手把手教你使用Python繪制時間序列圖

導讀:分析時間序列數據的一種簡單而有效的方法就是將時間序列數據可視化在一個圖表上,這樣我們就可以從中推斷出某些假設。本文將以股價數據集為例,指導你從Quandl下載股價數據集,並將這些數據繪制在價格和成交量圖表上。還將教大傢繪制燭臺圖,比起直線圖表,這將給我們更多的信息。

01從Quandl檢索數據集

Quandl簡介

Quandl是一個為金融、經濟和另類數據服務的平臺,這些數據由各種數據發佈商提供,包括聯合國、世界銀行、中央銀行、貿易交易所和投資研究公司。

使用Python的Quandl模塊,你可以輕松地將金融數據導入Python中。Quandl提供免費的數據集,其中包括一些數據樣本,但如果你需要訪問一些優質的數據產品,就必須要先付費。

將數據從Quandl導入到Python中的過程非常簡單,假如我們對泛歐交易所的荷蘭銀行集團感興趣,隻需要在Jupyter Notebook單元格中輸入以下代碼(這個數據集在Quandl上的代碼為EURONEXT/ABN):

 In[]:
import quandl
#Replace with your own Quandl API key QUANDL_API_KEY="BCzkk3NDWt7H9yjzx-DY'
quandl.ApiConfig.api_key=QUANDL_API_KEY
df =quandl.get('EURONEXT/ABN')

將Quandl的API密鑰存儲在常量變量中是一個很好的習慣,如果API密鑰發生改變,隻需要在這一個地方修改它!

導入quandl包後,我們將Quandl的 API密鑰存儲在常量變量QUANDL_API_KEY中。這個常量值用於設置Quandl模塊的API密鑰,並且隻需要對quandl包的每個導入執行一次。最後一行調用quandl.get()指令,將ABN數據集從Quandl直接下載到df變量中。(註意:EURONEXT是數據提供者Euronext Stock Exchange的縮寫。)

默認情況下,Quandl會將數據集導入到pandas模塊的DataFrame中。我們可以用如下代碼來檢查DataFrame的頭和尾:

In[]:
df:head()
out[]:
             OPen  High     Low      Last    Volume      Turnower
Date
2015-11-20  18.18  18.43  18.000    18.35  38392898.0  7.003281e+08
2015-11-23  18.45  18.70  18.215    18.61   3352514.0  6.186446e+07
2015-11-24  18.70  18.80  18.370    18.80   4871901.0  8.994087e+07
2015-11-25  18.85  19.50  18.770    19.45   4802607.0  9.153862e+07
2015-11-26  19.48  19.67  19.410    19.43   1648481.0  3.220713e+07 
In[]:
df:tail()
Out []:
            OPen  High     Low  Last     Volume      Turnower
Date
2018-08-06  23.50  23.53  23.23  23.34  1126371.0  2.634333e+07
2018-08-07  23.59  23.60  23.31  23.33  1785613.0  4.177652e+07
2018-08-08  24.00  24.39  23.83  24.14  4165320.0  1.007085e+08
2018-08-09  24.40  24.46  24.15  24.37  2422470.0  5.895752e107
2018-08-10  23.70  23.94  23.28  23.51  3951850.0  9.336493e+07

默認情況下,head()和tail()命令分別顯示的是DataFrame的前5行和最後5行,你可以把它傳遞的參數設置成一個具體的數字來定義要顯示的行數。例如,head(100)將顯示DataFrame中的前100行。

如果你沒有為get()命令設置任何附加參數,那麼它將會檢索整個時間序列數據集,即從你進行操作時的前一個工作日一直到2015年11月。

要可視化這個DataFrame,我們可以通過plot()命令繪制一個圖

In[]:
  %matplotlib inline
  import matplotlib.pyplot as plt
  df.plot();

運行結果如下圖所示。

pandas的plot()命令將返回一個Axis對象,此對象的字符串表示將與plot()命令一起顯示在界面上。為瞭消除這個信息,我們在最後一條語句的末尾添加一個分號“;”。或者,我們也可以在單元格底部添加一條pass語句。除此之外,我們還可以將繪圖函數分配給一個變量,這樣也能消除這個輸出。

默認情況下,pandas的plot()命令用matplotlib庫來顯示圖像,如果系統報錯的話,請檢查你是否安裝瞭這個庫,並且%matplotlib inline命令至少被調用過一次。你可以自定義圖表的外觀,有關DataFrame中plot命令的更多信息,可在以下網頁上找到:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html

02繪制收盤價與成交量的關系圖

當沒有參數提供給plot()命令時,它會用DataFrame的所有列在同一圖表上繪制折線圖,我們無法從這個雜亂無章的圖像中得到什麼有用的信息。為瞭有效地從這些數據中提取信息,我們可以繪制一隻股票的收盤價與成交量的關系圖。

在單元格中輸入以下命令:

In[]:
  princes=df[‘Last']
  volumes=df[‘Volume']

上述命令會將我們感興趣的數據分別存儲到closing_prices和volumes這兩個變量中,我們可以繼續使用head()和tail()命令查看由此產生的pandas數據類型的頭部和底部:

In[]:
   Prices .head()
out[]:
   Date
   ...
   2015-11-20   18.35
   2015-11-23   18.61
   2015-11-24   18.80
   2015-11-25   19.45
   2015-11-26   19.43
   Name:  Last,dtype:float64
In[]:
    volumes.tail()
out[]:
   Date
   2018-08-031252024.0
   2018-08-061126371.0
   2018-08-071785613.0
   2018-08-084165320.0
   2018-08-09。2422470.0
   Name:Volume,dtype:float64

如果你想知道某個特定變量的類型,可以使用type()命令。比如,type(volumes)命令的運行結果是 pandas.core.series.Series,這樣我們就知道volumes是屬於pandas序列數據類型的。

從2018年一直追溯到2015年都有數據可查,這樣就可以繪制收盤價與成交量的關系圖:

In[]:
#The top Plot consisting of daily closing  Prices
top=plt.subplot2grid((4,4),(0,0),rowspan=3,colspan=4)
top .plot(Prices.index,Prices,1abel='Last')
Plt.title('ABN Last Price from 2015 -  2018')
plt.legend(loc=2)
#The bottom Plot consisting of daily trading volume
bottom=plt.subplot2grid((4,4),(3,0),rowspan=1,colspan=4)
bottom.bar(volumes.index,volumes)
plt.title('ABN Daily Trading  Volume')
Plt.gcf () .set_size_inches(12,8)
plt.subplots_adjust(hspace=0.75)

運行結果如下圖所示。

在第一行中,subplot2grid命令的第一個參數(4,4)將整個圖劃分為一個4×4的網格,第二個參數(0,0)表明繪圖將錨定在圖形的左上角。rowspan=3指示繪圖將占據網格上4個可用行中的3行,即實際高度為圖形的75%;colspan=4指示繪圖將占用網格的所有4列,即使用其所有可用寬度。這個命令會返回一個matplotlib axis對象,我們將使用該對象繪制圖形的上部。

在第二行中,使用plot()命令繪制上圖表,x軸為日期值,y軸上的數值為收盤價格。在接下來的兩行中,我們指定瞭當前圖像的標題以及放置在左上角的時間序列數據的圖例。 

接下來,我們重復上述操作,在下部呈現每日交易量,這個圖表錨定在下方1行4列的網格空間中。

為瞭讓圖像更清楚,我們調用set_size_inches()命令將圖形設置為9英寸寬6英寸高,從而形成瞭一個矩形圖形(前面的gcf()命令表示獲取當前的尺寸)。最後,我們調用帶有hspace參數的subplots_adjust()命令,在上部和下部的兩個子圖之間添加少量的空缺。

subplots_adjust()命令用來對各個子圖的佈局進行優化,它可以接受的參數有:left、right、bottom、top、wspace、hspace。

03繪制燭臺圖

燭臺圖是另一種流行的財務圖表,它顯示的信息比單一的價格圖更多。燭臺是每一個特定時間點的波動,其中包含四種重要的信息:開盤價、最高價、最低價和收盤價。

我們現在不再推薦使用以前的matplotlib.finance模塊,用另一個由提取的代碼組成的mpl_finance包來取代它,你可以在命令行窗口輸入以下代碼來獲取這個包:

$pip install mpl-finance

為瞭更加方便地可視化燭臺圖,我們將使用ABN數據集的一個子集。在下面的例子中,我們在Quandl上檢索2018年7月份的每日價格作為數據集,並繪制如下的燭臺圖:

In[]:
%matplotlib inline 
import  quandl
from mpl_finance import candlestick_ohlc
import matplotlib.dates as mdates
import matplotlib.pyplot as plt
quandl.ApiConfig.api kcy-QUANDL API KEY
df_subset-quandl.get('EURONEXT/ABN',
       start_date='2018-07-01",
       ena_date='2018-07-31')
df_subset['Date'"]=df_subset.indqex.map(mdates.dqate2num)
df_ohlc=df_subset[['Date','Open','High','Low','Last']]
figure,ax=plt.sSubPlots(figsize= =(8,4))
formatter=mdates.DateFormatter('%Y-%m-%d')
ax.xaxis.set_major_formatter(formatter)
candlestick_ohlc(ax
                 df_ohlc.values,
                 width=0.8,
                 colorup='green',
                 colordown='red')
plt.show()

燭臺圖如下圖所示。

你可以在quandl.get()命令中定義start_date和end_date的值,從而指定數據集的時間范圍。

從Quandl檢索的價格會放在一個名為df_dataset的變量中,由於matplotlib的繪圖函數需要自己的格式,我們用mdates.date2num命令轉換包含日期和時間在內的索引值,並將它們放在名為Date的新列中。

燭臺的日期、開盤價、最高價、最低價和收盤價等數據將被提取為一個DataFrame列存儲在df_ohlc變量中。plt.subplots()函數會創建一個8英寸寬和4英寸高的圖形,其中沿著x軸的標簽將被轉換為我們可讀的格式。

調用candlestick_ohlc()命令來進行燭臺圖的繪制(燭臺寬度為0.8或全天寬度的80%),收盤價高於開盤價的上漲用淺灰色表示,而收盤價低於開盤價的下跌則用深灰色表示。最後,用plt.show()命令來顯示燭臺圖。

到此這篇關於手把手教你使用Python繪制時間序列圖的文章就介紹到這瞭,更多相關Python時間序列圖內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: