### Python 中处理时间序列数据并找到涨幅超过20%的时间区间 为了在Python中处理时间序列数据并找出涨幅大于20%的时间区间，可以利用`pandas`库的强大功能来操作和分析数据。下面是一个具体的实现方案： #### 创建示例时间序列数据 首先创建一个带有随机波动的价格时间序列作为例子。 ```python import numpy as np import pandas as pd from datetime import timedelta, datetime np.random.seed(12345) # 定义起始价格和其他参数 start_price = 100 days = 365 * 2 # 模拟两年的数据 price_changes = np.log(np.random.normal(loc=0.0005, scale=0.01, size=days)) # 对数收益率模拟微小变化 prices = start_price * (1 + price_changes).cumprod() # 计算累积乘积得到每日收盘价 # 构建日期索引 dates = [datetime.now().date() - timedelta(days=x) for x in range(len(prices))] ts = pd.Series(prices[::-1], index=pd.to_datetime(dates)) print("原始时间序列:") print(ts.head()) ``` 这段代码构建了一个具有特定均值和标准差的日对数回报率的时间序列，并将其转换成绝对价格水平[^1]。 #### 寻找涨幅超20%的区间 接下来定义函数以识别所有满足条件的时间段。 ```python def find_significant_increases(time_series, threshold=0.2): """ 查找给定时间序列中连续增长幅度达到指定阈值以上的子序列 参数: time_series : pandas.Series 输入的时间序列数据 threshold : float 设定的增长比例阈值，默认为20% 返回: list of tuples 符合条件区间的起点与终点组成的列表 """ significant_periods = [] current_start = None max_increase = 0 prev_value = time_series.iloc[0] for idx, value in enumerate(time_series): increase_ratio = (value - prev_value) / abs(prev_value) if not pd.isna(increase_ratio): if increase_ratio >= 0 and ((current_start is None) or (increase_ratio > 0)): if current_start is None: current_start = idx max_increase += increase_ratio if max_increase >= threshold: end_idx = min(idx+1, len(time_series)-1) period_end_date = time_series.index[end_idx].strftime('%Y-%m-%d') significant_periods.append((time_series.index[current_start].strftime('%Y-%m-%d'), period_end_date)) current_start = None max_increase = 0 elif increase_ratio < 0: current_start = None max_increase = 0 prev_value = value return significant_periods significant_intervals = find_significant_increases(ts.pct_change().fillna(0)+1, 0.2) for interval in significant_intervals: print(f"显著上涨期始于 {interval[0]} 结束于 {interval[1]}") ``` 此部分实现了寻找符合条件时间段的功能，通过遍历整个时间序列计算相邻两天之间的相对变动情况，并记录下当累计增幅首次触及设定门槛时对应的开始日和结束日。