def kfactor(source, signal=None):
'''
计算source中相邻信号的k因子
k因子指值差除以距离
返回的是浮点数
这里不设置interval参数，是因为如果interval>1，则有kfactor的交叠问题
如1-->3,2-->4，则1-->2用13的斜率，而2-4用24斜率，直觉无意义
'''
if len(source) == 0:
return np.array([])
if signal == None: #对于数值正好为0的情况，需要signal
signal = source
else:
assert len(source) == len(signal)
rev = np.zeros(len(source), np.float)
si = np.nonzero(signal)[0]
if len(si) == 0:
return rev
ss = source[si]
drev = nsubd(ss) * 1.0 / nsubd(si)
rev[rollx(si)] = drev
rev = extend2next(rev)
#rev[si] = rev[si-1] #起点/转折点斜率为0
rev = np.select([signal != 0], [rollx(rev)], rev)
return rev
def kfactor(source,signal=None):
'''
计算source中相邻信号的k因子
k因子指值差除以距离
返回的是浮点数
这里不设置interval参数，是因为如果interval>1，则有kfactor的交叠问题
如1-->3,2-->4，则1-->2用13的斜率，而2-4用24斜率，直觉无意义
'''
if len(source)==0:
return np.array([])
if signal == None: #对于数值正好为0的情况，需要signal
signal = source
else:
assert len(source) == len(signal)
rev = np.zeros(len(source),np.float)
si = np.nonzero(signal)[0]
if len(si) == 0:
return rev
ss = source[si]
drev = nsubd(ss) * 1.0 / nsubd(si)
rev[rollx(si)] = drev
rev = extend2next(rev)
#rev[si] = rev[si-1] #起点/转折点斜率为0
rev = np.select([signal!=0],[rollx(rev)],rev)
return rev
def ssub(source):
'''
相邻信号量相减
约等于rsub(source,source),当第一个元素不等于0时第一个元素不相同
'''
isc = np.nonzero(source)
ssource = nsubd(source[isc])
rev = np.zeros_like(source)
if(len(isc[0])>0):
rev[isc] = ssource
return rev
def ssub(source):
'''
相邻信号量相减
约等于rsub(source,source),当第一个元素不等于0时第一个元素不相同
'''
isc = np.nonzero(source)
ssource = nsubd(source[isc])
rev = np.zeros_like(source)
if (len(isc[0]) > 0):
rev[isc] = ssource
return rev
def sresume(source,length=5,covered=1):
''' 连续>=length个零随后covered个非零日
'''
rev = np.zeros_like(source)
nzeros = np.where(source != 0)[0]
sdiff = nsubd(nzeros)
indice = nzeros[sdiff>=length]
if len(indice) > 0:
rlen = len(rev)
for i in range(covered):
cur_indice = indice + i
cur_indice[cur_indice>=rlen] = rlen-1 #防止溢出
rev[cur_indice] = 1
return rev
def sresume(source, length=5, covered=1):
''' 连续>=length个零随后covered个非零日
'''
rev = np.zeros_like(source)
nzeros = np.where(source != 0)[0]
sdiff = nsubd(nzeros)
indice = nzeros[sdiff >= length]
if len(indice) > 0:
rlen = len(rev)
for i in range(covered):
cur_indice = indice + i
cur_indice[cur_indice >= rlen] = rlen - 1 #防止溢出
rev[cur_indice] = 1
return rev
def fnma(source,length): #自然ma算法，前length个元素为各自的累积和除以累积元素个数
""" 计算移动平均线,返回浮点数
@param source 源数组
@param length 均线跨度
@return 移动平均序列
"""
dividen = np.arange(len(source))+1
dividen[dividen > length] = length
acc = np.add.accumulate(source)
rev = nsubd(acc,length)
rev = rev*1.0/dividen
return rev
def fnma(source, length): #自然ma算法，前length个元素为各自的累积和除以累积元素个数
""" 计算移动平均线,返回浮点数
@param source 源数组
@param length 均线跨度
@return 移动平均序列
"""
dividen = np.arange(len(source)) + 1
dividen[dividen > length] = length
acc = np.add.accumulate(source)
rev = nsubd(acc, length)
rev = rev * 1.0 / dividen
return rev
def rsub2(source,signal,distance=1):
''' 相邻信号日signal的减法(相当于比较)
d(n+1) = src(n+1) - s(n)
d(0) = src(0)
'''
assert len(source) == len(signal)
isc = np.nonzero(signal)
ssource = nsubd(source[isc],distance)
if(len(ssource)>0): #前distance元素应该减去序列的第一个,因为它没东西减
for i in range(distance):
ssource[i] -= source[0]
rev = np.zeros_like(source)
if(len(isc[0])>0):
#print isc,len(isc)
rev[isc] = ssource
return rev
def rsub(source,signal):
''' 相邻信号日signal的减法(相当于比较)
d(n+1) = src(n+1) - s(n)
d(0) = src(0)
'''
assert len(source) == len(signal)
if len(source) == 0:
return source.copy()
isc = np.nonzero(signal)
ssource = nsubd(source[isc])
if(len(ssource)>0): #第一个元素应该减去序列的第一个,因为它没东西减
ssource[0] -= source[0]
rev = np.zeros_like(source)
if(len(isc[0])>0):
rev[isc] = ssource
return rev
def rsub2(source, signal, distance=1):
''' 相邻信号日signal的减法(相当于比较)
d(n+1) = src(n+1) - s(n)
d(0) = src(0)
'''
assert len(source) == len(signal)
isc = np.nonzero(signal)
ssource = nsubd(source[isc], distance)
if (len(ssource) > 0): #前distance元素应该减去序列的第一个,因为它没东西减
for i in range(distance):
ssource[i] -= source[0]
rev = np.zeros_like(source)
if (len(isc[0]) > 0):
#print isc,len(isc)
rev[isc] = ssource
return rev
def rsub(source, signal):
''' 相邻信号日signal的减法(相当于比较)
d(n+1) = src(n+1) - s(n)
d(0) = src(0)
'''
assert len(source) == len(signal)
if len(source) == 0:
return source.copy()
isc = np.nonzero(signal)
ssource = nsubd(source[isc])
if (len(ssource) > 0): #第一个元素应该减去序列的第一个,因为它没东西减
ssource[0] -= source[0]
rev = np.zeros_like(source)
if (len(isc[0]) > 0):
rev[isc] = ssource
return rev
def nma(source,length): #自然ma算法，前length个元素为各自的累积和除以累积元素个数
""" 计算移动平均线
@param source 源数组
@param length 均线跨度
@return 移动平均序列
"""
dividen = np.arange(len(source)) + 1
dividen[dividen > length] = length
pps = dividen/2 #用于整数四舍五入尾数
acc = np.add.accumulate(source)
rev = nsubd(acc,length)
rev += pps #这种in place方式要快于 sum = (sum + pps) / length
rev /= dividen
return rev
def nma(source, length): #自然ma算法，前length个元素为各自的累积和除以累积元素个数
""" 计算移动平均线
@param source 源数组
@param length 均线跨度
@return 移动平均序列
"""
dividen = np.arange(len(source)) + 1
dividen[dividen > length] = length
pps = dividen / 2 #用于整数四舍五入尾数
acc = np.add.accumulate(source)
rev = nsubd(acc, length)
rev += pps #这种in place方式要快于 sum = (sum + pps) / length
rev /= dividen
return rev
def nsubd2(source,distance=1): #自然的偏移减法,distance必须大于0,返回结果中前distance个元素不变
if source.ndim == 1:
return d1.nsubd(source)
rs = roll02(source,distance)
return source - rs
def nsubd2(source, distance=1): #自然的偏移减法,distance必须大于0,返回结果中前distance个元素不变
if source.ndim == 1:
return d1.nsubd(source)
rs = roll02(source, distance)
return source - rs
