1. from sklearn.linear_model import LinearRegression
2.  
3. def SQZMIval(data, depth = 20):
4.     new = []
5.     high = data.High
6.     low = data.Low
7.     close = data.Close
8.  
9.     for x in range(1, len(data)):
10.         if abs(-x-depth) < len(data):
11.             a = max(data.iloc[-x-depth:-x]['High'])
12.             b = min(data.iloc[-x-depth:-x]['Low'])
13.             average1 = (a + b)/2
14.  
15.             c = sum(data.iloc[-x-depth:-x]['Close'])/depth
16.  
17.             average2 = (average1 + c)/2
18.  
19.             final = data.iloc[-x]['Close'] - average2
20.  
21.             new.insert(0, final)
22.         else:
23.             new.insert(0, 0)
24.     new.insert(0,0)
25.  
26.     data['Average1'] = pd.Series(new)
27.  
28.     z = []
29.     for y in range(1,(depth+1)):
30.         z.append(y)
31.  
32.     for x in range(1, len(data)):
33.         if abs(-x-depth) < len(data):
34.             final = data.iloc[-x-depth:-x]['Average1']
35.  
36.             X = np.array(z).reshape(-1, 1)
37.             Y = final.values
38.             linear_regressor = LinearRegression()
39.             linear_regressor.fit(X, Y)
40.             Y_pred = linear_regressor.predict(X)
41.  
42.             new.insert(0, round(Y_pred[-1],2))
43.         else:
44.             new.insert(0, 0)
45.     new.insert(0,0)
46.  
47.  
48.     return pd.Series(new)