matplotlib 安装包_【Python量化干货】matplotlib加强版！利用Seaborn实现金融数据可视化1...

更多原创

编程/机器学习/数据科学/FinTech/量化投资 干货......

欢迎关注与标星★公众号哟~

---

说到数据可视化，我们第一反应一定是大名鼎鼎的matplotlib,

那么啥是seaborn呢？

我们首先介绍一下什么是Seaborn，为啥是matplotlib的“升级版”呢？

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。

也就是说Seaborn是在matplotlib的基础上进行了更高级的API封装，能让我们直接调用seaborn能做出很具有吸引力的图，并且便于我们对可视化的图形进行分析。

当然，并不是说大家用了seaborn后就完全抛弃matplotlib,因为使用matplotlib就能制作具有更多特色的图，能实现更多的定制化。

seaborn官网：http://seaborn.pydata.org/

首先我们需要安装seaborn，如果已经安装了最新版本anaconda，应该已经有seaborn了，我们可以通过命令行或者anaconda navigator进行查看：

当然，也可以直接通过pip进行安装：

python3 -m pip install --upgrade pip

# 安装包并安装这个包所需的依赖包

pip3 install seaborn -U

# 或者

pip3 install scipy

pip3 install seaborn

安装完毕后，我们可以直接按照seaborn相应的API规则直接调用相应功能，一般格式如下：

sns.图名(x='X轴 列名', y='Y轴 列名', data=原始数据df对象)

sns.图名(x='X轴 列名', y='Y轴 列名', hue='分组绘图参数', data=原始数据df对象)

sns.图名(x=np.array, y=np.array[, ...])

以柱形图为例，

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)

比如说我们假设一组测试数据，如果需要调用seaborn

import seaborn as sns

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

x = np.arange(8)

y = np.array([1,5,3,6,2,4,5,6])

df = pd.DataFrame({"x-axis": x,"y-axis": y})

sns.barplot("x-axis","y-axis",palette="RdBu_r",data=df)

plt.xticks(rotation=90)

plt.show()

接下来我们用真实的金融数据作为输入，并用seaborn做可视化辅助我们进行判断：

import pandas as pd

import seaborn as sns

import tushare as ts

通过tushare作为数据来源，我们调取000001股票2018年-2019年6月30日的数据：

pro = ts.pro_api()

df = pro.daily(ts_code='000001.SZ', start_date='20180101', end_date='20190630')

df.head()

tushare数据倒序与数据类型的坑我们在很多地方都提到过，稍微做一下变换

# pandas有个专门把字符串转为时间格式的函数，to_datetime。第一个参数是原始数据，第二个参数是原始数据的格式

df['trade_date'] = pd.to_datetime(df['trade_date'],format='%Y%m%d')

# 把trade_date设置为索引

df.set_index('trade_date',inplace=True)

df.head()

排序

df=df.sort_index(ascending=True)

df.head()

比如说我现在需要判断这只股票在一段时间内的涨跌分布：

可以通过：

returns=df["pct_chg"].dropna()

sns.distplot(returns)

returns.head()

我们会发现这只股票的涨跌还是基本围绕在小幅度波动，出现极端涨跌停的情况极少，我们可以通过这样的可视化进行进一步的研究方向的判断(比如，极端情况多不多，是否存在暴涨暴跌或者长期横盘的情况等等)

我们再来研究一个主题吧，看看可视化能帮我们做出怎样的判断，比如经常我们可能会做出这样看似“显而易见”的推断：

航空股与石油股肯定是反向变动的关系，因为石油价格涨，石油股价格涨，航空股成本上升，所以跌。

看似很有道理，但是我们不妨拿中国国航与中石油做一次实验：

中国国航：

df_ZGGH= pro.daily(ts_code='601111.SH', start_date='20180101', end_date='20190630')

# pandas有个专门把字符串转为时间格式的函数，to_datetime。第一个参数是原始数据，第二个参数是原始数据的格式

df_ZGGH['trade_date'] = pd.to_datetime(df_ZGGH['trade_date'],format='%Y%m%d')

# 把trade_date设置为索引

df_ZGGH.set_index('trade_date',inplace=True)

df_ZGGH=df_ZGGH.sort_index(ascending=True)

df_ZGGH.head()

中石油：

df_ZGSY= pro.daily(ts_code='601857.SH', start_date='20180101', end_date='20190630')

# pandas有个专门把字符串转为时间格式的函数，to_datetime。第一个参数是原始数据，第二个参数是原始数据的格式

df_ZGSY['trade_date'] = pd.to_datetime(df_ZGSY['trade_date'],format='%Y%m%d')

# 把trade_date设置为索引

df_ZGSY.set_index('trade_date',inplace=True)

df_ZGSY=df_ZGSY.sort_index(ascending=True)

df_ZGSY.head()

光看数据，我们还是一头雾水，这个时候，不妨可视化一下：

sns.jointplot(df_ZGGH['change'], df_ZGSY['change'], kind='reg', height=10)

我们可以通过可视化的图非常清楚的看到是呈现正相关的关系，跟我们看似“聪明”的推断完全相反。

也就是说，当下次别人侃侃而谈说：“看，石油板块大跌，赶紧买航空股压压惊的”的时候，可以不着急交易，先分析下，拿出Python与Seaborn，打打代码压压惊。

未完待续......

---

Hey，想学了那么久的Python，推荐一个超干干货入门合集。用Python做爬虫，数据分析，全栈建设，Fintech金融量化，机器学习，办公自动化，树莓派，美好生活DIY，......2000+连载，不仅有编程，还有更多原理讲解。

更多内容，欢迎点击【阅读原文】订阅连载视频。观看逐行代码与原理讲解与加入同业交流与技术探讨社区。您的支持是公众号更新的动力!