matplotlib 库( http://www.matp1otlìb.org )的基本可视化功能。

 主要是2-D绘图、金融绘图和3-D绘图

一.2-D绘图

1.1一维数据集

#导入所需要的包
import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(1000)
y=np.random.standard_normal(20) #生成20个正太分布随机数
x=range(len(y))  #简单的绘图
plt.plot(x,y)

  其实,不需要输入x参数也可以绘图,因为plot 会注意到何时传递了ndarray 对象。在这种情况下,没有必要提供x 值的"额外"信息, 如果你只提供y 的, plot 以索') I 值作为对应的x 值、因此,下面一行代码会生成完全一样的输出。

plt.plot(y)

还可以传递附加方法:

plt.plot(y.cumsum())  #对y的累计求和

还可以操作细节,

plt.plot(y.cumsum())
plt.grid(True) #添加表格
plt.axis('tight') #显示x轴的全刻度
plt.xlim(-1,20) #规定x轴最大、最小值
plt.ylim(np.min(y.cumsum())-1,np.max(y.cumsum())+1)
plt.show()

plt.axis具体参数:

Empty :返回 当前坐标轴限值
off :关闭做标轴线相标签
equal :使用等刻度
scalcd :通过尺寸变化平衡刻度
tight :使所有 数据可见{缩小限值)
Image: 使所有数据可见(使用数据限值)
[xmin、xmax, ymin, ymax] :将设置限定为给定(一组)值

plt.figure(figsize=(12,8))
plt.plot(y.cumsum(),'b',lw=1.5)
plt.plot(y.cumsum(),'ro')
plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple picture')
plt.show()

颜色

可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

别名 颜色 别名 颜色
b 蓝色 g 绿色
r 红色 y 黄色
c 青色 k 黑色 
m 洋红色 w 白色

线条标记

标记maker 描述 标记 描述
‘o’ 圆圈 ‘.’
‘D’ 菱形 ‘s’ 正方形
‘h’ 六边形1 ‘*’ 星号
‘H’ 六边形2 ‘d’ 小菱形
‘_’ 水平线 ‘v’ 一角朝下的三角形
‘8’ 八边形 ‘<’ 一角朝左的三角形
‘p’ 五边形 ‘>’ 一角朝右的三角形
‘,’ 像素 ‘^’ 一角朝上的三角形
‘+’ 加号 ‘\’ 竖线
‘None’,’’,’ ‘ ‘x’ X

用来该表线条的属性

风格linestyle或ls 描述 线条风格linestyle或ls 描述
‘-‘ 实线 ‘:’ 虚线 
‘–’ 破折线 ‘None’,’ ‘,’’ 什么都不画 
‘-.’ 点划线  

1.2  二维数据集

np.random.seed(2000)
y=np.random.standard_normal((20,2)).cumsum(axis=0) #axis=0 按列累加求和 plt.figure(figsize=(8,6))
plt.plot(y,lw=1.5)
plt.plot(y,'ro')
plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple plot')
plt.show()

添加图例

plt.figure(figsize=(8,6))
plt.plot(y[:,0],lw=1.5,label='1st')
plt.plot(y[:,1],lw=1.5,label='2st')
plt.plot(y,'ro')
plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.legend(loc=0)
plt.title('A simple plot')
plt.show()

图例位置参数:

plt.legend(loc='’)

0: ‘best'
1: ‘upper right'
2: ‘upper left'
3: ‘lower left'
4: ‘lower right'
5: ‘right'
6: ‘center left'
7: ‘center right'
8: ‘lower center'
9: ‘upper center'
10: ‘center'

使用双坐标轴

y[:,0]=y[:,0]*100
fig,ax1=plt.subplots(figsize=(8,6))
plt.plot(y[:,0],'c',lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
plt.legend(loc=8)

ax2=ax1.twinx()    #添加另一个坐标轴
plt.plot(y[:,1],lw=1.5,label='2st')
plt.plot(y[:,1],'ro')

plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.legend(loc=0)
plt.title('A simple plot')
plt.show()

画两个子图plt.figure(figsize=(8,6))

plt.figure(figsize=(8,6))
plt.subplot() #2x1 第一个子图
plt.plot(y[:,0],'c',lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
plt.legend(loc=0) plt.subplot() #两行一列 第二个子图
plt.plot(y[:,1],'g',lw=1.5,label='2st')
plt.plot(y[:,1],'ro')
plt.legend(loc=0) plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple plot')
plt.show()

不同种类的两个子图

plt.figure(figsize=(8,6))
plt.subplot(211)
plt.plot(y[:,0],'c',lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
plt.legend(loc=0)
plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('1 dataset')

plt.subplot(212)
plt.bar(np.arange(len(y)),y[:,1],color='g',width=0.5,label='2st')  #条形图

plt.legend(loc=0)

plt.grid(True)

plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('2nd dataset')
plt.show() 

其他绘图样式

散点图

np.random.seed(2000)
y=np.random.standard_normal((2000,2)) plt.figure(figsize=(8,6))
plt.scatter(y[:,0],y[:,1])
plt.grid(True)
plt.xlabel('1 data')
plt.ylabel('2 data')
plt.show()

plt.figure(figsize=(8,6))
plt.plot(y[:,0],y[:,1],color='r',marker='o')
plt.grid(True)
plt.xlabel('1 data')
plt.ylabel('2 data')
plt.show()

scatter 绘图函数可以加入第三维,通过不同的颜色进行可视化.并使用彩条加以描述。为此,我们用随机数据生成第三个数据集,这次使用的是0 和10 之间的整数:

 展示的散点图有不同颜色小点表示的第三维,还有作为颜色图例的影条:

c = np.random.randint(0, 10, len(y))
plt.figure(figsize=(7,5))
plt.scatter(y[: , 0], y [ : , 1] , c=c , marker ='o')
plt.colorbar()
plt.grid(True)
plt.xlabel('lst')
plt.ylabel('2nd')
plt.title('Scatter Plot')

直方图

plt.figure(figsize=(7,4))
plt.hist(y,label=['1st','2en'],bins=20) #bins=20 代表分为20组
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('index')
plt.ylabel('value')
plt.show()

详解hist函数

   matplotlib.pyplot.hist(
x, bins=10, range=None, normed=False,
weights=None, cumulative=False, bottom=None,
histtype=u'bar', align=u'mid', orientation=u'vertical',
rwidth=None, log=False, color=None, label=None, stacked=False,
hold=None, **kwargs)

参数描述:
x :列表对象 ndarray 对象
bins: 数据组( bin )数
range: 数据组的下界和上界
nonned :规范化为整数1
weights: x 轴上每个值的权重
cumulative: 每个数据组包含较低组别的计数
hisstype :选项(字符串): ar, barstacked, step、stepfìlled
align: 选项(字符串): left, mid, righl
onentatlon: 选项(字符串): horizontal, vertical
rwideth:条块的相对宽度
log :对数刻度
color :每个数据集的颜色(类似数组)
label :标签所用的字符串或者字符串序列
stacked :堆叠多个数据集

两个数据集的数据在直方图的堆叠,只需要修改hist中参数:

plt.figure(figsize=(7,4))
plt.hist(y,label=['1st','2en'],bins=20)
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('index')
plt.ylabel('value')
plt.show()

箱型图

fig,ax=plt.subplots(figsize=(7,4))
plt.boxplot(y)
plt.setp(ax,xticklabels=['1st','2nd']) # 设置(一组)图表的实例的属性
plt.grid(True)
plt.xlabel('value')
plt.ylabel('fre')
plt.show()

data=np.random.standard_normal(20)
lin=plt.plot(data,'r')
plt.setp(lin,linestyle='-')
plt.show()

将线的样式更改为"短划线"

生成积分曲线

#1:积分函数
def fun(x):
return 0.5*np.exp(x)+1 #2:定义积分区
a,b=0.5,1.5
x=np.linspace(0,2)
y=fun(x) #3:绘制函数图像
fig,ax=plt.subplots(figsize=(7,4))
plt.plot(x,y,'r',lw=1.5)
plt.ylim(ymin=0) from matplotlib.patches import Polygon
#4:使用Polygon 函数生成阴影部分(‘补丁’),表示积分面积:
Ix=np.linspace(a,b)
Iy=fun(x)
verts=[(a,0)]+ list(zip(Ix,Iy)) +[(b,0)] #zip把列表转化为元组l1= [1,2,3] l2=[2,3,4] lsit(zip(l1,l2))=[(1,2),(2,3),(3,4)]
poly = Polygon(verts, facecolor ='0.9',edgecolor='0.1')
ax.add_patch(poly) plt.text(0.5 * (a + b) , 1, r"$\int_a^b f(x)\mathrm{d}x$" ,horizontalalignment='center' , fontsize=20)
plt.figtext(0.9, 0.075, '$X$')
plt.figtext(0.075, 0.9, '$f(x)$') ax.set_xticks((a, b))
ax.set_xticklabels(('$a$' , '$b$' ))
ax.set_yticks( [ fun(a) , fun(b)])
ax . set_yticklabels(('$f(a)$' , '$f(b)$'))
plt.grid(True)
plt.show()

二 .3-D绘图

strike = np.linspace(50, 150, 24)
ttm = np.linspace(0.5, 2.5, 24)
strike, ttm = np.meshgrid(strike, ttm) iv = (strike - 100) ** 2 / (100 *strike) / ttm
# generate fake implied νolatilities from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(9, 6))
ax = fig.gca(projection='3d')
surf = ax.plot_surface(strike, ttm, iv, rstride=2 , cstride=2,
cmap=plt.cm.coolwarm, linewidth=0.5,
antialiased=True)
ax.set_xlabel('strike')
ax.set_ylabel('time-to-maturity')
ax.set_zlabel('implied volatility')
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.show()

plot_surface 参数

X, Y, Z :2D 数组形式的数据值
rstride :数组行距(步长大小)
cstride: 数组列距(步长大小)
color: 曲面块颜包
cmap: 曲面峡颜色映射
facecolors :单独曲面块表面'颜包
norm :将值映射为颜色的Normalize 实例
Vmin:映射的最小值
vmax :映射的最大值

还有可以用view_init 设置不同的视角:

fig = plt.figure(figsize=(8, 5))
ax = fig.add_subplot(111,projection='3d')
ax.view_init(30, 60)
ax.scatter(strike, ttm, iv, zdir='z' , s=25,
c='b' , marker='^')
ax.set_xlabel('strike')
ax.set_ylabel('time-to-maturity')
ax.set_zlabel('implied volatili ty')
plt.show()

python 金融应用(三)数据可视化的更多相关文章

  1. 5 种使用 Python 代码轻松实现数据可视化的方法

    数据可视化是数据科学家工作中的重要组成部分.在项目的早期阶段,你通常会进行探索性数据分析(Exploratory Data Analysis,EDA)以获取对数据的一些理解.创建可视化方法确实有助于使 ...

  2. [转]5 种使用 Python 代码轻松实现数据可视化的方法

    数据可视化是数据科学家工作中的重要组成部分.在项目的早期阶段,你通常会进行探索性数据分析(Exploratory Data Analysis,EDA)以获取对数据的一些理解.创建可视化方法确实有助于使 ...

  3. 《Python数据分析》笔记——数据可视化

    数据可视化 matplotlib绘图入门 为了使用matplotlib来绘制基本图像,需要调用matplotlib.pyplot子库中的plot()函数 import matplotlib.pyplo ...

  4. python 科学计算及数据可视化

    第一步:利用python,画散点图. 第二步:需要用到的库有numpy,matplotlib的子库matplotlib.pyplot numpy(Numerical Python extensions ...

  5. python 金融网贷数据,pandas进行数据分析并可视化系列 (词频统计,基本操作)

    需求: 某某金融大亨想涉足金融网贷,想给网贷平台取一个名字,那么取什么名字,名字里面包含哪些关键字,在行业内的曝光率会相比较高一些呢? 可以理解为: 你负责某某网贷平台的网络推广工作,如何进一步优化各 ...

  6. 使用Python写词云数据可视化

    词云的应用场景 会议记录 海报制作 PPT制作 生日表白 数据挖掘 情感分析 用户画像 微信聊天记录分析 微博情感分析 Bilibili弹幕情感分析 年终总结 安装本课程所需的Python第三方模块 ...

  7. python grib气象数据可视化

    基于Python的Grib数据可视化           利用Python语言实现Grib数据可视化主要依靠三个库——pygrib.numpy和matplotlib.pygrib是欧洲中期天气预报中心 ...

  8. 使用bokeh-scala进行数据可视化

    目录 前言 bokeh简介及胡扯 bokeh-scala基本代码 我的封装 总结 一.前言        最近在使用spark集群以及geotrellis框架(相关文章见http://www.cnbl ...

  9. 利用selenium 爬取豆瓣 武林外传数据并且完成 数据可视化 情绪分析

    全文的步骤可以大概分为几步: 一:数据获取,利用selenium+多进程(linux上selenium 多进程可能会有问题)+kafka写数据(linux首选必选耦合)windows直接采用的是写my ...

  10. python金融与量化分析------Matplotlib(绘图和可视化)

    -----------------------------------------------------------Matplotlib:绘图和可视化------------------------ ...

随机推荐

  1. C# V: 读取XML文件

    在C#中读取XML有LINQ版本和非LINQ版本. LINQ版本: // Loading from a file, you can also load from a stream var xml = ...

  2. Material for oauth 2

    oauth 2 in 8 steps:  https://knpuniversity.com/screencast/oauth Live demo of oauth 2 (with server im ...

  3. 【接口测试】HttpClient+fastJson 总结与案例

    多次理解,反复练习,破釜沉舟. HttpCLient是什么 Apache Jakarta Common 下的子项目 支持 HTTP 协议的客户端编程工具包 支持 HTTP 协议最新的版本 怎么利用Ht ...

  4. MAC系统下,Jmeter5.1.1 无法录制问题

    问题一: 点击[start]先出现一个检查证书信息的弹窗,确保删除旧的安装新的,并且需要信任证书 (一般证书只需要信任一下即可,每次启动都会有这个弹窗提醒) 问题二: MAC OS系统使用Jmeter ...

  5. PostgreSQL各数据类型的内置函数

    参考<PostgreSQL实战> 3.1.2 数字类型操作符和数学函数 PostgreSQL 支持数字类型操作符和丰富的数学函数 例如支持加.减.乘.除.模取取余操作符 SELECT 1+ ...

  6. 大公司 vs 小公司,你会选哪个?

    找工作跟找对象差不多,在确立关系领证前,彼此要多些了解.在了解的基础上,你再确认是否真心喜欢对方,彼此身上有没有相互吸引的特质,两个人的性格是否互补.三观是否匹配.契合度越高,往后才能相互扶持.彼此成 ...

  7. HTML的条件注释和hack技术

    在很多时候,前端的兼容性问题,都很让人头痛!幸运的是,微软从去年声明:从2016年1月12日起,微软将停止为IE8(包括IE8)提供技术支持和安全更新.整个前端圈子都沸腾起来,和今年七月份Adobe宣 ...

  8. think PHP 查询、更改

    最近公司没有什么新项目,故准备搞搞PHP,正好后端有一些小东西需要搞一下,我就来试试吧. PHP 基于think PHP 3 实现功能: 1.为销售绑定虚拟号码分组(查询可以绑定的分组 -> 绑 ...

  9. 编写自定义cmake配置文件FindXXX.cmake或者xxx-config.cmake | cmake with user defined entry

    本文首发于个人博客https://kezunlin.me/post/12ab5707/,欢迎阅读! cmake with user defined entry Guide FindXXX.cmake ...

  10. 一篇很好的学习查看Java源代码的文章

    目录: 一. ArrayList概述 二. ArrayList的实现 1) 私有属性 2) 构造方法 3) 元素存储 4) 元素读取 5) 元素删除                 6) 调整数组容量 ...