基于茅台股票数据的数据预测可视化分析项目完整的代码+数据

原创已于 2022-12-24 18:03:03 修改 · 857 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

于 2022-12-23 10:22:50 首次发布

python实战100例专栏收录该内容

48 篇文章

订阅专栏

本文通过Python进行茅台股票数据的预测与可视化分析，详细展示了数据展示、完整代码执行过程及最终的结果图表，旨在探讨股票市场趋势。

数据展示：

完整的代码：

# pip install pandas  -i https://pypi.tuna.tsinghua.edu.cn/simple
import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")#忽略一些警告 不影响运行
import numpy as np
import pandas as pd



data=pd.read_csv("600519.csv",encoding='gbk')
print(data.head())

# Index(['收盘价', '最高价', '最低价', '开盘价', '前收盘', '涨跌额', '涨跌幅', '换手率', '成交量', '成交金额','成交量', '流通市值'],
#删除不需要的列
data.drop(['股票代码','名称','日期',],axis=1, inplace=True) # 删除操作  # '涨跌额','涨跌幅','成交金额','总市值','流通市值','成交量','换手率'
#空值所在行删除
data=data.dropna(axis=0, how='any')

print(data.columns)# 打印表头


# 两类相关性分析
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(16,8))
plt.title("收盘价和前收盘相关性图")
plt.xlabel('收盘价',fontsize=8)
plt.ylabel('前收盘',fontsize=8)
plt.scatter(data["收盘价"].values,data["前收盘"].values)
plt.show()

# 两类相关性分析
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(16,8))
plt.title("收盘价和开盘价相关性图")
plt.xlabel('收盘价',fontsize=8)
plt.ylabel('开盘价',fontsize=8)
plt.scatter(data["收盘价"].values,data["开盘价"].values)
plt.show()

# 两类相关性分析
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(16,8))
plt.title("涨跌幅和换手率相关性图")
plt.xlabel('收盘价',fontsize=8)
plt.ylabel('换手率',fontsize=8)
plt.scatter(data["收盘价"].values,data["换手率"].values)
plt.show()

# 两类相关性分析
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(16,8))
plt.title("成交量和总市值相关性图")
plt.xlabel('成交量',fontsize=8)
plt.ylabel('总市值',fontsize=8)
plt.scatter(data["成交量"].values,data["总市值"].values)
plt.show()


# 热力图
ax=plt.subplots(figsize=(20,16))
ax=sns.heatmap(data.corr(),vmax=.8,square=True,annot=True)
plt.show()

#直方图
sz_close=data["成交量"].values
x_close=[i for i in range(len(sz_close))]
plt.xlabel('时间',fontsize=8)
plt.ylabel('成交量',fontsize=8)
plt.title("成交量直方图")
plt.hist(sz_close, bins=40, facecolor="blue", edgecolor="black", alpha=0.6)
# 显示图标题
plt.show()

sz_close=data["收盘价"].values
x_close=[i for i in range(len(sz_close))]
plt.xlabel('时间',fontsize=8)
plt.ylabel('收盘价',fontsize=8)
plt.title("收盘价直方图")
plt.hist(sz_close, bins=40, facecolor="blue", edgecolor="black", alpha=0.6)
# 显示图标题
plt.show()


plt.show()
sz_close=data["最高价"].values
x_close=[i for i in range(len(sz_close))]
plt.xlabel('时间',fontsize=8)
plt.ylabel('最高价',fontsize=8)
plt.title("最高价直方图")
plt.hist(sz_close, bins=40, facecolor="blue", edgecolor="black", alpha=0.6)
# 显示图标题
plt.show()

plt.show()
sz_close=data["开盘价"].values
x_close=[i for i in range(len(sz_close))]
plt.xlabel('时间',fontsize=8)
plt.ylabel('开盘价',fontsize=8)
plt.title("开盘价直方图")
plt.hist(sz_close, bins=40, facecolor="blue", edgecolor="black", alpha=0.6)
# 显示图标题
plt.show()

plt.show()
sz_close=data["成交金额"].values
x_close=[i for i in range(len(sz_close))]
plt.xlabel('时间',fontsize=8)
plt.ylabel('成交金额',fontsize=8)
plt.title("成交金额直方图")
plt.hist(sz_close, bins=40, facecolor="blue", edgecolor="black", alpha=0.6)
# 显示图标题
plt.show()