量化金融分析AQF（3）：数据可视化（Pandas、Matplotlib、Seaborn）

目录

一. Pandas内置图形可视化

1.1 基础图形可视化

1.2 数据选择及可视化

二、Matplotlib图形绘制

 3.1 Matplotlib基础图形绘制：

3.1.1 添加图例和设置线型及颜色

3.1.2 图例

3.1.3 一次绘制多条线并设置线形及颜色

3.1.4 分别编写绘图命令，输出在同一张图内

3.2 绘制散点图

3.3 Matplotlib两维图形绘制

3.3.1 两个Y轴

3.4 Matplotlib子图绘制

3.5 其他图形

四. Seaborn

4.1 热力图

---

 

代码环境：Jupyter iPython

栗子数据准备：

import numpy as np
import pandas as pd
import seaborn as sns; 
%matplotlib inline
import matplotlib.pyplot as plt

a = np.random.randn(30, 2)
a.round(2)

df = pd.DataFrame(a)                          #通过ndarray来构建DataFrame

df.columns = ['Data1', 'Data2']

dates = pd.date_range('2017-1-1', periods = len(a), freq='D')         #时间日期的生成；

df.index = dates
df.head()

 

一. Pandas内置图形可视化

1.1 基础图形可视化

• DataFrame整体可视化；

df.plot(figsize= (8, 6), title  = 'Random numbers')

• 也可以单独绘制某一个Series

df['Data2'].plot(figsize = (8,5), ylim = [df['Data2'].min() * 1.2, df['Data2'].max() * 1.2])       #ylim：y轴范围

• 子图；

df[['Data1','Data2']].plot(subplots=True,figsize = (8, 6));     #子图；

• 直方图

df.hist(figsize = (9,4), bins = 50)             #直方图；bins：柱的宽度

• 散点图   关键字：kind

df.plot(x = 'Data1',y = 'Data2', kind='scatter',figsize = (8,6), title = 'Scatter plot')         #散点图；画出股价相关性；kind

• 颜色和样式

df.plot(style=['o', 'b--'],figsize = (8,6))           #颜色和样式都可以个性化修改；

• 数据大小差距很大，2条y轴，secondary_y

df.plot(grid=True, figsize=(10, 5),secondary_y = 'Data2', style = '--')          # 解决方案：,secondary_y='Data2'

 

1.2 数据选择及可视化

• 散点图

df[(df.Data1 > 2) & (df.Data2 < -2)].plot(x='Data1', y='Data2', kind='scatter',title = 'Outlier')   # scatter是plot里面的内置参数；

 

二、Matplotlib图形绘制

 3.1 Matplotlib基础图形绘制：

Plt常用功能：

--plt.plot() : 绘制图形；x轴和y轴；

--plt.show()：图形显示；IDE,pycharm是一定要加这句话的；

--plt.figure()：生成图形对象，确定图片大小；

--plt.title()：确定图片标题；

--plt.xlabel()：确定图片x轴的名字；

--plt.legend()：显示图例；

--plt.scatter()：绘制散点图；

--plt.grid(True)：出现网格；

--plt.subplot()：绘制子图；

--plt.bar()：绘制柱状图；

 

3.1.1 添加图例和设置线型及颜色

import matplotlib.pyplot as plt
%matplotlib inline

plt.plot([1,2,3,4],[2,4,6,8],lw = 1.0)
plt.ylabel('Numbers')
plt.xlabel('Numbers')

3.1.2 图例

plt.plot([1,2,3,4],[2,4,6,8], 'r--', linewidth=1.0, label = 'Line',)    #'ro',plt.ylim(0,10)
plt.ylabel('Numbers')
plt.legend()     #显示图例一要加的；
plt.ylim(0,10)

 

3.1.3 一次绘制多条线并设置线形及颜色

t = np.arange(0, 3, 0.2) 

plt.plot(t, t, 'r--',
         t, t ** 2, 'b', 
         t, t ** 3, 'm .')

 

3.1.4 分别编写绘图命令，输出在同一张图内

x = [1,5,10]
y = [2,8,16]

x2 = [10,5,1]
y2 = [9,20,7]

# 分别编写绘图命令，输出在同一张图内
plt.figure(figsize = (8,6))    #生成图片对象；
plt.plot(x,y,linewidth=1, label = 'line1')     #这里的label是图例；
plt.plot(x2,y2,linewidth=1, label = 'line2')

plt.title('Two Line Plot')
plt.ylabel('Y axis')
plt.xlabel('X axis')
plt.legend()

3.2 绘制散点图

x = [1,5,10,10,5,4,6,9,12]
y = [2,8,16,12,10,7,8,13,15]

plt.figure(figsize = (8,6))
plt.scatter(x,y,color = 'r')    #plt.scatter()
plt.title('Scatter plot')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.grid(True)

 

3.3 Matplotlib两维图形绘制

np.random.seed(2000)
y = np.random.randn(20, 2).cumsum(axis=0)   #  累计求和  按列

plt.figure(figsize=(7, 4))
plt.plot(y[:, 0], lw=1.5, label='line1')
plt.plot(y[:, 1], lw=1.5, label='line2')

plt.grid(True)
plt.legend(loc=0)
plt.xlabel('Index')
plt.ylabel('Value')
plt.title('2 dimensions Plot')

3.3.1 两个Y轴

fig1,ax = plt.subplots(figsize = (10,6))      #plt.subplot会返回一个figure对象和一个坐标轴对象；

plt.plot(y[:, 0], lw=1.5, label='line1')
plt.grid(True)
plt.legend(loc=6)
plt.xlabel('x')
plt.ylabel('y')
plt.title('plot')

ax2 = ax.twinx()       #复制上一张子图的横坐标轴
plt.plot(y[:, 1], 'g', lw=1.5, label='line2')
plt.legend()
plt.ylabel('y2')

3.4 Matplotlib子图绘制

plt.figure(figsize=(8,6))
plt.subplot(211)          # 2行1列的第一张图
plt.plot(y[:, 0], lw=1.5, label='1st')
plt.legend(loc=0)
plt.ylabel('Value')
plt.title('Sub Plot')

plt.subplot(212)          # 2行1列的第二张图
plt.plot(y[:, 1], 'm', lw=1.5, label='2nd')
plt.legend(loc=0)
plt.xlabel('index') 
plt.ylabel('value')

 

plt.figure(figsize=(12, 5))

plt.subplot(121)       # 1行2列的第一张图
plt.plot(y[:, 0], lw=1.5, label='1st')
plt.legend()
plt.xlabel('Index')
plt.ylabel('Value')
plt.title('1st Data Set')

plt.subplot(122)       # 1行2列的第二张图
plt.bar(np.arange(len(y)), y[:, 1], width=0.5,
        color='g', label='2nd')
plt.legend()
plt.xlabel('Index')
plt.title('2nd Data Set')

3.5 其他图形

y = np.random.randn(1000, 2)
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']    # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False     # 解决保存图像是负号'-'显示为方块的问题

plt.figure(figsize=(7, 5))
plt.plot(y[:, 0], y[:, 1],'c.')
plt.grid(True)
plt.xlabel('x')
plt.ylabel('y')
plt.title('散点图')                     #散点图在分析股价的相关性的时候用的很多；              #散点图在分析股价的相关性的时候用的很多；

 

四. Seaborn

Example参考网址：https://seaborn.pydata.org/examples/index.html

4.1 热力图

from string import ascii_letters
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline 

sns.set(style="white")

# 生成大型随机数据集
rs = np.random.RandomState(33)
d = pd.DataFrame(data=rs.normal(size=(100, 26)),
                 columns=list(ascii_letters[26:]))

# 计算相关矩阵（协方差矩阵、 dataframe、）
corr = d.corr()

# 为上三角形生成遮罩（协方差矩阵是对称阵，就可以设置只显示一半）
mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True

# 设置Matplotlib图形
f, ax = plt.subplots(figsize=(11, 9))

# 生成自定义分流颜色
# cmap = sns.diverging_palette(220, 10, as_cmap=True)
cmap = sns.light_palette("#2ecc71", as_cmap=True)

# 用遮罩和正确的纵横比绘制热图
sns.heatmap(corr, mask=mask,  cmap=cmap, vmax=.3, linewidths=.5)   # vmax：相关性  cmap：颜色  mask：遮挡