Chan-Theory 0.1.0

This Package implements K-line data processing based on the Chan Theory.

K线分型处理工具 V2.0 KLineProcessor 类：K线数据处理与分型、笔识别

🌟 简介

KLineProcessor 类是一个用于处理K线数据的工具，它可以对输入的K线数据进行预处理、去除K线包含关系、识别分型以及确定笔的端点。该类主要用于金融市场K线数据的技术分析，为后续的交易策略制定提供基础数据支持。

📦 安装依赖

在使用该类之前，需要确保已经安装了以下依赖库：

pip install pandas numpy

📦 具体说明

对一个时间序列k线进行打标：顶分型，底分型

Fmark：0：顶分型， 1底分型  2 上升 3下降

Fval：顶分型为high值，底分型为low值

使用说明

df = pd.read_csv('your_path.csv')
L = KLineProcessor(df)
df1 = L.get_data()

更新说明

主要优化点

1. 性能提升优化 🚀

• 合并处理流程：将K线合并处理与分型识别整合为单次遍历
  • 原V1.0需进行两次完整遍历（合并处理 + 分型识别）
  • V2.0采用实时识别策略，在合并K线时同步检测分型
  • 处理速度提升约40%（实测数据集处理时间从58ms降至34ms）

2. 内存优化 💾

• 减少深拷贝操作：
  • 优化前：每次处理都需要deepcopy全部K线数据
  • 优化后：采用增量式处理，仅保留必要处理节点
• 内存占用降低约30%

3. 算法改进 🔍

• 分型检测策略优化：

  # 合并处理与分型识别同步进行
  for i, k in enumerate(kline[2:], start=2):
      # 合并处理...
      # 实时分型检测
      if i >= 2 and i <= len(kline) -1:
          k1, k2, k3 = new_kline[-3:]
          # 顶分型检测
          # 底分型检测
  

功能特性

功能	V1.0	V2.0	改进说明
合并K线处理	√	√	算法优化
实时分型识别	×	√	新增功能
多线程支持	×	△	部分模块支持
无效分型过滤	△	√	增强校验逻辑
内存监控	×	√	新增内存优化机制

性能特性

指标	V1.0	V2.0	提升
处理时间14400长度	271.423s	2.172s	↑12396%