質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

Matplotlib

MatplotlibはPythonのおよび、NumPy用のグラフ描画ライブラリです。多くの場合、IPythonと連携して使われます。

NumPy

NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

pandas

Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

Q&A

解決済

1回答

795閲覧

python 株価予想 エラー Numpy、Pandas、Matplotlib、Pytorch

PPAP_AWS

総合スコア105

深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

Matplotlib

MatplotlibはPythonのおよび、NumPy用のグラフ描画ライブラリです。多くの場合、IPythonと連携して使われます。

NumPy

NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

pandas

Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

0グッド

0クリップ

投稿2020/12/08 11:42

参考動画
こちらの最後の項目にて、 GAFAの未来の株価予想コードにてエラーが発生してしまい、ご指摘していただきたいのですが。以下のコードが主な一連の流れになります。
ご教授お願いいたいします、

**問題のコード
**```python
fig = plt.figure(figsize=(12, 4))
plt.title('Stock Price Prediction')
plt.ylabel('Price')
plt.grid(True)
plt.autoscale(axis='x', tight=True)
fig.autofmt_xdate()

plt.plot(stock_data_apple["Adj Close"]['2018-01':]*30, label="Apple")
plt.plot(stock_data_amazon["Adj Close"]['2018-01':], label="Amazon")
plt.plot(stock_data_google["Adj Close"]['2018-01':], label="Google")
plt.plot(stock_data_facebook["Adj Close"]['2018-01':]*10, label="Facebook")

plt.legend(bbox_to_anchor=(1.05, 1), loc="upper left", borderaxespad=0, fontsize=18)

plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_apple30)
plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_amazon)
plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_google)
plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_facebook
10)

plt.show()

```error --------------------------------------------------------------------------- NameError Traceback (most recent call last) <ipython-input-451-c65d3af67862> in <module>() 25 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_apple*30) 26 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_amazon) ---> 27 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_google) 28 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_facebook*10) 29 NameError: name 'predicted_labels_array_2d_google' is not defined

python

1import torch 2import torch.nn as nn 3import numpy as np 4import pandas as pd 5import matplotlib.pyplot as plt

python

1stock_data = pd.read_csv( 2 # "/content/drive/MyDrive/^GSPC.csv", 3 # "/content/drive/MyDrive/AAPL.csv", 4 # "/content/drive/MyDrive/AMZN.csv", 5 # "/content/drive/MyDrive/GOOG.csv", 6 "/content/drive/MyDrive/FB.csv", 7 8 index_col = 0, 9 parse_dates=True 10) 11 12stock_data

python

1stock_data.drop( 2 ["Open", "High", "Low", "Close", "Volume"], 3 axis="columns", 4 inplace=True 5) 6 7# stock_data 8 9# stock_data_nintendo = stock_data 10# stock_data_sony = stock_data 11 12# stock_data_apple = stock_data 13# stock_data_amazon = stock_data 14# stock_data_google = stock_data 15stock_data_facebook = stock_data

python

1stock_data.plot(figsize=(12, 4))

python

1y = stock_data["Adj Close"].values 2y

python

1from sklearn.preprocessing import MinMaxScaler

python

1scaler = MinMaxScaler(feature_range=(-1, 1)) 2scaler.fit(y.reshape(-1, 1)) 3y =scaler.transform(y.reshape(-1, 1)) 4y

python

1y = torch.FloatTensor(y).view(-1) 2y

python

1# test_size = 24 2test_size = 12 3 4train_seq = y[:-test_size] 5test_seq = y[-test_size:]

pyhton

1plt.figure(figsize=(12, 4)) 2plt.xlim(-20, len(test_seq)+20) 3plt.grid(True) 4plt.plot(test_seq)

python

1train_window_size = 12

python

1def input_data(seq, ws): 2 out = [] 3 L = len(seq) 4 5 for i in range(L-ws): 6 window = seq[i:i+ws] 7 label = seq[i+ws:i+ws+1] 8 out.append((window, label)) 9 10 return out

python

1# train_data = input_data(train_seq, train_window_size) 2train_data = input_data(y, train_window_size)

python

1print("The Number of Training Data: ", len(train_data))

python

1class Model(nn.Module): 2 3 def __init__(self, input=1, h=50, output=1): 4 5 super().__init__() 6 self.hidden_size = h 7 8 self.lstm = nn.LSTM(input, h) 9 self.fc = nn.Linear(h, output) 10 11 self.hidden = ( 12 torch.zeros(1, 1, h), 13 torch.zeros(1, 1, h) 14 ) 15 16 17 def forward(self, seq): 18 19 out, _=self.lstm( 20 seq.view(len(seq), 1, -1), 21 self.hidden 22 ) 23 24 out = self.fc( 25 out.view(len(seq), -1) 26 ) 27 28 return out[-1]

python

1torch.manual_seed(123) 2model = Model() 3criterion = nn.MSELoss() 4optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

python

1# epochs = 10 2epochs = 50 3train_losses = [] 4test_losses = []

python

1def run_train(): 2 model.train() 3 4 for train_window, correct_label in train_data: 5 6 optimizer.zero_grad() 7 8 model.hidden = ( 9 torch.zeros(1, 1, model.hidden_size), 10 torch.zeros(1, 1, model.hidden_size) 11 12 ) 13 14 train_predicted_label = model.forward(train_window) 15 train_loss = criterion(train_predicted_label, correct_label) 16 17 train_loss.backward() 18 optimizer.step() 19 20 train_losses.append(train_loss)

python

1a = torch.tensor([3]) 2a.item()

python

1def run_test(): 2 model.eval() 3 4 for i in range(test_size): 5 6 test_window = torch.FloatTensor(extending_seq[-test_size:]) 7 8 with torch.no_grad(): 9 10 model.hidden = ( 11 torch.zeros(1, 1, model.hidden_size), 12 torch.zeros(1, 1, model.hidden_size) 13 14 ) 15 16 test_predicred_label = model.forward(test_window) 17 extending_seq.append(test_predicred_label.item()) 18 19 test_loss = criterion( 20 torch.FloatTensor(extending_seq[-test_size:]), 21 y[len(y)-test_size:] 22 ) 23 24 test_losses.append(test_loss)

python

1train_seq[-test_size:]

python

1train_seq[-test_size:].tolist()

python

1for epoch in range(epochs): 2 3 print() 4 print(f'Epoch: {epoch+1}') 5 6 run_train() 7 8 # extending_seq = train_seq[-test_size:].tolist() 9 extending_seq = y[-test_size:].tolist() 10 11 run_test() 12 13 plt.figure(figsize=(12, 4)) 14 # plt.xlim(-20, len(y)+20) 15 plt.xlim(-20, len(y)+50) 16 17 plt.grid(True) 18 19 plt.plot(y.numpy()) 20 21 plt.plot( 22 # range(len(y)-test_size, len(y)), 23 range(len(y), len(y)+test_size), 24 extending_seq[-test_size:] 25 ) 26 27 plt.show()

python

1plt.plot(train_losses)

python

1plt.plot(test_losses)

python

1predicted_normalized_labels_list = extending_seq[-test_size:]

python

1predicted_normalized_labels_array_1d = np.array(predicted_normalized_labels_list) 2predicted_normalized_labels_array_1d

python

1predicted_normalized_labels_array_2d = predicted_normalized_labels_array_1d.reshape(-1, 1) 2predicted_normalized_labels_array_2d

python

1predicted_labels_array_2d = scaler.inverse_transform(predicted_normalized_labels_array_2d) 2predicted_labels_array_2d 3 4# predicted_labels_array_2d_nintendo = predicted_labels_array_2d 5# predicted_labels_array_2d_sony = predicted_labels_array_2d 6 7# predicted_labels_array_2d_apple = predicted_labels_array_2d 8# predicted_labels_array_2d_amazon = predicted_labels_array_2d 9# predicted_labels_array_2d_google = predicted_labels_array_2d 10predicted_labels_array_2d_facebook = predicted_labels_array_2d

python

1len(predicted_labels_array_2d)

python

1stock_data["Adj Close"][-test_size:]

python

1len(stock_data["Adj Close"][-test_size:])

python

1stock_data.index

python

1# x_2019_10_to_2020_09 = np.arange('2019-10', '2020-10', dtype='datetime64[M]') 2# x_2019_10_to_2020_09 3 4# x_2019_10_to_2020_09 = np.arange('2019-10', '2020-10', dtype='datetime64[M]') 5# x_2020_10_to_2022_09 6 7# x_2020_10_to_2021_09 = np.arange('2020-10', '2021-10', dtype='datetime64[M]') 8# x_2020_10_to_2021_09 9 10x_2020_11_to_2021_01_weekly = np.arange('2020-11-10', '2021-02-01', dtype='datetime64[W]') 11x_2020_11_to_2021_01_weekly

python

1# len(x_2018_10_to_2020_09) 2# len(x_2019_10_to_2020_09) 3# len(x_2020_10_to_2021_09) 4 5len(x_2020_11_to_2021_01_weekly)

python

1fig = plt.figure(figsize=(12, 4)) 2plt.title('Stock Price Prediction') 3plt.ylabel('Price') 4plt.grid(True) 5plt.autoscale(axis='x', tight=True) 6fig.autofmt_xdate() 7 8plt.plot(stock_data_apple["Adj Close"]['2018-01':]*30, label="Apple") 9plt.plot(stock_data_amazon["Adj Close"]['2018-01':], label="Amazon") 10plt.plot(stock_data_google["Adj Close"]['2018-01':], label="Google") 11plt.plot(stock_data_facebook["Adj Close"]['2018-01':]*10, label="Facebook") 12 13 14plt.legend(bbox_to_anchor=(1.05, 1), loc="upper left", borderaxespad=0, fontsize=18) 15 16plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_apple*30) 17plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_amazon) 18plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_google) 19plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_facebook*10) 20 21plt.show()

python

1--------------------------------------------------------------------------- 2NameError Traceback (most recent call last) 3<ipython-input-451-c65d3af67862> in <module>() 4 25 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_apple*30) 5 26 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_amazon) 6---> 27 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_google) 7 28 plt.plot(x_2020_11_to_2021_01_weekly, predicted_labels_array_2d_facebook*10) 8 29 9 10NameError: name 'predicted_labels_array_2d_google' is not defined

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

単純に、下記のところでpredicted_labels_array_2d_googleがコメントアウトされてるからじゃないでしょうか。

predicted_labels_array_2d = scaler.inverse_transform(predicted_normalized_labels_array_2d) predicted_labels_array_2d # predicted_labels_array_2d_nintendo = predicted_labels_array_2d # predicted_labels_array_2d_sony = predicted_labels_array_2d # predicted_labels_array_2d_apple = predicted_labels_array_2d # predicted_labels_array_2d_amazon = predicted_labels_array_2d # predicted_labels_array_2d_google = predicted_labels_array_2d #<-----この行 predicted_labels_array_2d_facebook = predicted_labels_array_2d

投稿2020/12/08 11:47

編集2020/12/08 11:48
sfdust

総合スコア1135

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

PPAP_AWS

2020/12/08 12:05

無事に通すことができました! ご指摘ありがとうございます! 今後ともよろしくお願い致します。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問