1

Estoy intentando entender este script, y la sentencia en la que se aplica el método .diff() a una columna del DataFrame, me devuelve un resultado que no entiendo.

import pandas as pd
import pandas_datareader.data as pdr
import matplotlib.pyplot as plt

# Creamos el df para el análisis
ticker = "GME"
start='2000-01-01'
end='2020-12-31'

datos = pdr.DataReader(ticker, 'yahoo', start = start, end = end)
dfSMA = datos[["Close"]] 

ventana_corta = 42
ventana_larga = 252
nom_val = "Close"
dfSMA["señal"]= 0.0

dfSMA['MA42'] = dfSMA[nom_val].rolling(ventana_corta, min_periods=1, center=False).mean().dropna()
dfSMA['MA252'] = dfSMA[nom_val].rolling(ventana_larga, min_periods=1, center=False).mean().dropna()


# Creamos la columna "señal", prescindiendo de 42 cotizaciones(ventana corta)
dfSMA["señal"][ventana_corta:] = np.where(dfSMA['MA42'][ventana_corta:]  > dfSMA['MA252'][ventana_corta:], 1.0, 0.0)   

# Generación de ordenes de compra / venta
dfSMA['posicion'] = dfSMA["señal"].diff()  #  dfSMA["señal"][1] - dfSMA["señal"][0] , anotada en hoy

Muestro a continuación el df con las columnas señal y posicion

dfSMA[["señal", "posicion" ]][53:65]

columnas señal y posición

Si he entendido bien, la función .diff() actúa de la manera siguiente:

dfSMA["señal"][1] - dfSMA["señal"][0] # anotada en la fila 0

Es decir, resta el valor en la fila 1 de la columna señal, del valor en la columna 0 de la columna señal y anota el resultado en la fila o de la columna posición, y así sucesivamente.

En la salida veo lo siguiente:

Entendamos por 0 en este ejemplo, la primera fila de la figura (la figura muestra datos desde la fila 53 hasta la 64. posición [0] = 0-0 posición1 = 1-0 = 1 sin embargo muestra un 0 en posición 1 posición[2] = 1 - 1 = 0, sin embargo muestra 1 en posición 2

Así podríamos seguir. ¿Qué no estoy entendiendo bien?.

1 respuesta 1

2

El método.diff() sirve para hallar diferencias entre datos. Si se usa sin ningún argumento, lo que hace es computar la diferencia entre el dato de una columna y el mismo dato de la fila inmediatamente anterior.

Siguiendo tu ejemplo:

             Close  señal   MA42    MA252   posicion
Date                    
2002-05-01  10.250  0.0 9.751071    9.755648    0.0
2002-05-02  10.415  0.0 9.764524    9.767636    0.0
2002-05-03  10.400  1.0 9.782976    9.778929    1.0
2002-05-06  10.875  1.0 9.811548    9.798158    0.0
2002-05-07  10.750  1.0 9.824405    9.814569    0.0
2002-05-08  11.200  1.0 9.842262    9.838051    0.0
2002-05-09  11.425  0.0 9.862262    9.864500    -1.0
2002-05-10  11.030  0.0 9.872500    9.883607    0.0
2002-05-13  10.750  0.0 9.878214    9.897581    0.0
2002-05-14  10.400  0.0 9.875833    9.905556    0.0
2002-05-15  9.925   0.0 9.869881    9.905859    0.0
2002-05-16  10.300  0.0 9.885357    9.911923    0.0

Vamos día por día:

  • Día 1 de mayo: tenemos en la columna posición el valor 0.0. Eso es porque si nos vamos al 30 de abril ejecutando dfSMA.iloc[52] obtendremos que señal es 0.0 y la diferencia entre 0 y 0 es 0

  • Día 2 de mayo: en la columna señal el valor cero, y tenemos que el día 1 de mayo el valor era 0. Volvemos a hallar la diferencia, y 0-0 = 0

  • Día 3 de mayo: en la columna señal tenemos el valor uno, y el valor en esta misma columna anterior, el día 2 de mayo ,es cero. Hallamos la diferencia 1-0 = 1

  • Día 4 de mayo: en la columna señal tenemos el valor uno y el valor en esta misma columna anterior, el día 3 de mayo, es 1. Hallamos la diferencia 1-1 = 0

Por tanto tu comprensión es ligeramente incorrecta:

Es decir, resta el valor en la fila 1 de la columna señal, del valor en la columna 0 de la columna señal y anota el resultado en la fila o de la columna posición, y así sucesivamente.

En concreto:

y anota el resultado en la fila o de la columna posición, y así sucesivamente.

NO, lo anota en la fila uno (no cero) de la columna posición

Es decir, cuando queremos calcular el día dos de mayo, usamos el uno de mayo para restarlo, y el resultado se guarda en la columna del dos de mayo (No en la del uno de mayo). Por eso si coges todo tu DataFrame desde el día 13 de febrero, y ves primer valor, te darás cuenta que es NaN. Es decir si ejecutas esto:

dfSMA.head()

Salida:


            Close   señal   MA42    MA252   posicion
Date                    
2002-02-13  10.050  0.0 10.0500 10.0500 NaN
2002-02-14  10.000  0.0 10.0250 10.0250 0.0
2002-02-15  9.950   0.0 10.0000 10.0000 0.0
2002-02-19  9.550   0.0 9.8875  9.8875  0.0
2002-02-20  9.875   0.0 9.8850  9.8850  0.0

El primer dato de la columna posicion es NaN porque tiene que usar el dato anterior para calcular el resultado. Como dicho dato no existe, porque este es el primer dato del DataFrame se anota NaN. Y se anota en la primera columna, que es en la que estamos, no en la anterior.

Puedes saber y ver más ejemplos sobre el método .diff() en la documentación oficial de Pandas

2
  • 1
    Luego quedaría así: dfSMA["señal"][1] - dfSMA["señal"][0] y se anota en la fila 1
    – efueyo
    Commented el 15 sept. 2021 a las 13:49
  • Así es, correcto! Commented el 15 sept. 2021 a las 14:04

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.