#kr-python

오늘의 예제: Bitfinex와 Coinbase의 가격 변화 추이를 더 자세히 알아보자. 저번 #04에서 빗피 거래소와 코베 거래소의 가격 상관관계를 알아봤는데요, 상관관계가 좀 이상해보이는 곳이 있었죠. 예를 들면 이런 곳이요. 대부분의 구역에서 빗피와 코베 거래소의 가격이 똑같이 변하는 데, 가끔 서로 다르게 변하는 이 부분의 데이타를 조금 더 자세히 들여다

오늘의 예제: Lead-Lag Correlation을 이용하여 한 거래소가 다른 거래소 가격을 선도하는 지를 알아봅시다. 전 예전부터 이게 궁금했었습니다. 테더의 본산인 Bitfinex는 이래저래 말이 많은 거래소인데요, 과연 테더가 BTC 가격에 영향을 미치는 것일까, 그렇다면 Bitfinex 가격이 다른 거래소의 가격을 선도하고 있지 않을까 하는 생각에

오늘의 예제: CSV 파일 읽어서 데이타 불러들이기 전에 언급했듯이 이번 시리즈를 위해 @roostermine 님께서 라고 하는 훌륭한 사이트를 알아봐주셨습니다. 이 사이트에 가보면 여러 거래소의 거래 기록이 모아져 있습니다. 저는 이곳에서 북미의 모든 거래소의 BTCUSD 기록을, Daily와 1-hourly 모두 다 다운받았습니다. 파이쏜 프로그램으로 웹에

오늘의 예제: 이동 평균 선 추가하기 파이쏜에서 이동평균은 어떻게 계산할 수 있을까요? 일단 이동평균 정의는 이렇습니다. n개의 항목이 있는 시계열 time series의 경우, P1, P2, ..., Pn 길이 2m+1인 이동 평균은 MAk= (Pk-m, Pk-m+1, ..., Pk, ..., Pk+m-1, Pk+m)/(2m+1) 포트란이나 C처럼 좀 더

오늘의 예제: 캔들스틱 그림 그리기 이번에는 저번 시간에 읽은 가격 자료를 이용하여 Candle Stick 차트를 그려보도록 하겠습니다. 인터넷에서 검색해보니, 파이쏜의 그림그리는 모듈인 Matplotlib에서 Candle Stick을 그릴 수 있는 하부 모듈이 있다고 하는데, 문제는 그 모듈이 관리도 안되고 곧 없어진다 그래서 그거 안쓰고 그냥 제가 직접

들어가며 [빙구처럼 트레이딩] 시리즈를 연재하고 계시는 루스터(@roostermine)님이 트레이딩 뷰의 스크립트를 이용하여 최적의 전략을 세우고 계십니다. 그런데 트레이딩 뷰의 스크립트가 프로그래밍 언어라고 하기에는 약간 모자른 면이 있어서 가끔은 수작업을 하고 계시는데요, 루스터님에게 파이쏜을 알려드려 더욱 최적화된 거래 신호를 얻기 위해 이 시리즈를 시작합니다.

(1) 기왕 코딩 공부하는 거 웹앱으로 만들어서 스토어에도 올리면 동기부여에 좋겠다는 생각이 갑자기 들었음. (푸시 기능도 넣고 싶고) 급 Cordova 설치하다가 시간이 다 갔다..... 근데 잘 모르겠어서 아직 TIL로 정리하지 않았음. (2) 파이썬으로 네이버 로그인은 여전히 안된다... 계속 보안문자만 뜬다. 구글링으로 찾은 예제들은 다 된다고 써있는데

(#1) 최근 파이썬으로 웹 크롤링 배우고 있는데 생각보다 재밌어요! 파이썬으로 이렇게 많은 것들이 손쉽게 가능한지 미처 몰랐습니다. 완전 신세계.... +_+ 다들 파이썬 많이 하시는 이유가 있었네요. (#2) 웹 크롤링을 자동 반복하기 위해 crontab을 쓰는 법을 배웠어요. 내일은 주기적으로 크롤링을 하고 긁어온 데이터를 DB에 넣는 것을 만들어보려고

글의 내용은 [SciPy] 2. Density Estimation (Application to Scatter Plot)에서 이어집니다. 전 편에서 산점도 Scatter Plot은 단점으로 너무 많은 데이타를 그릴 경우 겹쳐지는 부분 때문에 밀도를 제대로 가늠할 수 없다는 얘기를 했습니다. 그래서 데이타의 밀도를 계산하여 Contour 를 위에 올려놨었죠. 이렇게요:

두번째로 작성하는 Scipy 주제입니다. 사실 제가 저번 시간 선형 회귀로 Scipy 주제를 시작한 계기가 바로 오늘의 Density Estimation 입니다. 따라서 3편은 (아직) 예정이 없다는 얘기 ㅋㅋ 이번에도 먼저 아래 Scatter Plot 산점도로부터 시작해 보겠습니다. 이 그림에 대한 자세한 설명은 역시 생략합니다! 다만 저번과 마찬가지로 X축,

안녕하세요! 오랜만에, 정말 정말 오랜만에, [Matplotlib, Numpy, and Scipy] 주제로 돌아왔습니다. 이번 소주제는 Linear Regression 선형 회귀(線型 回歸)입니다. 먼저 아래 Scatter Plot 산점도를 보시겠습니다. 이 그림에 대한 자세한 설명은 생략합니다! 다만 X축, Y축, 그리고 Color 이렇게 세가지 변수로 각각의

이 에러에 대한 내용을 검색하면 참 다양한 해결책들이 나온다. 웃기게도 나는 다른 방법으로 해결하였다. 내가 만난 문제 파이썬에서 c++ so파일(또는 dll)에 있는 함수를 호출하려고 했다. 유니코드 스트링을 인자로 넘겨야 하는데 정확히는 wchar_t의 배열. wstring 이라고도 할 수 있다. 그 함수를 파이썬에서 호출할 때에는 c_wchar_p 를

F2Py란? 수치 계산의 '우사인 볼트'라 할 수 있는 Fortran은 단점으로 다양한 파일의 입출력 같은 부가기능이 약합니다. 다재다능 Python은 단점으로 단순 계산이 조금 느립니다. 그래서 Python 뼈대에 계산 부분만 Fortran을 불러올 수 있게 도와주는 것이 F2PY입니다. F2PY는 Numpy에 기본으로 내재되어 있습니다. 이 포스팅은 기본적으로

F2Py란? 수치 계산의 '우사인 볼트'라 할 수 있는 Fortran은 단점으로 다양한 파일의 입출력 같은 부가기능이 약합니다. 다재다능 Python은 단점으로 단순 계산이 조금 느립니다. 그래서 Python 뼈대에 계산 부분만 Fortran을 불러올 수 있게 도와주는 것이 F2PY입니다. F2PY는 Numpy에 기본으로 내재되어 있습니다. 이 포스팅은 기본적으로

F2Py란? 수치 계산의 '우사인 볼트'라 할 수 있는 Fortran은 단점으로 다양한 파일의 입출력 같은 부가기능이 약합니다. 다재다능 Python은 단점으로 단순 계산이 조금 느립니다. 그래서 Python 뼈대에 계산 부분만 Fortran을 불러올 수 있게 도와주는 것이 F2PY입니다. F2PY는 Numpy에 기본으로 내재되어 있습니다. 이 포스팅은 기본적으로

10. Plot Accessary: Color Map (part2) + Color Bar 이번 편에서는 ColorBar 색봉과 함께 색지도를 정규화하는 방법에 대하여 알아보겠습니다. 10.1 ColorBar() Color Bar 색봉은 색과 그 색에 해당하는 값을 알려주는 일종의 Legend 레전드입니다.

09. Plot Accessary: Color Map (part1) 전편에서 다뤘던 imshow()와 같은 2차원 시각화 기능에서 가장 중요한 요소중에 하나는 역시 색깔의 적절한 선택이겠죠. Matplotlib에는 여러 종류의 Color Map이 내장되어있어, 원하는 종류를 골라 쓰면 되겠습니다. 현재 내재된 색지도는 아래 사이트에서 확인하실 수 있습니다.

08. Plot Main: Imshow() 전편의 plot() 함수가 선을 그어주는 함수라면, imshow()는 2차원 데이타를 평면에 색깔을 이용하여 그려주는 함수입니다. Axes.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None,

07. Plot Main: Plot() 사실 그동안 예제 프로그램에서 계속 써왔던 함수, plot()에 대하여 짚고 넘어가 보도록 하겠습니다 . Axes.plot(*args, data=None, **kwargs) 플롯 함수는 주어진 x와 y값에 대하여 직선 혹은 마커를 표시해줍니다. 위 웹페이지에 나와 있듯이, 간단한 사용법은 다음과 같습니다. plot([x],

06. Legend 도표의 정보를 정확히 전달하기 위하여 레전드의 사용은 필수적이죠. 레전드를 표시하는 명령어는 matplotlib.pyplot.legend(*args, **kwargs)입니다. 위 웹사이트에 나와 있듯이, 레전드를 이용하는 가장 간단한 방법은 다음과 같습니다. line = ax.plot([1, 2, 3], label='label1') ax.legend()