随机森林算法的简单运用：随机森林算法预测股票涨跌，包含详细论文说明（可以直接用或稍作修改），适合用于期末大作业设计（包含全套代码...

import pandas as pd from scipy.stats import pearsonr import seaborn as sns import matplotlib.pyplot as plt df = pd.read_csv('D:\\filter_data.csv') corr_matrix = df[['当前价', '涨跌额', '涨跌幅', '年初至今', '成交量', '成交额', '换手率', '市值']].corr( method='pearson') # 打印相关系数矩阵 print(corr_matrix) # 绘制热力图 plt.figure(figsize=(10, 8)) plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 #有中文出现的情况，需要u'内容' sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt=".2f") plt.title('相关系数矩阵') plt.show() # 将相关性矩阵转换为DataFrame corr_df = pd.DataFrame(corr_matrix,index=['当前价', '涨跌额', '涨跌幅', '年初至今', '成交量', '成交额', '换手率', '市值']).T # 计算某个参数与其他参数的相关性的绝对值，并按降序排序 sorted_corr = corr_df['涨跌幅'].abs().sort_values(ascending=False) sorted_corr_1 = corr_df['涨跌额'].abs().sort_values(ascending=False) sorted_corr_2 = corr_df['年初至今'].abs().sort_values(ascending=False) sorted_corr_3 = corr_df['成交量'].abs().sort_values(ascending=False) sorted_corr_4 = corr_df['成交额'].abs().sort_values(ascending=False) sorted_corr_5 = corr_df['换手率'].abs().sort_values(ascending=False) sorted_corr_6 = corr_df['市值'].abs().sort_values(ascending=False) sorted_corr_7 = corr_df['当前价'].abs().sort_values(ascending=False) # 打印结果 print("与'涨跌幅'相关性最高的三个值:") # 选出与“涨跌幅”相关性最高的三个值 print(sorted_corr.head(4)) print() print("与'涨跌额'相关性最高的三个值:") # 选出与“涨跌额”相关性最高的三个值 print(sorted_corr_1.head(4)) print() print("与'年初至今'相关性最高的三个值:") # 选出与“年初至今”相关性最高的三个值 print(sorted_corr_2.head(4)) print() print("与'成交量'相关性最高的三个值:") # 选出与“成交量”相关性最高的三个值 print(sorted_corr_3.head(4)) print() print("与'成交额'相关性最高的三个值:") # 选出与“成交额”相关性最高的三个值 print(sorted_corr_4.head(4)) print() print("与'换手率'相关性最高的三个值:") # 选出与“换手率”相关性最高的三个值 print(sorted_corr_5.head(4)) print() print("与'市值'相关性最高的三个值:") # 选出与“市值”相关性最高的三个值 print(sorted_corr_6.head(4)) print() print("与'当前价'相关性最高的三个值:") # 选出与“当前价”相关性最高的三个值 print(sorted_corr_7.head(4))