.\pandas-ta\tests\test_indicator_performance.py
# 导入所需的模块和函数 from .config import sample_data from .context import pandas_ta # 从 unittest 模块中导入 TestCase 类 from unittest import TestCase # 从 pandas 模块中导入 Series 类 from pandas import Series # 定义测试类 TestPerformace，继承自 TestCase 类 class TestPerformace(TestCase): # 在所有测试方法执行之前执行的设置方法 @classmethod def setUpClass(cls): # 从配置文件中获取示例数据 cls.data = sample_data # 获取示例数据中的 close 列作为测试数据 cls.close = cls.data["close"] # 判断 close 列是否大于其简单移动平均值的 Series 对象，并转换为整数类型 cls.islong = (cls.close > pandas_ta.sma(cls.close, length=8)).astype(int) # 计算 close 列的非累积百分比收益率的 Series 对象 cls.pctret = pandas_ta.percent_return(cls.close, cumulative=False) # 计算 close 列的非累积对数收益率的 Series 对象 cls.logret = pandas_ta.percent_return(cls.close, cumulative=False) # 在所有测试方法执行之后执行的清理方法 @classmethod def tearDownClass(cls): # 清理示例数据、close 列、islong 列、pctret 列和 logret 列 del cls.data del cls.close del cls.islong del cls.pctret del cls.logret # 设置测试方法前的准备工作，此处不需要执行任何操作，因此留空 def setUp(self): pass # 设置测试方法后的清理工作，此处不需要执行任何操作，因此留空 def tearDown(self): pass # 测试对数收益率计算的方法 def test_log_return(self): # 调用对数收益率计算函数，获取结果 result = pandas_ta.log_return(self.close) # 断言结果类型为 Series 类型 self.assertIsInstance(result, Series) # 断言结果的名称为 "LOGRET_1" self.assertEqual(result.name, "LOGRET_1") # 测试累积对数收益率计算的方法 def test_cum_log_return(self): # 调用累积对数收益率计算函数，获取结果 result = pandas_ta.log_return(self.close, cumulative=True) # 断言结果类型为 Series 类型 self.assertIsInstance(result, Series) # 断言结果的名称为 "CUMLOGRET_1" self.assertEqual(result.name, "CUMLOGRET_1") # 测试百分比收益率计算的方法 def test_percent_return(self): # 调用百分比收益率计算函数，获取结果 result = pandas_ta.percent_return(self.close, cumulative=False) # 断言结果类型为 Series 类型 self.assertIsInstance(result, Series) # 断言结果的名称为 "PCTRET_1" self.assertEqual(result.name, "PCTRET_1") # 测试累积百分比收益率计算的方法 def test_cum_percent_return(self): # 调用累积百分比收益率计算函数，获取结果 result = pandas_ta.percent_return(self.close, cumulative=True) # 断言结果的名称为 "CUMPCTRET_1" self.assertEqual(result.name, "CUMPCTRET_1")
.\pandas-ta\tests\test_indicator_statistics.py
# 从.config模块中导入error_analysis，sample_data，CORRELATION，CORRELATION_THRESHOLD，VERBOSE变量 # 从.context模块中导入pandas_ta模块 from .config import error_analysis, sample_data, CORRELATION, CORRELATION_THRESHOLD, VERBOSE from .context import pandas_ta # 从unittest模块中导入skip，TestCase类 from unittest import skip, TestCase # 导入pandas的测试模块 import pandas.testing as pdt # 从pandas模块中导入DataFrame，Series类 from pandas import DataFrame, Series # 导入talib库，并重命名为tal import talib as tal # 定义测试Statistics类，继承自TestCase类 class TestStatistics(TestCase): # 类方法，用于设置测试类的初始状态 @classmethod def setUpClass(cls): # 将sample_data赋值给类属性data cls.data = sample_data # 将data的列名转换为小写 cls.data.columns = cls.data.columns.str.lower() # 分别将open、high、low、close列赋值给对应的类属性 cls.open = cls.data["open"] cls.high = cls.data["high"] cls.low = cls.data["low"] cls.close = cls.data["close"] # 如果data的列中包含volume列，则将volume列赋值给类属性volume if "volume" in cls.data.columns: cls.volume = cls.data["volume"] # 类方法，用于清理测试类的状态 @classmethod def tearDownClass(cls): # 删除类属性open、high、low、close del cls.open del cls.high del cls.low del cls.close # 如果类中有volume属性，则删除volume属性 if hasattr(cls, "volume"): del cls.volume # 删除类属性data del cls.data # 空的setUp方法 def setUp(self): pass # 空的tearDown方法 def tearDown(self): pass # 测试entropy方法 def test_entropy(self): # 调用pandas_ta模块中的entropy方法，计算close列的熵 result = pandas_ta.entropy(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"ENTP_10" self.assertEqual(result.name, "ENTP_10") # 测试kurtosis方法 def test_kurtosis(self): # 调用pandas_ta模块中的kurtosis方法，计算close列的峰度 result = pandas_ta.kurtosis(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"KURT_30" self.assertEqual(result.name, "KURT_30") # 测试mad方法 def test_mad(self): # 调用pandas_ta模块中的mad方法，计算close列的绝对平均偏差 result = pandas_ta.mad(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"MAD_30" self.assertEqual(result.name, "MAD_30") # 测试median方法 def test_median(self): # 调用pandas_ta模块中的median方法，计算close列的中位数 result = pandas_ta.median(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"MEDIAN_30" self.assertEqual(result.name, "MEDIAN_30") # 测试quantile方法 def test_quantile(self): # 调用pandas_ta模块中的quantile方法，计算close列的分位数 result = pandas_ta.quantile(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"QTL_30_0.5" self.assertEqual(result.name, "QTL_30_0.5") # 测试skew方法 def test_skew(self): # 调用pandas_ta模块中的skew方法，计算close列的偏度 result = pandas_ta.skew(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"SKEW_30" self.assertEqual(result.name, "SKEW_30") # 测试stdev方法 def test_stdev(self): # 调用pandas_ta模块中的stdev方法，计算close列的标准差（talib=False） result = pandas_ta.stdev(self.close, talib=False) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"STDEV_30" self.assertEqual(result.name, "STDEV_30") # 尝试使用tal.STDDEV方法计算close列的标准差 try: # 期望的结果使用tal.STDDEV方法计算 expected = tal.STDDEV(self.close, 30) # 断言result与expected相等，忽略名称检查 pdt.assert_series_equal(result, expected, check_names=False) except AssertionError: try: # 如果断言失败，计算result与expected之间的相关性 corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION) # 断言相关性大于阈值CORRELATION_THRESHOLD self.assertGreater(corr, CORRELATION_THRESHOLD) except Exception as ex: # 如果出现异常，则调用error_analysis函数，并传递result，CORRELATION，异常信息ex error_analysis(result, CORRELATION, ex) # 重新调用pandas_ta模块中的stdev方法，计算close列的标准差 result = pandas_ta.stdev(self.close) # 断言result的类型为Series self.assertIsInstance(result, Series) # 断言result的名称为"STDEV_30" self.assertEqual(result.name, "STDEV_30") # 测试 TOS_STDEVALL 函数 def test_tos_sdtevall(self): # 调用 TOS_STDEVALL 函数，计算标准差 result = pandas_ta.tos_stdevall(self.close) # 断言结果为 DataFrame 类型 self.assertIsInstance(result, DataFrame) # 断言结果列名为 "TOS_STDEVALL" self.assertEqual(result.name, "TOS_STDEVALL") # 断言结果列数为 7 self.assertEqual(len(result.columns), 7) # 调用 TOS_STDEVALL 函数，计算长度为 30 的标准差 result = pandas_ta.tos_stdevall(self.close, length=30) # 断言结果为 DataFrame 类型 self.assertIsInstance(result, DataFrame) # 断言结果列名为 "TOS_STDEVALL_30" self.assertEqual(result.name, "TOS_STDEVALL_30") # 断言结果列数为 7 self.assertEqual(len(result.columns), 7) # 调用 TOS_STDEVALL 函数，计算长度为 30，标准差为 1 和 2 的标准差 result = pandas_ta.tos_stdevall(self.close, length=30, stds=[1, 2]) # 断言结果为 DataFrame 类型 self.assertIsInstance(result, DataFrame) # 断言结果列名为 "TOS_STDEVALL_30" self.assertEqual(result.name, "TOS_STDEVALL_30") # 断言结果列数为 5 self.assertEqual(len(result.columns), 5) # 测试 Variance 函数 def test_variance(self): # 调用 Variance 函数，计算方差 result = pandas_ta.variance(self.close, talib=False) # 断言结果为 Series 类型 self.assertIsInstance(result, Series) # 断言结果列名为 "VAR_30" self.assertEqual(result.name, "VAR_30") try: # 使用 Talib 计算期望结果 expected = tal.VAR(self.close, 30) # 断言结果与期望结果相等 pdt.assert_series_equal(result, expected, check_names=False) except AssertionError: try: # 计算结果与期望结果的相关性 corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION) # 断言相关性大于阈值 self.assertGreater(corr, CORRELATION_THRESHOLD) except Exception as ex: # 分析错误 error_analysis(result, CORRELATION, ex) # 调用 Variance 函数，默认使用 Talib 计算，计算方差 result = pandas_ta.variance(self.close) # 断言结果为 Series 类型 self.assertIsInstance(result, Series) # 断言结果列名为 "VAR_30" self.assertEqual(result.name, "VAR_30") # 测试 Z-Score 函数 def test_zscore(self): # 调用 Z-Score 函数，计算 Z 分数 result = pandas_ta.zscore(self.close) # 断言结果为 Series 类型 self.assertIsInstance(result, Series) # 断言结果列名为 "ZS_30" self.assertEqual(result.name, "ZS_30")
PandasTA 源码解析（二十一）（2）https://developer.aliyun.com/article/1506316
