normalize_ts_feature

czsc.normalize_ts_feature(df, x_col, n=10, **kwargs)

对时间序列数据进行归一化处理

函数计算逻辑：

1. 首先，进行一系列的断言检查，确保因子值的取值数量大于分层数量，并且因子列没有缺失值。

2. 从kwargs参数中获取分层方法method的值，默认为”expanding”，以及min_periods的值，默认为300。

3. 如果在DataFrame的列中不存在x_col_norm列，则进行以下操作：

   • 如果分层方法是”expanding”，则使用expanding函数对因子列进行处理，计算每个时间点的标准化值，公式为(当前值 - 平均值) / 标准差。

   • 如果分层方法是”rolling”，则使用rolling函数对因子列进行处理，计算每个窗口的标准化值，窗口大小为min_periods，公式同上。

   • 如果分层方法不是上述两种情况，则抛出错误。

   • 对于缺失值，获取原始值，然后进行标准化。

4. 如果在DataFrame的列中不存在x_col_qcut列，则进行以下操作：

   • 如果分层方法是”expanding”，则使用expanding函数对因子列进行处理，计算每个时间点的分位数，将其转化为分位数的标签（0到n-1）。

   • 如果分层方法是”rolling”，则使用rolling函数对因子列进行处理，计算每个窗口的分位数，窗口大小为min_periods。

   • 如果分层方法不是上述两种情况，则抛出错误。

   • 使用分位数后的值填充原始值中的缺失值。

   • 对于缺失值，获取原始值，然后进行分位数处理分层。

   • 创建一个新的列x_col分层，根据分位数的标签值，将其转化为”第xx层”的字符串形式。

Parameters:

• df – 因子数据，必须包含 dt, x_col 列，其中 dt 为日期，x_col 为因子值，数据样例：

• x_col – 因子列名

• n – 分层数量，默认为10

• kwargs –

  • method: 分层方法，expanding 或 rolling，默认为 expanding

  • min_periods: expanding 时的最小样本数量，默认为300

Returns:

df, 添加了 x_col_norm, x_col_qcut, x_col分层 列