'numpy.int64' 对象没有属性 'timestamp'答案

【问题标题】：'numpy.int64' object has no attribute 'timestamp''numpy.int64' 对象没有属性 'timestamp'
【发布时间】：2016-07-23 19:23:21
【问题描述】：

我很难解决这个问题，因为我之前在 google 上看不到任何人遇到过同样的问题。我是个菜鸟，所以请多多包涵！:)))

import pandas as pd
#import quandl



#df=quandl.get('WIKI/GOOGL')

#df.to_csv('google.csv')
#df=pd.read_csv('google.csv')
df = pd.read_csv(r'C:\Users\c900452\Downloads\20160623 Python\google.csv')



df=df[['Adj. Open','Adj. High','Adj. Low','Adj. Close','Adj. Volume']]

# crude volatility
df['HL_PCT'] = (df['Adj. High'] -df['Adj. Low'])/df['Adj. Close']*100.0

#close and open volatility

df['PCT_change'] = (df['Adj. Close'] - df['Adj. Open']) / df['Adj. Open'] * 100.0

#creating a new dataframe
df = df[['Adj. Close', 'HL_PCT', 'PCT_change', 'Adj. Volume']]

import math
import numpy as np
import pandas as pd
from sklearn import preprocessing, cross_validation, svm
from sklearn.linear_model import LinearRegression



forecast_col = 'Adj. Close'
df.fillna(value = -99999, inplace=True)
forecast_out = int(math.ceil(0.01 * len(df)))
print(forecast_out)

df['label'] = df[forecast_col].shift(-forecast_out)


X = np.array(df.drop(['label'],1))
X = preprocessing.scale(X)
X_lately = X[-forecast_out:]
X = X[:-forecast_out]




df.dropna(inplace=True)

y = np.array(df['label'])
y = np.array(df['label'])


X_train, X_test, y_train, y_test = cross_validation.train_test_split(X,y,test_size=0.2)

clf=LinearRegression(n_jobs=-1)
clf.fit(X_train,y_train)
accuracy = clf.score(X_test,y_test)

forecast_set = clf.predict(X_lately)

print(forecast_set, accuracy, forecast_out)



import datetime
import matplotlib.pyplot as plt
from matplotlib import style

style.use('ggplot')

df['Forecast'] = np.nan

last_date = df.iloc[-1].name
last_unix  = last_date.timestamp()
one_day = 86400
next_unix = last_unix+one_day

for i in forecast_set:
    next_date = datetime.datetime.fromtimestamp(next_unix)
    next_unix += one_day
    df.loc[next_date] = [np.nan for _ in range(len(df.columns)-1)]+[i]

print(df.head())

df['Adj. Close'].plot()    
df['Forcast'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.xlabel('Price')
plt.show()

我收到主题中所述的错误，为什么？

【问题讨论】：

我想这是给错误last_unix = last_date.timestamp() ？您能否提供有关该错误的更多信息？ [喜欢行号]
嗨，你是绝对正确的：Anaconda/Regression2.py"，第 87 行，在 last_unix = last_date.timestamp()
last_date 的值是多少？貌似type(last_date)就是numpy.int64，是一个没有时间戳方法的类。
您的代码 last_unix = last_date.timestamp() 期望 last_date 是 datetime 对象，而它是 numpy.int64 对象 [值为 2955]。这有帮助吗？
当您将 Quandle / Dataframe 对象保存为 csv 时，您将失去其所有功能。带日期的列不再是 de df 中的 datetime 对象，而是 str。您应该将数据框保存为 pickle 而不是 CSV。 df.to_pickle(file_name)

标签： python datetime numpy scikit-learn

【解决方案1】：

在读取文件时尝试解析日期列：

df = pd.read_csv(r'C:\Users\c900452\Downloads\20160623 Python\google.csv',
                  header=0, 
                  index_col='Date',
                  parse_dates=True)

它对我有用。更多详情请阅读pandas.read_csv Documentation

【讨论】：

【解决方案2】：

由于您不是直接从 Quandl 而是从本地目录获取数据，因此在读取 csv 文件时必须设置“parse_dates=True”。

应该是这样的：

data = quandl.get('WIKI/GOOGL')
data.to_csv('googl.csv')
df = pd.read_csv('googl.csv', index_col='Date', parse_dates=True)

这会解决你的问题。

【讨论】：

【解决方案3】：

使用last_unix = time.mktime(last_date.timetuple()) 代替last_date.timestamp()。

【讨论】：

【解决方案4】：

它似乎没有按日期索引行。因此，当您尝试获取 last_date 时，实际上它获取的是 int 而不是 date。

据我了解，您可以在阅读 csv 代码后使用以下行添加日期索引 - df.set_index('date', inplace=True)

进行更改后，您可能需要更改 last_unix = last_date.timestamp() 行。

或者您可以尝试使用 quandl 读取 CSV 并尝试以这种方式实现 df = quandl.get_table('WIKI/PRICES',ticker='GOOGL')

我希望它会有所帮助，但我不能 100% 确定，因为我没有测试代码。

【讨论】：

【解决方案5】：

尝试评论这段代码：

last_unix  = last_date.timestamp()

而是尝试直接使用 last_date 变量而不在 last_date 上应用 timestamp() 方法

next_unix = last_date + one_day

看起来很糟糕，但我只是想看看图表，它有效。

【讨论】：