AIM-PIbd-32-Kurbanova-A-A/lab_1/lab_1.ipynb

In [8]:

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

from statsmodels.tsa.seasonal import seasonal_decompose

from dateutil import parser

from statsmodels.tsa.arima.model import ARIMA


import matplotlib.dates as mdates

import warnings
warnings.filterwarnings('ignore')
df = pd.read_csv('C:\\Users\\Алина\\source\\repos\\mii\\AIM-PIbd-32-Kurbanova-A-A\\static\\csv\\neo.csv')

df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)
# Checking available styles
print(plt.style.available)

plt.style.use('seaborn-v0_8-dark-palette')
plt.figure(figsize=(14, 7))

plt.plot(df['Close'], label='Closing Price')
plt.title('Gold Closing Prices Over Time')
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.legend()
plt.show()

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']

Данная диаграмма отображает цену закрытия (Close Price), что позволяет сделать вывод о том, что цена на золото с 2013 года до 2016 года стремительно снижалась, а после держалась стабильно¶

In [20]:

#Boxplot of Stock Close Price per Month
_, ax = plt.subplots(figsize=(22,8))
sns.boxplot(x=df.index.month_name(), y= df.values[:, 0],ax=ax)
plt.title('Stock Close Price per Month')
plt.xlabel('Month')
plt.ylabel('Close Price')
plt.show()

Данная диаграмма отображает цену закрытия(Close price) по месяцам,что позволяет сделать вывод о том, что в январе-марте цена на золота стабильнее, чем в другие месяцы; осенью и декаре цена на золото "скачет"¶

In [44]:

import matplotlib.pyplot as plt 

# Предполагаем, что df уже определен и содержит данные 
datal = df[:100].copy() 

plt.figure(figsize=(12, 6))
plt.hist(datal['Close'], bins=30, color='skyblue', edgecolor='black')
plt.title('Histogram of Gold Prices')
plt.xlabel('Gold Close Price')
plt.ylabel('Frequency')
plt.show()

Данная диаграмма отображает цену закрытия на золото на маленьком срезе данных, что позволяет сделать вывод о том, что цена нестабильна и быстро меняется¶