อธิบายโค้ดการวิเคราะห์ข้อมูลแบบเข้าใจง่าย
โค้ดนี้เป็นการวิเคราะห์ข้อมูลหุ้น BMW โดยใช้ Python เพื่อศึกษาแนวโน้มราคา, การเติบโตรายปี, และสร้างกลยุทธ์การซื้อขายอย่างง่ายโดยใช้ Simple Moving Average (SMA) Crossover โค้ดนี้ใช้ไลบรารีวิเคราะห์ข้อมูลที่สำคัญเช่น Pandas, Matplotlib และ Seaborn เพื่อประมวลผลข้อมูลและสร้างกราฟแสดงผล
โค้ดเริ่มต้นด้วยการนำเข้าไลบรารีที่จำเป็นสำหรับการวิเคราะห์ข้อมูล
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from statsmodels.tsa.seasonal import seasonal_decompose
from sklearn.linear_model import LinearRegression
import numpy as np
from google.colab import filespandas: สำหรับจัดการข้อมูลในรูปแบบ DataFramematplotlib.pyplot: สำหรับสร้างกราฟและแผนภูมิseaborn: ไลบรารีการแสดงผลข้อมูลสถิติระดับสูงstatsmodels: สำหรับการวิเคราะห์อนุกรมเวลาsklearn: สำหรับการสร้างโมเดล Machine Learninggoogle.colab: สำหรับเข้าถึงฟีเจอร์ของ Google Colabอัปโหลดไฟล์ CSV ที่มีข้อมูลหุ้น BMW และอ่านข้อมูลด้วย Pandas
สร้างกราฟแสดงแนวโน้มราคาปรับปรุง (Adjusted Close Price) ของหุ้น
คำนวณและแสดงการเติบโตของราคาหุ้นในแต่ละปีและในช่วง 5 ปี
สร้างกลยุทธ์การซื้อขายโดยใช้การตัดกันของค่าเฉลี่ยเคลื่อนที่ (SMA)
uploaded = files.upload()
import pandas as pd
file_name = 'BMW_Data.csv'
data = pd.read_csv(file_name)
data.tail()
from google.colab import drive
drive.mount('/content/drive')โค้ดส่วนนี้ทำหน้าที่:
files.upload()pd.read_csv()data.tail()data['Date'] = pd.to_datetime(data['Date'])
data.set_index('Date', inplace=True)
data.info()
data['Year'] = data.index.yearขั้นตอนการเตรียมข้อมูล:
pd.to_datetime()data.info()Year โดยดึงค่าปีจาก index