https://github.com/camara94/data_analyse_series_temporelles

Dans ce tutoriel, nous allons répondre aux questions suivantes: 1. Lire les données Microsoft à l'aide du package **Pandas Data reader** 2. Obtenez le **prix maximum** de l'action de **2017 à 2022** 3. Quelle est la **date du cours le plus élevé** de l'action ? 4. Quelle est la **date du cours le plus bas** de l'action ?
https://github.com/camara94/data_analyse_series_temporelles

data-analysis data-analysis-python data-science data-structures-and-algorithms data-visualization serie series-forecasting

Last synced: 2 months ago
JSON representation

Dans ce tutoriel, nous allons répondre aux questions suivantes: 1. Lire les données Microsoft à l'aide du package **Pandas Data reader** 2. Obtenez le **prix maximum** de l'action de **2017 à 2022** 3. Quelle est la **date du cours le plus élevé** de l'action ? 4. Quelle est la **date du cours le plus bas** de l'action ?

• Host: GitHub
• URL: https://github.com/camara94/data_analyse_series_temporelles
• Owner: camara94
• License: mit
• Created: 2022-02-26T01:06:37.000Z (over 3 years ago)
• Default Branch: main
• Last Pushed: 2022-02-26T05:09:31.000Z (over 3 years ago)
• Last Synced: 2025-02-15T08:43:58.692Z (4 months ago)
• Topics: data-analysis, data-analysis-python, data-science, data-structures-and-algorithms, data-visualization, serie, series-forecasting
• Language: Jupyter Notebook
• Homepage:
• Size: 354 KB
• Stars: 0
• Watchers: 2
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE
  • Support: support.pdf

Awesome Lists containing this project

README

        
# Data Analyse Series Temporelles

Dans ce tutoriel, nous allons répondre aux questions suivantes: 

1. Lire les données Microsoft à l'aide du package **Pandas Data reader** 

2. Obtenez le **prix maximum** de l'action de **2017 à 2022** 

3. Quelle est la **date du cours le plus élevé** de l'action ?

4. Quelle est la **date du cours le plus bas** de l'action ?

## Installation du Package pandas_reader




    !pip install pandas-datareader





## Importation des Package




	import pandas_datareader as pdr

	import matplotlib.pyplot as plt

	import numpy as np

	plt.style.use('ggplot')

	%matplotlib inline





## Site Yahoo Finance

Nous allons récupérer la référence de Microsoft sur le **site de yahoo finances** à travers ce lien ci-dessous:

[https://finance.yahoo.com/quote/MSFT/](https://finance.yahoo.com/quote/MSFT/)

## Créer le Dataset des Actions de microsoft




	df_microsoft = pdr.get_data_yahoo('MSFT')





## Répresantation de la Colonne Close




	plt.figure(figsize=(16,6))

	plt.plot(df_microsoft.loc['2017','Close'])





## Quelques Aggrégations




	les_max = df_microsoft.High.resample('W').agg(['max', 'mean'])

	les_min = df_microsoft.High.resample('W').agg(['min'])





## Répresentation Personnalisée




	plt.figure(figsize=(16,6))

	les_max['2018']['mean'].plot(c='green')

	plt.fill_between(

    		les_max['2018'].index,

    		les_max['2018']['max'],

    		les_min['2018']['min'],

    		alpha=0.3

	)





## Les Prix Minimum et Maximum de 2017 à 2022




	price_max_from_2017_to_2022 = df_microsoft.High.agg(['max'])

	price_min_from_2017_to_2022 = df_microsoft.Low.agg(['min'])





## Affichage du Prix Minimum et Maximum




	index_max = df_microsoft[df_microsoft['High'] == price_max_from_2017_to_2022['max']].index

	index_min = df_microsoft[df_microsoft['Low'] == price_min_from_2017_to_2022['min']].index

	plt.figure(figsize=(16, 8))

	plt.plot(df_microsoft.index, df_microsoft.High, c='g')

	plt.scatter(np.array([index_max]), price_max_from_2017_to_2022['max'], lw=13, c="b", label=f'Le {index_max[0].strftime("%d/%m%Y")}')

	plt.scatter(np.array([index_min]), price_min_from_2017_to_2022['min'], lw=13, c="r" , label=f'Le {index_min[0].strftime("%d/%m/%Y")}')

	plt.legend()





## Définition d'une periode_fr

Cette fonction permet de retourner la periode en français




	def periode_fr(periode):

    		p = ''

    		if periode == 'Q':

        		p = 'Trimestre'

    		elif periode == 'M':

        		p = 'Mois'

    		elif periode == 'D':

        		p = 'Jour'

    		elif periode == 'W':

        		p = 'Semaine'

    		return p





## Répresentation Personnalisée des Colonnes




	def graphiphique_perso(df_microsoft, periode, annee, col, fun_agg, c='g'):

    		data = df_microsoft.resample(periode).agg(['max', 'mean', 'min']);

    		plt.figure(figsize=(16, 5))

    		plt.plot(data[annee][col][fun_agg], label=f'{fun_agg}', c=c)

    		plt.fill_between(

        		data[annee][col].index, 

        		data[annee][col]['min'], 

        		data[annee][col]['max'],

        		alpha=0.3)

    		plt.title(f'L\'analyse de la colonne {col} par {periode_fr(periode)}')

    		plt.legend();