python价格趋势软件_最简洁的Python时间序列可视化：数据科学分析价格趋势，预测价格，探索价格…

最简洁的Python时间序列可视化：数据科学分析价格趋势，预测价格，探索价格

发布时间：2020-07-14 15:07:03

阅读：352

时间序列数据在数据科学领域无处不在，在量化金融领域也十分常见，可以用于分析价格趋势，预测价格，探索价格行为等。

学会对时间序列数据进行可视化，能够帮助我们更加直观地探索时间序列数据，寻找其潜在的规律。

【工具】Python 3

【数据】Tushare

【注】示例注重的是方法的讲解，请大家灵活掌握。

01

单个时间序列

首先，我们从tushare.pro获取指数日线行情数据，并查看数据类型。

import tushare as ts

import pandas as pd

pd.set_option(‘expand_frame_repr’, False) # 显示所有列

ts.set_token(‘your token’)

pro = ts.pro_api()

df = pro.index_daily(ts_code=’399300.SZ’)[[‘trade_date’, ‘close’]]

df.sort_values(‘trade_date’, inplace=True)

df.reset_index(inplace=True, drop=True)

print(df.head())

trade_date close

0 20050104 982.794

1 20050105 992.564

2 20050106 983.174

3 20050107 983.958

4 20050110 993.879

print(df.dtypes)

trade_date object

close float64

dtype: object

交易时间列’trade_date’ 不是时间类型，而且也不是索引，需要先进行转化。

df[‘trade_date’] = pd.to_datetime(df[‘trade_date’])

df.set_index(‘trade_date’, inplace=True)

print(df.head())

close

trade_date

2005-01-04 982.794

2005-01-05 992.564

2005-01-06 983.174

2005-01-07 983.958

2005-01-10 993.879

接下来，就可以开始画图了，我们需要导入matplotlib.pyplot【2】，然后通过设置set_xlabel()和set_xlabel()为x轴和y轴添加标签。

import matplotlib.pyplot as plt

ax = df.plot(color=”)

ax.set_xlabel(‘trade_date’)

ax.set_ylabel(‘399300.SZ close’)

plt.show()

02

设置更多细节

上面画出的是一个很简单的折线图，其实可以在plot()里面通过设置不同参数的值，为图添加更多细节，使其更美观、清晰。

figsize(width, height)设置图的大小，linewidth设置线的宽度，fontsize设置字体大小。然后，调用set_title()方法设置标题。

ax = df.plot(color=’blue’, figsize=(8, 3), linewidth=2, fontsize=6)

ax.set_title(‘399300.SZ close from 2005-01-04 to 2019-07-04’, fontsize=8)

plt.show()

如果想要突出图中的某一日期或者观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。

ax = df.plot(color=’blue’, fontsize=6)

ax.axvline(‘2019-01-01′, color=’red’, linestyle=’–‘)

ax.axhline(3000, color=’green’, linestyle=’–‘)

plt.show()

03

移动平均时间序列

有时候，我们想要观察某个窗口期的移动平均值的变化趋势，可以通过调用窗口函数rolling来实现。下面实例中显示的是，以250天为窗口期的移动平均线close，以及与移动标准差的关系构建的上下两个通道线upper和lower。

ma = df.rolling(window=250).mean()

mstd = df.rolling(window=250).std()

ma[‘upper’] = ma[‘close’] + (mstd[‘close’] * 2)

ma[‘lower’] = ma[‘close’] – (mstd[‘close’] * 2)

ax = ma.plot(linewidth=0.8, fontsize=6)

ax.set_xlabel(‘trade_date’, fontsize=8)

ax.set_ylabel(‘399300.SZ close from 2005-01-04 to 2019-07-04’, fontsize=8)

ax.set_title(‘Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04’, fontsize=10)

plt.show()

调用.plot.area()方法可以生成时间序列数据的面积图，显示累计的总数。

ax = df.plot.area(fontsize=12)

ax.set_xlabel(‘trade_date’)

ax.legend(fontsize=15)

plt.show()

05

总结

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树数据分析时间序列208944 人正在系统学习中 相关资源：ExWinner成套 价软件