《如何制作类mnist的金融数据集》——1.数据集制作思路

1．数据集制作思路（生成用于拟合金融趋势图像的分段线性函数）

?????? 那么如何去制作这样的一个类minist的金融趋势曲线数据集呢？

?????? 还是如上图所示，为了使类别平均分布，因此可以选取三种“buy”的曲线、三种“sell”的曲线以及三种“no”的曲线来作为新数据集的基本数据类别。那么buy类别的曲线可以选取上图中的第14、12、19个图像，并将其主标签类别设为0、1、2；那么sell类别的曲线可以选取上图中的第2、5、7个图像，并将其主标签类别设为3、4、5；那么no类别的曲线可以选取上图中的第4、15、18个图像，并将其主标签类别设为6、7、8。

?????? 选好标签后，就是考虑如何去拟合它们。我们发现选取的这些图片都各有千秋。比如第2个表示“sell”的图，其实可以直接用y=-kx进行拟合，只是调整它的斜率（k>0）即可。第12、25张图也同理。而像第4张图，它其实可以用两段分段线性函数去拟合（当然你也可以去使用多段线性函数去拟合它，我这里为了偷懒就说两段吧。而且还有一个原因就是无论你是两段还是更多段，在你把它转为28*28的像素图片后其实里面的细节不太容易看出来，所以我觉得两段就行。）如下图所示，前一段可以用y=±kx表示，而后一段可以使用y=kx(k>0)表示，分别随机调整它们的斜率就能生成无数种类似图片。第1、3、4、5、6、7、9、11、14、15、16、19、20、23、24张图也同理。而剩下没有提到的图片我认为可以使用三段线性函数去进行拟合，因为以17举例，它包括了一段降、一段升和一段降的趋势，也主要是这三种趋势会提示网络不进行买卖的操作。

?????? 有了上面的思路后就好说了，以生成第14张图为例，直接上代码，下面这段代码不光把第14张图的曲线拟合出来了，还对生成的图像进行了黑底白线的处理。且生成的图像的两段的斜率是随机的，从而保证能够生成若干张图片来形成数据集。

import matplotlib.pyplot as plt
import numpy as np
import random

t1 = np.arange(-4, 0, 0.01)#分段函数的定义域与精度
t2 = np.arange(0, 2, 0.01)

# print(random.randint(pre_data0,99))
y1_list = []? # 记录函数值
y2_list = []? # 记录函数值
number = 50
def y(t1,t2):
??? t1 = t1 * random.uniform(1,5) # t1 * 随机的斜率k
??? t2 = t2 * random.uniform(1,5)
??? for i in t1:
??????? y1_list.append(i)
??? for j in t2:
??????? y2_list.append(-j)

num=6000 #需要制造的数据量
for j in range(num):
??? y1_list = []
??? y2_list = []
??? y(t1, t2)
??? #调整画布背景颜色为黑色
??? ax = plt.axes().set_facecolor('black')
??? #根据函数画出来的曲线是白色，并且稍粗一些
??? plt.plot(t1, y1_list, linewidth = 3.0, color='white')
??? plt.plot(t2, y2_list, linewidth = 3.0, color='white')
??? #去横纵坐标
??? ax = plt.subplot()
??? ax.set_xticks([])
??? ax.set_yticks([])
??? #去图片边框
??? plt.subplots_adjust(top=1, bottom=0, right=1, left=0, hspace=0, wspace=0)
??? plt.margins(0, 0)
??? #用于放大缩小图像
??? plt.xlim(-5, 3)? # 坐标轴范围
??? plt.ylim(-8, 1)
??? plt.savefig('./pre_data0/{}_0.jpg'.format(j+1))
??? plt.show()