股票数据分析数据可视化案例

首页 > 科技 > 大数据 > 正文 2021-08-30

发表自话题：股票柱状图颜色详解图

案例：

6家公司股票：谷歌、亚马逊、Facebook、苹果、阿里巴巴、腾讯；数据来源：从雅虎数据源或Morningstar数据源获取阿里巴巴数据获取股票数据；绘制6家公司股价图、平均股价图等；

步骤如下：

1、先使用conda安装：

1）先在conda中进入你notebook使用的python环境，例如你在notebook中使用的环境名称是py3，那么conda命令就是：activate py3；

2）在你需要的python环境下安装数据分析pandas包，和互联数据获取包pandas-datareader；

互联数据获取包注意：安装包的命令中的连接符是‘-’也就是pandas-datareader。但是导入包的连接符是下划线‘_’，也就是pandas-datareader 这里一定要注意安装和导入包这两个连接符是不一样的，不然无法导入使用。

1、导入包 #数据分析包 import pandas as pd #互联数据获取包 from pandas_datareader import data 获取国内股票数据的方式是：“股票代码”+“对应股市”（港股为.hk，A股为.ss）例如腾讯是港股是：0700.hk 2、定义字典：6家公司的股票 gafataDict={'谷歌':'GOOG','亚马逊':'AMZN','Facebook':'FB', '苹果':'AAPL','阿里巴巴':'BABA','腾讯':'0700.hk'} 3、定义函数函数功能：计算股票涨跌幅=（现在股价-买入价格）/买入价格输入参数：column是收盘价这一列的数据返回数据：涨跌幅 def change(column): buyPrice=column[0]#买入价格 curPrice=column[column.size-1] #现在股价，column.size是总共数据条数，序号是从0开始的，所以最后一条数据的序号是总数目-1 priceChange=(curPrice-buyPrice)/buyPrice#累计涨跌幅 if(priceChange>0):#判断股票是上涨，还是下跌 print('股票累计上涨=',priceChange*100,'%') elif(priceChange==0): print('股票累没有变化=',priceChange*100,'%') else: print('股票累计下跌',priceChange*100,'%') #返回数据 return priceChange

接下来获取6家公司从到之间的股票数据。

一、获取数据

获取股票数据分方法：

方法1：从雅虎数据源获取股票数据，函数为get_data_yahoo，官网使用操作文档： http://pandas-datareader.readthedocs.io/en/latest/remote_data.html；方法2：从Morningstar数据源获取数据。本文案例主要从雅虎数据源获取股票数据。

获取数据过程存在问题时的解决方案：

1）由于是从国外获取股票数据，会由于网络不稳定，获取数据失败，多运行几次这个cell就好了；2）如果多运行几次还是无法获的股票数据，使用这个链接里的方法：https://pypi.org/project/fix-yahoo-finance/0.0.21/ 3）如果经过上面2个方法还不行，打开这个官网使用文档（http://pandas-datareader.readthedocs.io/en/latest/remote_data.html），换其他的财经数据源试试。

每日股票价位信息：

Open:开盘价 High:最高加Low：最低价 Close：收盘价 Volume：成交量

1、阿里巴巴

（1）获取哪段时间范围的股票数据 start_date = '2017-01-01' end_date = '2018-01-01' （2）从雅虎财经数据源（get_data_yahoo）获取阿里巴巴股票数据 babaDf=data.get_data_yahoo(gafataDict['阿里巴巴'],start_date, end_date) 或者从Morningstar数据源获取阿里巴巴数据 #babaDf=data.DataReader(gafataDict['阿里巴巴'],'morningstar',start_date, end_date) #查看前5行数据 babaDf.head()

（3）查看数据信息 1）股票数据的行索引是时间序列类型，记录每天的股票信息 babaDf.index DatetimeIndex(['2017-01-03', '2017-01-04', '2017-01-05', '2017-01-06', '2017-01-09', '2017-01-10', '2017-01-11', '2017-01-12', '2017-01-13', '2017-01-17', ... '2017-12-15', '2017-12-18', '2017-12-19', '2017-12-20', '2017-12-21', '2017-12-22', '2017-12-26', '2017-12-27', '2017-12-28', '2017-12-29'], dtype='datetime64[ns]', name='Date', length=251, freq=None) 2）查看数据集情况 babaDf.info() DatetimeIndex: 251 entries, 2017-01-03 to 2017-12-29 Data columns (total 6 columns): High 251 non-null float64 Low 251 non-null float64 Open 251 non-null float64 Close 251 non-null float64 Volume 251 non-null int64 Adj Close 251 non-null float64 dtypes: float64(5), int64(1) memory usage: 13.7 KB 3）查看每一列数据类型 babaDf.dtypes High float64 Low float64 Open float64 Close float64 Volume int64 Adj Close float64 dtype: object 4）查看数据集描述统计信息 babaDf.describe()

（4）计算累计涨幅 1）取收盘价Close这一列的数据 closeCol=babaDf['Close'] 2）调用函数，获取涨跌幅 babaChange=change(closeCol) 股票累计上涨= 94. %

2、谷歌

（1）获取谷歌股票数据 googDf=data.get_data_yahoo(gafataDict['谷歌'],start_date, end_date) googDf.head()

（2）计算累计涨幅 #获取收盘价Close这一列的数据 closeCol=googDf['Close'] #调用函数，获取涨跌幅 googChange=change(closeCol) 股票累计上涨= 33. %

3、亚马逊

（1）获取亚马逊股票数据 amazDf=data.get_data_yahoo(gafataDict['亚马逊'],start_date, end_date) amazDf.head()

（2）累计涨幅 #获取收盘价Close这一列的数据 closeCol=amazDf['Close'] #调用函数，获取涨跌幅 amazChange=change(closeCol) 股票累计上涨= 55. %

4、Facebook

（1）获取Facebook股票数据 fbDf=data.get_data_yahoo(gafataDict['Facebook'],start_date, end_date) fbDf.head() （2）累计涨幅 #获取收盘价Close这一列的数据 closeCol=fbDf['Close'] #调用函数，获取涨跌幅 fbChange=change(closeCol) 股票累计上涨= 51.00 %

5、苹果

（1）获取苹果股票数据 applDf=data.get_data_yahoo(gafataDict['苹果'],start_date, end_date) applDf.head()

（2）累计涨幅 #获取收盘价Close这一列的数据 closeCol=applDf['Close'] #调用函数，获取涨跌幅 applChange=change(closeCol) 股票累计上涨= 45. %

6、腾讯

（1）获取亚马逊股票数据 txDf=data.get_data_yahoo(gafataDict['腾讯'],start_date, end_date) txDf.head()

#腾讯是港股，所以这里的收盘价是港币，按照今天的汇率将其转化为美元 exchange=0.1278 #港币兑换美元的汇率，这个值可以根据在网上查到当天的最新汇率 #为了方便后期多家公司的股价比较，增加新的一列收盘价（美元） txDf['Close_dollar']= txDf['Close']* exchange txDf.head()

（2）累计涨幅 #获取收盘价Close这一列的数据 closeCol=txDf['Close'] #调用函数，获取涨跌幅 txChange=change(closeCol) 股票累计上涨= 120. %

二、数据可视化

%matplotlib inline #导入可视化包 import matplotlib.pyplot as plt

（一）折线图：绘制股票走势

横轴x是股票时间，babaDf.index是Pandas二维数据Dataframe的行索引，这里是时间序列;纵轴y是收盘价Close这一列数据 plot默认是线条图

绘图时遇到横坐标没有显示出来的原因：

先查看你的数据框索引是不是日期类型的，如果不是，将数据框索引转换成日期类型的；如果获取数据来源，前面换成了数据源（morningstar），后面绘图的时候需要重置索引。

解决方案：重置索引

重置索引代码如下：

babaDf.reset_index(inplace=True) babaDf.set_index('Date',inplace=True)

查看索引是否重置成功

babaDf.head()

1、重置索引

#阿里巴巴重置索引 babaDf.reset_index(inplace=True) babaDf.set_index('Date',inplace=True) #重置索引后 babaDf['Date']=babaDf.index babaDf.plot(x='Date',y='Close') #x坐标轴文本 plt.xlabel('time') #y坐标轴文本 plt.ylabel('price（dollar）') #图片标题 plt.title('Alibabas stock moves in 2017') #显示网格 plt.grid(True) #显示图形 plt.show()

（二）散点图：成交量和股价
babaDf.plot(x='Volume',y='Close',kind='scatter')
plt.xlabel('Volume')#x坐标轴文本
plt.ylabel('price（dollar）')#y坐标轴文本
plt.title('Volume and price')#图片标题
plt.grid(True)#显示网格

plt.show()#显示图形

得到相关系数矩阵

#得到相关系数矩阵 babaDf.corr()

接下来将6家公司股价绘制在一张图中。

（三）GAFATA股价走势比较

1、重置索引

#重置谷歌索引 googDf.reset_index(inplace=True) googDf.set_index('Date',inplace=True) #查看索引是否重置成功 googDf.head()

图略。

#重置亚马逊索引 amazDf.reset_index(inplace=True) amazDf.set_index('Date',inplace=True) #查看索引是否重置成功 amazDf.head()

图略。

#重置苹果索引 fbDf.reset_index(inplace=True) fbDf.set_index('Date',inplace=True) #查看索引是否重置成功 fbDf.head()

图略。

#重置腾讯索引 txDf.reset_index(inplace=True) txDf.set_index('Date',inplace=True) #查看索引是否重置成功 txDf.head()

图略。

2、绘图

#绘制谷歌的画纸1 googDf['Date']=googDf.index ax1=googDf.plot(x='Date',y='Close',label='goog') #通过指定画纸ax，在同一张画纸上绘图 #亚马逊 amazDf['Date']=amazDf.index amazDf.plot(ax=ax1,x='Date',y='Close',label='amaz') #Facebook fbDf['Date']=fbDf.index fbDf.plot(ax=ax1,x='Date',y='Close',label='Facebook') #苹果 applDf['Date']=applDf.index applDf.plot(ax=ax1,x='Date',y='Close',label='appl') #阿里巴巴 babaDf['Date']=babaDf.index babaDf.plot(ax=ax1,x='Date',y='Close',label='baba') #腾讯 txDf['Date']=txDf.index txDf.plot(ax=ax1,x='Date',y='Close_dollar',label='tx') #x坐标轴文本 plt.xlabel('time') #y坐标轴文本 plt.ylabel('price（dollar）') #图片标题 plt.title('GAFATA stock is up a bit more in 2018') #显示网格 plt.grid(True) plt.show()

因为谷歌和亚马逊的股价比较高，造成我们看不出其他4家公司的股票走势。所以根据股价我们可以将这6家公司分成2组：一组是股价较高的谷歌和亚马逊；另外一组是股价较低的4家公司。''' 第1组：谷歌，亚马逊 ''' #绘制谷歌的画纸2 googDf['Date']=googDf.index ax1=googDf.plot(x='Date',y='Close',label='goog') #通过指定画纸ax，在同一张画纸上绘图 #亚马逊 amazDf['Date']=amazDf.index amazDf.plot(ax=ax1,x='Date',y='Close',label='amaz') #x坐标轴文本 plt.xlabel('time') #y坐标轴文本 plt.ylabel('price（dollar）') #图片标题 plt.title('GAFATA stock is up a bit more in 2018') #显示网格 plt.grid(True) plt.show()

''' 第2组：4家公司 ''' #绘制Facebook的画纸3 fbDf['Date']=fbDf.index ax1=fbDf.plot(x='Date',y='Close',label='goog') #通过指定画纸ax，在同一张画纸上绘图 #苹果 applDf['Date']=applDf.index applDf.plot(ax=ax1,x='Date',y='Close',label='appl') #阿里巴巴 babaDf['Date']=babaDf.index babaDf.plot(ax=ax1,x='Date',y='Close',label='baba') #腾讯 txDf['Date']=txDf.index txDf.plot(ax=ax1,x='Date',y='Close_dollar',label='tx') #x坐标轴文本 plt.xlabel('time') #y坐标轴文本 plt.ylabel('price（dollar）') #图片标题 plt.title('GAFATA stock is up a bit more in 2018') #显示网格 plt.grid(True) plt.show()

（四）柱状图：六家公司股票的平均值

#6家公司股票收盘价平均值 gafataMeanList=[googDf['Close'].mean(),#谷歌 amazDf['Close'].mean(),#亚马逊 fbDf['Close'].mean(),#Facebook applDf['Close'].mean(),#苹果 babaDf['Close'].mean(),#阿里巴巴 txDf['Close_dollar'].mean()#腾讯 ] #创建pandas一维数组Series gafataMeanSer=pd.Series(gafataMeanList, index=['谷歌', '亚马逊', 'Facebook', '苹果', '阿里巴巴', '腾讯']) gafataMeanSer.plot(kind='bar',label='GAFATA') #图片标题 plt.title('2017 average GAFATA stock price') #x坐标轴文本 plt.xlabel('The name of the company') #y坐标轴文本 plt.ylabel('Average share price (dollar)') plt.grid(True) plt.show()

分析结果：可以看出，仅从股票价格上来判断，亚马逊和谷歌的股票价格要远远的超过了其他四家。但是这里只是算的平均值，下面我们看下用四分位数绘制的箱线图。

（五）箱线图：6家公司股票股价的四分位数

#存放6家公司的收盘价 closeDf=pd.DataFrame() #合并6家公司的收盘价 closeDf=pd.concat([closeDf,googDf['Close'],#谷歌 amazDf['Close'],#亚马逊 fbDf['Close'],#Facebook applDf['Close'],#苹果 babaDf['Close'],#阿里巴巴 txDf['Close_dollar']#腾讯 ],axis=1) #重命名列名为公司名称 closeDf.columns=['goog','amaz','Facebook','Facebook','baba','txDf'] closeDf.head()