Python股票数据可视化代码详解
目录
数据准备阿里巴巴谷歌苹果腾讯亚马逊Facebook数据可视化查看各个公司的股价平均值查看各公司股价分布情况股价走势对比总结import numpy as np import pandas as pd from pandas_datareader import data import datetime as dt
数据准备
"""
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
"""
#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"}
"""
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):
# 买入价格
buyPrice=column[0]
# 现在股价
curPrice=column[column.size-1]
priceChange=(curPrice-buyPrice)/buyPrice
# 判断股票是上涨还是下跌
if priceChange>0:
print("股票累计上涨=",round(priceChange*100,2),"%")
elif priceChange==0:
print("股票无变化=",round(priceChange*100,2)*100,"%")
else:
print("股票累计下跌=",round(priceChange*100,2)*100,"%")
# 返回数据
return priceChange
"""
三星电子
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
因雅虎连接不到，仅以三星作为获取数据示例
"""
sxDf = data.DataReader("005930", "naver", start="2021-01-01", end="2022-01-01")
sxDf.head()
| Open | High | Low | Close | Volume | |
|---|---|---|---|---|---|
| Date | |||||
| 2021-01-04 | 81000 | 84400 | 80200 | 83000 | 38655276 |
| 2021-01-05 | 81600 | 83900 | 81600 | 83900 | 35335669 |
| 2021-01-06 | 83300 | 84500 | 82100 | 82200 | 42089013 |
| 2021-01-07 | 82800 | 84200 | 82700 | 82900 | 32644642 |
| 2021-01-08 | 83300 | 90000 | 83000 | 88800 | 59013307 |
sxDf.info()
DatetimeIndex: 248 entries, 2021-01-04 to 2021-12-30 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Open 248 non-null object 1 High 248 non-null object 2 Low 248 non-null object 3 Close 248 non-null object 4 Volume 248 non-null object dtypes: object(5) memory usage: 11.6+ KB
sxDf.iloc[:,0:4]=sxDf.iloc[:,0:4].astype("float")
sxDf.iloc[:,-1]=sxDf.iloc[:,-1].astype("int")
sxDf.info()
DatetimeIndex: 248 entries, 2021-01-04 to 2021-12-30Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Open 248 non-null float64 1 High 248 non-null float64 2 Low 248 non-null float64 3 Close 248 non-null float64 4 Volume 248 non-null int32 dtypes: float64(4), int32(1)memory usage: 10.7 KB DatetimeIndex: 248 entries, 2021-01-04 to 2021-12-30 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Open 248 non-null float64 1 High 248 non-null float64 2 Low 248 non-null float64 3 Close 248 non-null float64 4 Volume 248 non-null int32 dtypes: float64(4), int32(1) memory usage: 10.7 KB
阿里巴巴
# 读取数据 AliDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\阿里巴巴2017年股票数据.xlsx",index_col="Date") AliDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 175.839996 | 176.660004 | 175.039993 | 176.289993 | 176.289993 | 12524700 |
| 2017-12-26 | 174.550003 | 175.149994 | 171.729996 | 172.330002 | 172.330002 | 12913800 |
| 2017-12-27 | 172.289993 | 173.869995 | 171.729996 | 172.970001 | 172.970001 | 10152300 |
| 2017-12-28 | 173.039993 | 173.529999 | 171.669998 | 172.300003 | 172.300003 | 9508100 |
| 2017-12-29 | 172.279999 | 173.669998 | 171.199997 | 172.429993 | 172.429993 | 9704600 |
# 查看基本信息及数据类型 AliDf.info()
DatetimeIndex: 251 entries, 2017-01-03 to 2017-12-29 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Open 251 non-null float64 1 High 251 non-null float64 2 Low 251 non-null float64 3 Close 251 non-null float64 4 Adj Close 251 non-null float64 5 Volume 251 non-null int64 dtypes: float64(5), int64(1) memory usage: 13.7 KB
# 计算涨跌幅 AliChange=change(AliDf["Close"])
股票累计上涨= 94.62 %
"""增加一列累计增长百分比""" #一开始的股价 Close1=AliDf["Close"][0] # # .apply(lambda x: format(x, ".2%")) AliDf["sum_pct_change"]=AliDf["Close"].apply(lambda x: (x-Close1)/Close1) AliDf["sum_pct_change"].tail()
Date 2017-12-22 0.989729 2017-12-26 0.945034 2017-12-27 0.952257 2017-12-28 0.944695 2017-12-29 0.946162 Name: sum_pct_change, dtype: float64
谷歌
# 读取数据 GoogleDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\谷歌2017年股票数据.xlsx",index_col="Date") GoogleDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 1061.109985 | 1064.199951 | 1059.439941 | 1060.119995 | 1060.119995 | 755100 |
| 2017-12-26 | 1058.069946 | 1060.119995 | 1050.199951 | 1056.739990 | 1056.739990 | 760600 |
| 2017-12-27 | 1057.390015 | 1058.369995 | 1048.050049 | 1049.369995 | 1049.369995 | 1271900 |
| 2017-12-28 | 1051.599976 | 1054.750000 | 1044.770020 | 1048.140015 | 1048.140015 | 837100 |
| 2017-12-29 | 1046.719971 | 1049.699951 | 1044.900024 | 1046.400024 | 1046.400024 | 887500 |
# 计算涨跌幅 GoogleChange=change(GoogleDf["Close"])
股票累计上涨= 33.11 %
"""增加一列累计增长百分比""" #一开始的股价 Close1=GoogleDf["Close"][0] # # .apply(lambda x: format(x, ".2%")) GoogleDf["sum_pct_change"]=GoogleDf["Close"].apply(lambda x: (x-Close1)/Close1) GoogleDf["sum_pct_change"].tail()
Date 2017-12-22 0.348513 2017-12-26 0.344213 2017-12-27 0.334839 2017-12-28 0.333274 2017-12-29 0.331061 Name: sum_pct_change, dtype: float64
苹果
# 读取数据 AppleDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\苹果2017年股票数据.xlsx",index_col="Date") AppleDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 174.679993 | 175.419998 | 174.500000 | 175.009995 | 174.299362 | 16349400 |
| 2017-12-26 | 170.800003 | 171.470001 | 169.679993 | 170.570007 | 169.877396 | 33185500 |
| 2017-12-27 | 170.100006 | 170.779999 | 169.710007 | 170.600006 | 169.907272 | 21498200 |
| 2017-12-28 | 171.000000 | 171.850006 | 170.479996 | 171.080002 | 170.385315 | 16480200 |
| 2017-12-29 | 170.520004 | 170.589996 | 169.220001 | 169.229996 | 168.542831 | 25999900 |
# 计算涨跌幅 AppleChange=change(AppleDf["Close"])
股票累计上涨= 45.7 %
"""增加一列累计增长百分比""" #一开始的股价 Close1=AppleDf["Close"][0] # # .apply(lambda x: format(x, ".2%")) AppleDf["sum_pct_change"]=AppleDf["Close"].apply(lambda x: (x-Close1)/Close1) AppleDf["sum_pct_change"].tail()
Date 2017-12-22 0.506758 2017-12-26 0.468532 2017-12-27 0.468790 2017-12-28 0.472923 2017-12-29 0.456995 Name: sum_pct_change, dtype: float64
腾讯
# 读取数据 TencentDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\腾讯2017年股票数据.xlsx",index_col="Date") TencentDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 403.799988 | 405.799988 | 400.799988 | 405.799988 | 405.799988 | 16146080 |
| 2017-12-27 | 405.799988 | 407.799988 | 401.000000 | 401.200012 | 401.200012 | 16680601 |
| 2017-12-28 | 404.000000 | 408.200012 | 402.200012 | 408.200012 | 408.200012 | 11662053 |
| 2017-12-29 | 408.000000 | 408.000000 | 403.399994 | 406.000000 | 406.000000 | 16601658 |
| 2018-01-02 | 406.000000 | 406.000000 | 406.000000 | 406.000000 | 406.000000 | 0 |
# 读取数据 TencentDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\腾讯2017年股票数据.xlsx",index_col="Date") TencentDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 403.799988 | 405.799988 | 400.799988 | 405.799988 | 405.799988 | 16146080 |
| 2017-12-27 | 405.799988 | 407.799988 | 401.000000 | 401.200012 | 401.200012 | 16680601 |
| 2017-12-28 | 404.000000 | 408.200012 | 402.200012 | 408.200012 | 408.200012 | 11662053 |
| 2017-12-29 | 408.000000 | 408.000000 | 403.399994 | 406.000000 | 406.000000 | 16601658 |
| 2018-01-02 | 406.000000 | 406.000000 | 406.000000 | 406.000000 | 406.000000 | 0 |
# 计算涨跌幅 TencentChange=change(TencentDf["Close"])
股票累计上涨= 114.36 %
"""增加一列累计增长百分比""" #一开始的股价 Close1=TencentDf["Close"][0] # # .apply(lambda x: format(x, ".2%")) TencentDf["sum_pct_change"]=TencentDf["Close"].apply(lambda x: (x-Close1)/Close1) TencentDf["sum_pct_change"].tail()
Date 2017-12-22 1.142555 2017-12-27 1.118268 2017-12-28 1.155227 2017-12-29 1.143611 2018-01-02 1.143611 Name: sum_pct_change, dtype: float64
亚马逊
# 读取数据 AmazonDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\亚马逊2017年股票数据.xlsx",index_col="Date") AmazonDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 1172.079956 | 1174.619995 | 1167.829956 | 1168.359985 | 1168.359985 | 1585100 |
| 2017-12-26 | 1168.359985 | 1178.319946 | 1160.550049 | 1176.760010 | 1176.760010 | 2005200 |
| 2017-12-27 | 1179.910034 | 1187.290039 | 1175.609985 | 1182.260010 | 1182.260010 | 1867200 |
| 2017-12-28 | 1189.000000 | 1190.099976 | 1184.380005 | 1186.099976 | 1186.099976 | 1841700 |
| 2017-12-29 | 1182.349976 | 1184.000000 | 1167.500000 | 1169.469971 | 1169.469971 | 2688400 |
# 计算涨跌幅 AmazonChange=change(AmazonDf["Close"])
股票累计上涨= 55.17 %
"""增加一列累计增长百分比""" #一开始的股价 Close1=AmazonDf["Close"][0] # # .apply(lambda x: format(x, ".2%")) AmazonDf["sum_pct_change"]=AmazonDf["Close"].apply(lambda x: (x-Close1)/Close1) AmazonDf["sum_pct_change"].tail()
Date 2017-12-22 0.550228 2017-12-26 0.561373 2017-12-27 0.568671 2017-12-28 0.573766 2017-12-29 0.551700 Name: sum_pct_change, dtype: float64
# 读取数据 FacebookDf=pd.read_excel(r"C:\Users\EDY\Desktop\吧哩吧啦\学习\Untitled Folder\Facebook2017年股票数据.xlsx",index_col="Date") FacebookDf.tail()
| Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|
| Date | ||||||
| 2017-12-22 | 177.139999 | 177.529999 | 176.229996 | 177.199997 | 177.199997 | 8509500 |
| 2017-12-26 | 176.630005 | 177.000000 | 174.669998 | 175.990005 | 175.990005 | 8897300 |
| 2017-12-27 | 176.550003 | 178.440002 | 176.259995 | 177.619995 | 177.619995 | 9496100 |
| 2017-12-28 | 177.949997 | 178.940002 | 177.679993 | 177.919998 | 177.919998 | 12220800 |
| 2017-12-29 | 178.000000 | 178.850006 | 176.460007 | 176.460007 | 176.460007 | 10261500 |
# 计算涨跌幅 FacebookChange=change(FacebookDf["Close"])
股票累计上涨= 51.0 %
"""增加一列每日增长百分比""" # .pct_change()返回变化百分比，第一行因没有可对比的，返回Nan，填充为0 FacebookDf["pct_change"]=FacebookDf["Close"].pct_change(1).fillna(0) FacebookDf["pct_change"].head()
Date 2017-01-03 0.000000 2017-01-04 0.015660 2017-01-05 0.016682 2017-01-06 0.022707 2017-01-09 0.012074 Name: pct_change, dtype: float64
"""增加一列累计增长百分比""" #一开始的股价 Close1=FacebookDf["Close"][0] # .apply(lambda x: format(x, ".2%")) FacebookDf["sum_pct_change"]=FacebookDf["Close"].apply(lambda x: (x-Close1)/Close1) FacebookDf["sum_pct_change"].tail()
Date 2017-12-22 0.516344 2017-12-26 0.505990 2017-12-27 0.519938 2017-12-28 0.522506 2017-12-29 0.510012 Name: sum_pct_change, dtype: float64
数据可视化
import matplotlib.pyplot as plt
# 查看成交量与股价之间的关系
fig=plt.figure(figsize=(10,5))
AliDf.plot(x="Volume",y="Close",kind="scatter")
plt.xlabel("成交量")
plt.ylabel("股价")
plt.title("成交量与股价之间的关系")
plt.show()
# 查看各个参数之间的相关性，与股价与成交量之间呈中度相关 AliDf.corr()
| Open | High | Low | Close | Adj Close | Volume | sum_pct_change | |
|---|---|---|---|---|---|---|---|
| Open | 1.000000 | 0.999281 | 0.998798 | 0.998226 | 0.998226 | 0.424686 | 0.998226 |
| High | 0.999281 | 1.000000 | 0.998782 | 0.999077 | 0.999077 | 0.432467 | 0.999077 |
| Low | 0.998798 | 0.998782 | 1.000000 | 0.999249 | 0.999249 | 0.401456 | 0.999249 |
| Close | 0.998226 | 0.999077 | 0.999249 | 1.000000 | 1.000000 | 0.415801 | 1.000000 |
| Adj Close | 0.998226 | 0.999077 | 0.999249 | 1.000000 | 1.000000 | 0.415801 | 1.000000 |
| Volume | 0.424686 | 0.432467 | 0.401456 | 0.415801 | 0.415801 | 1.000000 | 0.415801 |
| sum_pct_change | 0.998226 | 0.999077 | 0.999249 | 1.000000 | 1.000000 | 0.415801 | 1.000000 |
查看各个公司的股价平均值
AliDf["Close"].mean()
141.79179260159364
"""数据准备"""
# 计算每家公司的收盘价平均值
Close_mean={"Alibaba":AliDf["Close"].mean(),
"Google":GoogleDf["Close"].mean(),
"Apple":AppleDf["Close"].mean(),
"Tencent":TencentDf["Close"].mean(),
"Amazon":AmazonDf["Close"].mean(),
"Facebook":FacebookDf["Close"].mean()}
CloseMeanSer=pd.Series(Close_mean)
CloseMeanSer.sort_values(ascending=False,inplace=True)
"""绘制柱状图"""
# 创建画板
fig=plt.figure(figsize=(10,5))
# 绘图
CloseMeanSer.plot(kind="bar")
# 设置x、y轴标签及标题
plt.xlabel("公司")
plt.ylabel("股价平均值（美元）")
plt.title("2017年各公司股价平均值")
# 设置y周标签刻度
plt.yticks(np.arange(0,1100,100))
# 显示y轴网格
plt.grid(True,axis="y")
# 显示图像
plt.show()
亚马逊和谷歌的平均股价很高，远远超过其他4家，但是仅看平均值并不能代表什么，下面从分布和走势方面查看
查看各公司股价分布情况
"""数据准备"""
# 将6家公司的收盘价整合到一起
CloseCollectDf=pd.concat([AliDf["Close"],
GoogleDf["Close"],
AppleDf["Close"],
TencentDf["Close"],
AmazonDf["Close"],
FacebookDf["Close"]],axis=1)
CloseCollectDf.columns=["Alibaba","Google","Apple","Tencent","Amazon","Facebook"]
"""绘制箱型图"""
# 创建画板
fig=plt.figure(figsize=(20,10))
fig.suptitle("2017年各公司股价分布",fontsize=18)
# 子图1
ax1=plt.subplot(121)
CloseCollectDf.plot(ax=ax1,kind="box")
plt.xlabel("公司")
plt.ylabel("股价（美元）")
plt.title("2017年各公司股价分布")
plt.grid(True,axis="y")
# 因谷歌和亚马逊和两外四家的差别较大，分开查看，
# 子图2
ax2=plt.subplot(222)
CloseCollectDf[["Google","Amazon"]].plot(ax=ax2,kind="box")
# 设置x、y轴标签及标题
plt.ylabel("股价（美元）")
plt.title("2017年谷歌和亚马逊股价分布")
# 设置y周标签刻度
# plt.yticks(np.arange(0,1300,100))
# 显示y轴网格
plt.grid(True,axis="y")
# 子图3
ax3=plt.subplot(224)
CloseCollectDf[["Alibaba","Apple","Tencent","Facebook"]].plot(ax=ax3,kind="box")
# 设置x、y轴标签及标题
plt.xlabel("公司")
plt.ylabel("股价（美元）")
plt.title("2017年阿里、苹果、腾讯、Facebook股价分布")
# 设置y周标签刻度
# plt.yticks(np.arange(0,1300,100))
# 显示y轴网格
plt.grid(True,axis="y")
plt.subplot
# 显示图像
plt.show()
从箱型图看，谷歌和亚马逊的股价分布较广，且中位数偏上，腾讯股价最为集中，波动最小，相对稳定。
股价走势对比
# 创建画板并设置大小,constrained_layout=True设置自动调整子图之间间距
fig=plt.figure(figsize=(15,10),constrained_layout=True)
# ax=plt.subplots(2,1,sharex=True)
fig.suptitle("股价走势对比",fontsize=18)
"""绘制图像1 """
ax1=plt.subplot(211)
plt.plot(AliDf.index,AliDf["Close"],label="Alibaba")
plt.plot(GoogleDf.index,GoogleDf["Close"],label="Google")
plt.plot(AppleDf.index,AppleDf["Close"],label="Apple")
plt.plot(TencentDf.index,TencentDf["Close"],label="Tencent")
plt.plot(AmazonDf.index,AmazonDf["Close"],label="Amazon")
plt.plot(FacebookDf.index,FacebookDf["Close"],label="Facebook")
# # 设置xy轴标签
plt.xlabel("时间")
plt.ylabel("股价")
# 设置标题
# plt.title("股价走势对比")
# 图例显示位置、大小
plt.legend(loc="upper left",fontsize=12)
# 设置x,y轴间隔,设置旋转角度，以免重叠
plt.xticks(AliDf.index[::10],rotation=45)
plt.yticks(np.arange(0, 1300, step=100))
# 显示网格
plt.grid(True)
"""绘制图像2"""
ax2=plt.subplot(212)
plt.plot(AliDf.index,AliDf["sum_pct_change"],label="Alibaba")
plt.plot(GoogleDf.index,GoogleDf["sum_pct_change"],label="Google")
plt.plot(AppleDf.index,AppleDf["sum_pct_change"],label="Apple")
plt.plot(TencentDf.index,TencentDf["sum_pct_change"],label="Tencent")
plt.plot(AmazonDf.index,AmazonDf["sum_pct_change"],label="Amazon")
plt.plot(FacebookDf.index,FacebookDf["sum_pct_change"],label="Facebook")
# 设置xy轴标签
plt.xlabel("时间")
plt.ylabel("累计增长率")
# 设置标题
# plt.title("股价走势对比")
# 图例显示位置、大小
plt.legend(loc="upper left",fontsize=12)
# 设置x,y轴间隔,设置旋转角度，以免重叠
plt.xticks(AliDf.index[::10],rotation=45)
plt.yticks(np.arange(0, 1.2, step=0.1))
# 显示网格
plt.grid(True)
# 调整子图间距，subplots_adjust(left=None, bottom=None, right=None, top=None,wspace=None, hspace=None)
# 显示图像
plt.show()
可以看出，在2017年间，亚马逊和谷歌的股价虽然偏高，涨幅却不如阿里巴巴和腾讯。
总结
观察以上图形，可以得出一下结果：
1、2017年谷歌和亚马逊股价偏高，波动较大，但其涨幅并不高；
2、2017年阿里巴巴和腾讯的股价平均值相对较小，股价波动比较小，其涨幅却很高，分别达到了94.62%和114.36%。
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注脚本之家的更多内容!
X 关闭
X 关闭
- 15G资费不大降！三大运营商谁提供的5G网速最快？中国信通院给出答案
- 2联想拯救者Y70发布最新预告：售价2970元起 迄今最便宜的骁龙8+旗舰
- 3亚马逊开始大规模推广掌纹支付技术 顾客可使用“挥手付”结账
- 4现代和起亚上半年出口20万辆新能源汽车同比增长30.6%
- 5如何让居民5分钟使用到各种设施？沙特“线性城市”来了
- 6AMD实现连续8个季度的增长 季度营收首次突破60亿美元利润更是翻倍
- 7转转集团发布2022年二季度手机行情报告：二手市场“飘香”
- 8充电宝100Wh等于多少毫安？铁路旅客禁止、限制携带和托运物品目录
- 9好消息！京东与腾讯续签三年战略合作协议 加强技术创新与供应链服务
- 10名创优品拟通过香港IPO全球发售4100万股 全球发售所得款项有什么用处？