数据演变信息(evolution)的可视化，是为了观察同一特征变量在不同时间的值。
import pandas as pd
import numpy as np
import warnings
# 用来忽略seaborn绘图库产生的warnings
warnings.filterwarnings("ignore")
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="white", color_codes=True)
%matplotlib inline
import tushare as ts
df = ts.get_k_data('000001', index=True)
sns.set({"figure.figsize":[16,6]})
sns.tsplot(df['close'])
Out[56]:
闪电图(Tick Chart)¶
一种特殊的折线图是 Tick图(闪电图)，一般用于显示股票tick数据。其要求数据随时间轴均匀分布：
df = ts.get_tick_data('000002',date='2018-03-09')
sns.set({"figure.figsize":[16,6]})
sns.tsplot(df['price'][0:200])
Out[61]:
面积图/地平线图¶
当数据值为大于零，且有限值，并且变化比较大时（通常为某种占比），可以绘制面积图(Area Plot)。面积图也叫地平线图( Horizon Chart)：
df=ts.get_gdp_for()
# 数据中的asset_rate和goods_rate，都同时存在正值和负值，所以不能绘制
df[['for_rate']].plot(kind='area', alpha=0.2)
Out[8]:
多个特征变量的折线图¶
如果有多个特征数据，可以放到一张折线图上：
df=ts.get_gdp_for()
sns.set({"figure.figsize":[16,6]})
sns.tsplot(df['end_for'],color='red')
sns.tsplot(df['asset_for'],color='green')
sns.tsplot(df['goods_for'],color='blue')
Out[64]:
多特变量的面积图¶
多个数据的面积图，体现出“叠加”效果：
df=ts.get_gdp_for()
df1 = pd.DataFrame()
df1['for_rate'] = df['for_rate']
df1['asset_rate'] = df['asset_rate'].abs()
df1['goods_rate'] = df['goods_rate'].abs()
df1.plot(kind='area', alpha=0.2)
Out[11]:
时段数据的可视化¶
对于时段的累计数据，用柱状图/条形图(Column Chart/ Bar Chart)比折线图更直观。 其中，数据较少时用柱状图，数据较多时用条形图。
df = ts.get_k_data('000001', index=True)
sns.set({"figure.figsize":[16,6]})
#sns.barplot(df['volume'])
sns.barplot(x="date", y="volume", data=df[:10])
Out[15]:
# 数据较多时，使用 bar chart效果更好
sns.barplot(y="date", x="volume", data=df[:30])
Out[16]:
一个特征变量+一个分类变量的柱状图¶
用颜色区分
df=pd.DataFrame()
df[['date','volume']] = ts.get_k_data('000001', index=True)[['date','volume']]
df['code']='000001'
df=df[0:10]
df2=pd.DataFrame()
df2[['date','volume']] = ts.get_k_data('000300', index=True)[['date','volume']]
df2['code']='000300'
df=df.append(df2[:10])
sns.set({"figure.figsize":[16,6]})
sns.barplot(x='date',y='volume',hue='code',data=df)
Out[29]:
# 直接使用pandas绘图
df=pd.DataFrame()
df[['date','000001']]=ts.get_k_data('000001', index=True)[['date','volume']]
df['000300']=ts.get_k_data('000300', index=True)['volume']
df[:10].plot.bar()
Out[33]:
堆叠柱状图¶
如果多个特征变量是某一个总量的组成部分，可以绘制堆叠柱状图
df=ts.get_gdp_for()
df[['for_rate','asset_rate','goods_rate']].plot.bar(stacked=True)
Out[36]:
K线图可以看作柱状图的变体¶
import matplotlib.pyplot as plt
import matplotlib.finance as mpf
wdyx = ts.get_k_data('002739')[-100:]
# 由于数据不是通过,mpf.candlestick_ohlc()获取的,所以日期的格式与,绘图函数的不一致
# tushare回去的数据对象为DataFrame类型
# 所以要将格式转换为mpf.candlestick_ohlc()能够处理的浮点数格式
# 导入两个涉及的库
from matplotlib.pylab import date2num
import datetime
# 对tushare获取到的数据转换成candlestick_ohlc()方法可读取的格式
'''
data_list = []
for dates,row in hist_data.iterrows():
# 将时间转换为数字
date_time = datetime.datetime.strptime(dates,'%Y-%m-%d')
t = date2num(date_time)
open,high,low,close = row[:4]
datas = (t,open,high,low,close)
data_list.append(datas)
'''
def date_to_num(dates):
num_time = []
for date in dates:
date_time = datetime.datetime.strptime(date,'%Y-%m-%d')
num_date = date2num(date_time)
num_time.append(num_date)
return num_time
# dataframe转换为二维数组
mat_wdyx = wdyx.as_matrix()
num_time = date_to_num(mat_wdyx[:,0])
mat_wdyx[:,0] = num_time
# 接下来可以绘制K线图了
1
fig, ax = plt.subplots(figsize=(15,5))
fig.subplots_adjust(bottom=0.5)
mpf.candlestick_ochl(ax, mat_wdyx, width=0.6, colorup='g', colordown='r', alpha=1.0)
plt.grid(True)
# 设置日期刻度旋转的角度
plt.xticks(rotation=30)
plt.title('wanda yuanxian 17')
plt.xlabel('Date')
plt.ylabel('Price')
# x轴的刻度为日期
ax.xaxis_date ()
###candlestick_ochl()函数的参数
# ax 绘图Axes的实例
# mat_wdyx 价格历史数据
# width 图像中红绿矩形的宽度,代表天数
# colorup 收盘价格大于开盘价格时的颜色
# colordown 低于开盘价格时矩形的颜色
# alpha 矩形的颜色的透明度
连接散点图(connected scatterplot)¶
对于两个不相关的特征变量随时间的变化，一种有意思的做法是用这两个特征变量构建平面，每个点表示某个时点这两个变量的值。 然后按照时间顺序将这些点连接起来，用以预测下一个点的大概位置。
比如申万金工的“风格轮动”研究：
