如何为WordPress网站创建导航页，以便通过扫码实现快速跳转？
摘要：网站的导航页怎么做,wordpress扫码跳转,个性化的个人网站,wordpress免费导航主题UTC时间：时间戳是以格林威治时间1970年01月01日00时00分00秒为基准计算所经过时间的秒数&am
网站的导航页怎么做,wordpress扫码跳转,个性化的个人网站,wordpress免费导航主题UTC时间#xff1a;时间戳是以格林威治时间1970年01月01日00时00分00秒为基准计算所经过时间的秒数#xff0c;是一个浮点数。Python的内置模块time和datetime都可以对时间格式数据进行转换#xff0c;如时间戳和时间字符串的相互转换。 报错记录#xff1a;AR has been re…UTC时间时间戳是以格林威治时间1970年01月01日00时00分00秒为基准计算所经过时间的秒数是一个浮点数。Python的内置模块time和datetime都可以对时间格式数据进行转换如时间戳和时间字符串的相互转换。 报错记录AR has been removed from statsmodels and replaced with statsmodels.tsa.ar_model.AutoReg. statsmodels版本太新了。根据提示将sm.tsa.AutoReg换成statsmodels.tsa.ar_model.AutoReg()还是没用提示module ‘statsmodels.tsa.api’ has no attribute ‘ar_model’。
解决方案改成sm.tsa.AutoReg. 或者事先from statsmodels.tsa.ar_model import AutoReg
一些小使用
获取当前日期
# datetime模块date类的today()方法获取当前日期
import datetime
print(datetime.date.min)
print(datetime.date.max)
print(datetime.date.today())
print(datetime.date.today().year)
print(datetime.date.today().month)
print(datetime.date.today().day)# datetime模块datetime类的today()方法获取当前日期和时间
import datetime
print(datetime.datetime.now())
print(datetime.datetime.min)
print(datetime.datetime.max)
print(datetime.datetime.today())
print(datetime.datetime.today().year)
print(datetime.datetime.today().month)
print(datetime.datetime.today().day)
print(datetime.datetime.today().hour)
print(datetime.datetime.today().hour)UTC时间
import datetime
# 创建一个时间戳以秒为单位
timestamp 22
# 带UTC时区时间
dt_with_timezone datetime.datetime.fromtimestamp(timestamp, tzdatetime.timezone.utc)
print(带UTC时区时间:, dt_with_timezone)
# 不带UTC时区时间
dt_without_timezone datetime.datetime.fromtimestamp(timestamp)
print(不带UTC时区时间, dt_without_timezone)# 时间戳
import time
print(time.time())
print(time.localtime()) # 获取到当前时间的元组
print(time.mktime(time.localtime()))
# 一周的第几天(周一是0,0-6)、一年的第几天(从1开始1-366)、夏时令(是夏时令1不是0未知-1)。字符串和时间转换
# 字符串和时间转换
#利用time模块的strftime()函数可以将时间戳转换成系统时间。
import time
time_str time.strftime((%Y-%m-%d %H:%M:%S),time.localtime())
print(time_str)# 可以用strptime函数将日期字符串转换为datetime数据类型
import datetime
print(datetime.datetime.strptime(2022-01-15,%Y-%m-%d))# 可以用Pandas的to_datetime()函数将日期字符串转换为datetime数据类型。
# to_datetime()函数转化后的时间是精准到时分秒精度的
import pandas as pd
print(pd.to_datetime(2022/01/15))时间差
# 3. 时间运算--时间差
# 利用datetime将时间类型数据进行转换然后利用减法运算计算时间的不同之处
# 默认输出结果转换为用“天”“秒”表达
import datetime
delta datetime.datetime(2022,1,16)-datetime.datetime(2021,1,1,9,15)
print(delta)
print(delta.days)
print(delta.seconds)自回归模型ARAutoregressive model/AR
定义 这里只介绍一下AR的定义具体步骤见参考里的文章 通俗一点讲就是用过去时间点的数据预测未来时间点的数据。 具体公式如下 X t a 1 X t − 1 a 2 X t − 2 . . . a p X t − p ∑ j 1 p a j X t − j ε t X_t a_1X_{t-1} a_2X_{t-2} ...a_pX_{t-p} \sum^{p}_{j1}a_jX_{t-j}\varepsilon_t Xta1Xt−1a2Xt−2...apXt−pj1∑pajXt−jεt X t X_t Xt历史数据 X t − j X_{t-j} Xt−j的加权和随机扰动 ε t \varepsilon_t εt的叠加 称 p p p为自回归模型的阶数因此成为 p p p阶自回归模型记为 A R ( p ) AR(p) AR(p) 称 a 1 , a 2 . . . a p a_1,a_2...a_p a1,a2...ap为 A R ( p ) AR(p) AR(p)模型的自回归系数 ε t ∼ N ( 0 , 2 ) \varepsilon_t \sim N(0,^2 ) εt∼N(0,2)
python实现
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm # 导入模型IndexData pd.read_csv(./data/timeseries_data.csv)
data IndexData[close] # 选择关闭交易时的数据
temp np.array(data) # 转换成数组
model sm.tsa.AutoReg(temp,lags 1) # 训练模型
results_AR model.fit() # 训练模型plt.figure(figsize(20,10))
plt.plot(temp,b,labelClose)
plt.plot (results_AR.fittedvalues,r,labelAR model) # results_AR.fittedvalues是模型拟合后的结果
plt.legend()滑动平均模型moving average model/MA
滑动平均moving average model/MA模型也称移动平均模型是用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。 q q q阶MA模型(MA( q q q))的公式 X t μ a t − θ 1 a t − 1 − . . . − θ q a t − q μ a t − ∑ i 1 p θ i a t − i X_t \mua_t-\theta_1a_{t-1}-...-\theta_qa_{t-q} \mu a_t -\sum^{p}_{i1}\theta_{i}a_{t-i} Xtμat−θ1at−1−...−θqat−qμat−i1∑pθiat−i 其中 μ \mu μ为常量。 MA(1)举例 X t X_t Xt为第 t t t天股价而 a t a_t at为第 t t t天的新闻影响。当天的股价受当天新闻影响也受昨天新闻影响 a t − 1 a_{t-1} at−1但影响力要弱些所以要乘上系数。
python实现 报错记录AttributeError: module ‘statsmodels.tsa.api’ has no attribute ‘ARMA’ 从版本 0.12 开始statsmodels 库不再具有单独的 ARMA 类。应该使用 ARIMA 类该类可以处理自回归 AR 和移动平均 MA 分量。 import warnings
warnings.filterwarnings(ignore)
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as smIndexData pd.read_csv(./data/timeseries_data.csv)
data IndexData[close]
temp np.array(data)model sm.tsa.ARIMA(temp, order(0, 0,10))
results_MA model.fit()plt.figure(figsize(20, 10))
plt.plot(temp, b, labelclose)
plt.plot(results_MA.fittedvalues,color red,label MA)
plt.legend(fontsize 15)
plt.show()自回归滑动平均Autoregressive moving average model/ARMA模型
定义
ARMA模型就是AR模型和MA模型混合具体公式如下 X t [ ∑ i 1 p a i X t − i ] [ μ a t − ∑ i 1 q θ i a t − i ] X_t [ \sum^{p}_{i1}a_{i}X_{t-i} ] [ \mu a_t -\sum^{q}_{i1}\theta_{i}a_{t-i}] Xt[i1∑paiXt−i][μat−i1∑qθiat−i] 由此可见ARMA( p p p,0)模型就是AR ( p p p) 模型ARMA(0, q q q)模型就是MA( q q q)模型。 μ \mu μ?
python实现
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
IndexData pd.read_csv(./data/timeseries_data.csv)
data IndexData[close]
temp np.array(data)
p 3
q 10
model sm.tsa.ARIMA (temp,order(p,0,q))
results_ARMA model.fit()plt.figure(figsize(20,4*5))
plt.plot(temp,b,labelclose)
plt.plot(results_ARMA.fittedvalues,r,labelARMA model)
plt.legend()自回归差分滑动平均Autoregressive Integrated Moving Average model/ARIMA模型
ARIMA模型在ARMA模型基础上考虑了时间序列的差分ARIMA模型有三个参数ARIMA(p,d,q)p为自回归AR项数q为滑动平均MA项数d为使序列平稳所做的差分次数阶数。 差分后是对序列的差分的结果建立模型而不是真正的序列例如**ARIMA(p,1,q)**相当于对差分序列 { x t – x t − 1 } \{x_t–x_{t−1}\} {xt–xt−1}进行 ARMA(p,q) 回归。
# 输出ARIMA模型的拟合效果图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
IndexData pd.read_csv(./data/timeseries_data.csv)
IndexData IndexData.set_index(IndexData[date])IndexData[colseDiff_1]IndexData[close].diff(1)#1阶差分处理
IndexData[closeDiff_2]IndexData[colseDiff_1].diff(1)#2阶差分处理
IndexData.plot(subplotsTrue,figsize(20,15))data IndexData[closeDiff_2]
temp np.array (data)
p2;d 2;q10
model sm.tsa.ARIMA(temp,order (p,d,q))
results_ARIMA model.fit()
plt.figure (figsize(20,10))
plt.plot (temp,b,labelcloseDiff_2)
plt.plot (results_ARIMA.fittedvalues,r,labelARIMA model)
plt.legend()参考
时间序列分析—自回归AR - 蜡笔小xi的文章 - 知乎 时间序列二初识自回归模型AR、滑动平均模型MR - Big冯的文章 - 知乎 建模算法系列二十三ARMA模型 - Lvy-呀的文章 - 知乎