Прежде чем мы перейдем к рассмотрению методов библиотек seaborn и plotly, обсудим самый простой и зачастую удобный способ визуализировать данные из pandas dataframe — это воспользоваться функцией plot. Для примера построим график продаж видео игр в различных странах в зависимости от года. Для начала отфильтруем только нужные нам столбцы, затем посчитаем суммарные продажи по годам и у получившегося dataframe вызовем функцию plot без параметров.
sales_df = df[[x for x in df.columns if'Sales'in x] + ['Year_of_Release']] sales_df.groupby('Year_of_Release').sum().plot()
问题是，列名是由数字组成的，我怎样才能正确指定数字--语法？
sales_df = df[[x for x in df.columns if1in x] + [2]] sales_df.groupby(2).sum().plot()
它给出了一个错误，并且
--------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-75-494 b1527114a> in <module>() ----> 1 sales_df = df[[x for x in df.columns if1in x] + [2]]
TypeError: argument of type 'numpy.int64'is not iterable
我们不是在这里建造一个强子对撞机，你不必是一个数学科学家来交易。
听着，那你在这里做什么？
去一个研究混搭或随机的分支机构，那里的一切都很简单和清晰......你不是第一个或第二个来到这个话题的人，你的知识是零，你没有什么可说的，所以我就宣传说神经网络 是邪恶的，等等...我没有看到有人向学习马什基的人宣传网络......为什么你们都在这里打扰，没有人邀请你们，也没有人打扰你们......。
下午好!你能告诉我，对于LSTM网络，以什么形式提供输入参数吗？根据我的理解，有一个切换 "门 "的系统。
据我所知，你把一个数字向量（数组）输入，计算结果，然后你再输入第二个数字数组，计算结果，等等。
事实证明，在计算结果时，incroute会通过所有的神经元，而这些神经元仍然处于某种改变的状态，就像它们记得之前的incroute一样。
我对神经网络 一无所知，我看到这里的人在做实验，但我确信他们以前曾使用过基于指标的系统和其他模式的可视化工具。
问题是这样的：是否有人尝试过用神经网络来测试有许多变量的TS对TS结果的有效性--即报告的结果来确定最重要的变量以及它们对TS的影响的有效性？
听着，那你在这里做什么？ 传教士...
去一个研究混搭或随机的分支机构，那里的一切都很简单和清晰......你不是第一个或第二个来到这个话题的人，你的知识是零，你没有什么可说的，所以我就宣传说神经网络是邪恶的，等等...我没有看到有人向学习马什卡的人宣传网...你们为什么都在这里打扰呢？ 没有人邀请你们，也没有人打扰你们。
我只是厌恶这里的 "科学家 "混淆视听，用他们的学位和教育数量打击他们的积极性，诱使参与者在100%没有前途的交易系统上花费大量时间。市场不需要神经网络，它们从80年代就存在了，从那时起它们就被最高水平的数学家应用于市场，没有人特别擅长在市场上使用它们，每个人都同意简单的基于指标的系统要有效得多，当然不是在通常的擦边球和随机指标上，而是例如在具有良好资金管理的JMA。
神经网络和复杂的模型被喂给 "肉 "傀儡，以分散他们多年来对交易的注意力，并挫败他们的智力能力。事实上，很酷的对冲基金使用JMA ，我认为Margindale也是如此，这就是为什么他们有这么好的收益率曲线。重要的是找到一个符合你需求的交易系统，并严格遵守你的TS规则，剩下的就是邪恶了。
1）这样的想法没有被尝试过，你需要决定向网络发送什么，结果是什么（目标），你可以通过股权平庸化，如果它是增长的，那么好，如果下降，那么坏，但有细微差别
2）许多参数是不好的。
在我看来，应该有两层（它被称为）--第一层是搜索指标的相关性--最高的相关性，我们摒弃重复的相关性；第二层考虑到剩余的指标，并在EA变量中发送--我们看它们对选定指标的影响。我们正在努力争取更多的利润，更少的损失，更少的缩水和更多的每笔交易利润--在这一点上，我们优先考虑更多的交易。
第二天，我坐在那里，用手做这样的事情，在TS中有3个变量--因此一切都不明确:)
顺便说一下，可能有人知道，我有独立的数字系列（优化结果的 指标），可以分为子组，所以我对每个子组的指标做了归一化处理--子组的大小是一样的，但如果我在归一化前后做相关，那么有时在之前的地方就没有相关。我检查了整个数字系列的相关性。这种影响是什么意思？有一个假设，即相关性是错误的，而归一化显示了它。是的，我是以组内最大指数的百分比来做归一化的--目的是将数字系列相互比较。
我只是很反感 "科学家 "在这里混淆视听，用他们的学位和教育数量来打击他们的积极性，引诱参与者在100%没有前途的交易系统上花费大量时间。市场不需要神经网络，它们从80年代就存在了，从那时起它们就被最高水平的数学家应用于市场，没有人特别擅长在市场上使用它们，每个人都同意简单的基于指标的系统要有效得多，当然不是在通常的擦边球和随机指标上，而是例如在具有良好资金管理的JMA。
神经网络和复杂的模型被喂给 "肉 "傀儡，以分散他们多年来对交易的注意力，并挫败他们的智力能力。事实上，很酷的对冲基金使用JMA ，我认为Margindale也是如此，这就是为什么他们有这么好的收益率曲线。重要的是找到一个符合你需求的交易系统，并严格遵守你的TS规则，其他的都是邪恶的。
我理解Procluster分析，delta和所有真正推动市场的东西，但你必须使用JMA，那是在大约2006年开发的，已经被人们采用，并由他们决定点数，并认识到JMA比BOM好一点，只是一点，但有风险的MM，可能导致一些10年后的利润。我不认为那些很酷的对冲基金使用JMA，而是SOT报告、成交量分析、期权水平，而不是你的JMA，如果你依赖指标，那我就没什么好说的了，因为你真的不了解市场是什么，它的参与者是谁.......。
朋友们好!你能告诉我在Python中这样做的正确方法吗？
Для примера построим график продаж видео игр в различных странах в зависимости от года.
Для начала отфильтруем только нужные нам столбцы, затем посчитаем суммарные продажи по годам и у получившегося dataframe вызовем функцию plot без параметров.
sales_df = df[[x for x in df.columns if 'Sales' in x] + ['Year_of_Release']]
sales_df.groupby('Year_of_Release').sum().plot()
问题是，列名是由数字组成的，我怎样才能正确指定数字--语法？
sales_df.groupby(2).sum().plot()
它给出了一个错误，并且
TypeError Traceback (most recent call last)
<ipython-input-75-494 b1527114a> in <module>()
----> 1 sales_df = df[[x for x in df.columns if 1 in x] + [2]]
TypeError: argument of type 'numpy.int64' is not iterable
倒置的逗号怎么样？Python是在hello world的水平，但它可能会起作用。
sales_df.groupby('2').sum().plot()
倒置的逗号怎么样？我对Python的了解处于hello world的水平，但也许它能发挥作用。
sales_df.groupby('2').sum().plot()
我已经尝试了所有的方法。