csv('stock.csv', index_col=0, parse_dates=True)
print('주가 데이터 출력')
print(df)
# mplfinance 라이브러리를 사용하면 캔들 차트를 간편하게 시각화할 수 있습니다.
mc = mpf.make_marketcolors(up='r', down='b') #상승은 빨강, 하락은 파랑
s = mpf.make_mpf_style(marketcolors=mc) #mc로 스타일 저장
mpf.plot(df, type='candle', figscale=1.2, style=s) #type=캔틀차트 표시
# 시각화 함수
plt.savefig("candle-plot.png")
elice_utils.send_image("candle-plot.png")
#시가 : 아침에 주식시장이 문을 열고나서 처음 이루어진 거래가격
#종가: 주식시장이 문을 닫을 때의 가격
#주가가 올랐을 때는 빨간색으로 표현하며 = ‘양봉’
#주가가 내렸을 때는 파란색으로 = ‘음봉’
#캔들의 두꺼운 부분의 양쪽 끝은 시가와 종가
#양봉의 경우 가격이 아래에서 위로 올라갔다는 의미
# = 두꺼운 부분의 아래쪽이 시가, 윗부분이 종가. 음봉의 경우 반대
#캔들의 얇은선의 양 끝은 해당 장 시점의 최고가&최저가
import pandas as pd
import matplotlib.pyplot as plt
from elice_utils import EliceUtils
elice_utils = EliceUtils()
# 주식 데이터 불러오기
df = pd.read_csv('stock.csv')
print('초기 데이터 확인')
print(df)
# 주식 데이터 전처리하기(이전 문제에서 실행했던 코드)
df['tomorrow Adj Close'] = df['Adj Close'].shift(
-1) # 당일 종가가 아니라 다음 날 종가를 새로운 컬럼으로 추가하기
df['Fluctuation'] = df['tomorrow Adj Close'] - df[
'Adj Close'] # 주가 변동 데이터(다음날 종가 - 오늘 종가)
df['Fluctuation Rate'] = df['Fluctuation'] / df[
'Adj Close'] # 주가 변동률 데이터(변동 / 오늘 종가)
# 변동률의 시각화
plt.figure(figsize=(12, 8)) # 표현할 그래프의 크기 설정
plt.plot(df.index, df['Fluctuation Rate']) # 변동률 데이터 시각화.x축:df.index
plt.axhline(y=0, color='red', ls='--') # y축:변동률. 변동률 폭을 관찰하기 위한 기준 수평선 추가
# 시각화 옵션 코드
# (시각화 강의에서 별도로 다루는 내용입니다)
plt.legend(loc='best')
plt.grid()
plt.savefig("plot3.png") #시계열 데이터(Time Serise Data)
elice_utils.send_image("plot3.png")
df = pd.read_csv('stock.csv')
print('초기 데이터 확인')
print(df)
# 주식 데이터 전처리하기(이전 문제에서 실행했던 코드)
ma5 = df['Adj Close'].rolling(window=5).mean()
ma20 = df['Adj Close'].rolling(window=20).mean()
ma60 = df['Adj Close'].rolling(window=60).mean()
df.insert(len(df.columns), "MA5", ma5)
df.insert(len(df.columns), "MA20", ma20)
df.insert(len(df.columns), "MA60", ma60)
vma5 = df['Volume'].rolling(window=5).mean()
df.insert(len(df.columns), "VMA5", vma5)
# 이동평균선의 시각화
plt.plot(df.index, df['MA5'], label = "MA5") # 이동평균선 시각화 index:x축, 범례:ma5
plt.plot(df.index, df['Adj Close'], label='Adj Close') # 수정 종가 시각화
# 시각화 옵션(graph) 코드
# (시각화 강의에서 별도로 다루는 내용입니다)
plt.legend(loc='best')
plt.xticks(rotation = 45)
plt.grid()
plt.savefig("plot.png")
elice_utils.send_image("plot.png")#추세:우상향 그래프
# 주식 데이터 불러오기
df = pd.read_csv('stock.csv')
print('초기 데이터 확인')
print(df)
# 주식 데이터 전처리하기(이전 문제에서 실행했던 코드)
df['tomorrow Adj Close'] = df['Adj Close'].shift(
-1) # 당일 종가가 아니라 다음 날 종가를 새로운 컬럼으로 추가하기
df['Fluctuation'] = df['tomorrow Adj Close'] - df[
'Adj Close'] # 주가 변동 데이터(다음날 종가 - 오늘 종가)
df['Fluctuation Rate'] = df['Fluctuation'] / df[
'Adj Close'] # 주가 변동률 데이터(변동 / 오늘 종가)
# 히스토그램을 이용해 분포 살펴보기
#해당 계급에 값이 얼마나 많은지 파악 가능
df['Fluctuation Rate'].plot.hist()
plt.title('Fluctuation Rate Histogram')
# 현재까지 그려진 그래프를 보여줌
plt.savefig("hist1.png")
elice_utils.send_image("hist1.png")
plt.cla() #그래프를 그린 후 초기화
# 커널 밀도함수를 이용해 분포 살펴보기
df['Fluctuation Rate'].plot.kde()
plt.title('Fluctuation Rate KDE plot')
# 현재까지 그려진 그래프를 보여줌
plt.savefig("hist1.png")
elice_utils.send_image("hist1.png") #주가 데이터가 0에 가장 가까운 것=변동성이 적은 주식
time_edit = []
for i in range(0,len(time_list)) :
time_edit.append(time_list[i][8:10])
first_count = 0
second_count = 0
for i in range(0,len(time_edit)) :
if (time_edit[i] == "03") :
first_count = first_count + 1
else :
second_count = second_count + 1
print(first_count)
print(second_count)
slices_hours = [first_count, second_count]
activities = ['first_day', 'second_day']
colors = [ 'gray', 'blue']
plt.pie(slices_hours, labels=activities, colors=colors, startangle=90, autopct='%.1f%%')
plt.show()
plt.savefig("image.svg",format="svg")
elice_utils.send_image("image.svg")
if __name__ == "__main__":
main()
# Cluster Lables(0, 1, 2)
clusters = np.zeros(len(X))
# Error func. - Distance between new centroids and old centroids
error = dist(C, C_old, None)
print('initial error: ', error)
# Loop will run till the error is less than the threshold value
while error >= 1e-4:
# Q4. Assigning each value to its closest cluster
for i in range(len(X)):
distances = dist(X[i], C)
cluster = np.argmin(distances)
clusters[i] = cluster
# Storing the old centroid values
C_old = deepcopy(C)
# Q5. Finding the new centroids by taking the average value
for i in range(K):
points = [X[j] for j in range(len(X)) if clusters[j] == i]
C[i] = np.mean(points, axis=0)
error = dist(C, C_old, None)
print('final error: ', error)
print('final Centroid: ', C)
# Plotting along with the final Centroids
plt.scatter(C[:, 0], C[:, 1], marker='*', s=250, c='r')
plt.savefig("final_cluster.png")
eu.send_image("final_cluster.png")
test_size=0.25,
random_state=42)
# Q2. Create the KMeans model
kmeans = KMeans(init='k-means++', n_clusters=10, random_state=42)
# Q3. Compute cluster centers and predict cluster index for each samples
clusters = kmeans.fit_predict(x_train)
print('Clusters: ', clusters)
# Create an isomap and fit the `digits` data to it
X_iso = Isomap(n_neighbors=10).fit_transform(x_train)
# Create a plot with subplots in a grid of 1X2
fig, ax = plt.subplots(1, 2, figsize=(8, 4))
# Adjust layout
fig.suptitle('Predicted Versus Training Labels',
fontsize=14,
fontweight='bold')
fig.subplots_adjust(top=0.85)
# Add scatterplots to the subplots
ax[0].scatter(X_iso[:, 0], X_iso[:, 1], c=clusters)
ax[0].set_title('Predicted Training Labels')
ax[1].scatter(X_iso[:, 0], X_iso[:, 1], c=y_train)
ax[1].set_title('Actual Training Labels')
plt.savefig("digits.png")
eu.send_image("digits.png")
elice_utils = EliceUtils()
# 날짜 별 온도 데이터를 세팅합니다.
dates = ["1월 {}일".format(day) for day in range(1, 32)]
temperatures = list(range(1, 32))
# 막대 그래프의 막대 위치를 결정하는 pos를 선언합니다.
pos = range(len(dates))
# 한국어를 보기 좋게 표시할 수 있도록 폰트를 설정합니다.
font = fm.FontProperties(fname='./NanumBarunGothic.ttf')
# 막대의 높이가 빈도의 값이 되도록 설정합니다.
plt.bar(pos, temperatures, align='center')
# 각 막대에 해당되는 단어를 입력합니다.
plt.xticks(pos, dates, rotation='vertical', fontproperties=font)
# 그래프의 제목을 설정합니다.
plt.title('1월 중 기온 변화', fontproperties=font)
# Y축에 설명을 추가합니다.
plt.ylabel('온도', fontproperties=font)
# 단어가 잘리지 않도록 여백을 조정합니다.
plt.tight_layout()
# 그래프를 표시합니다.
plt.savefig('graph.png')
elice_utils.send_image('graph.png')