关于机器学习与比特币的示例

'ma5', 'ma10', 'ma21', 'ma60', 'atr21', 'atr14']))

# 把标准化后的和big_wave，date_week连接起来

sib_btc_scale = pd.concat([sib_btc['big_wave'], sib_btc_scale, sib_btc['date_week']], axis=1)

# 采取第一天，第二天的大年夜多半特点分别改名字以one，two为特点前缀，如：one_open，one_close，two_ma5，two_high.....

a0 = sib_btc_scale.iloc[0].filter(['open', 'close', 'high', 'low', 'volume', 'pre_close',

'ma5', 'ma10', 'ma21', 'ma60', 'atr21', 'atr14', 'date_week'])

a0.rename(index={'open': 'one_open', 'close': 'one_close', 'high': 'one_high', 'low': 'one_low',

'volume': 'one_volume', 'pre_close': 'one_pre_close',

'ma5': 'one_ma5', 'ma10': 'one_ma10', 'ma21': 'one_ma21',

'ma60': 'one_ma60', 'atr21': 'one_atr21', 'atr14': 'one_atr14',

'date_week': 'one_date_week'}, inplace=True)

a1 = sib_btc_scale.iloc[1].filter(['open', 'close', 'high',

　　推荐阅读

　　数据分析让零售业再现生机

瞬息万变的经济情况、难以捉摸的零售业发卖情况、日益冷僻典大年夜型卖场–这一切都给本土零售业带来了重重艰苦。然则，我们也在黑阴郁看到了一线曙光。进入数字时代，技巧和数据的有>>>详细阅读

地址：http://www.17bianji.com/lsqh/37053.html