Python股票分析系列——基础股票数据操作（二）.p4
该系列视频已经搬运至bilibili： 点击查看
欢迎来到Python for Finance教程系列的第4部分。在本教程中，我们将基于Adj Close列创建烛台/ OHLC图，这将允许我介绍重新采样和其他一些数据可视化概念。
名为烛台图的OHLC图表是一种将开盘价Open，最高价High，最低价Low和收盘价Close数据全部集中在一个很好的格式中的图表。另外，它使得漂亮的颜色，并记住我告诉你关于美观的图表？
在之前的教程中已经涉及到了这一点：
import datetime as dt import matplotlib.pyplot as plt from matplotlib import style import pandas as pd import pandas_datareader.data as web style.use('ggplot') df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0)
不幸的是，即使创建OHLC数据，直接从Pandas制作烛台图也不是内置的。未来我确信这个图表类型将会被提供，但现在不是。没关系，we can make it！首先，我们需要import两个新的库：
from matplotlib.finance import candlestick_ohlc import matplotlib.dates as mdates
第一个导入是来自matplotlib的OHLC图形类型，第二个导入是特殊的mdates类型，它大多只是一个屁股疼痛，但这是matplotlib图形的日期类型。pandas会自动为你处理，但就像我说的那样，我们没有烛台的奢侈品。
首先，我们需要适当的OHLC数据。我们目前的数据确实有OHLC的价值，除非我错了，特斯拉从来没有分裂过，但是你永远不会这么幸运。因此，我们将创建我们自己的OHLC数据，这也将允许我们展示另一个来自Pandas的数据转换：
df_ohlc = df['Adj Close'].resample('10D').ohlc()
我们在这里所做的是创建一个基于df ['Adj Close']列的新数据框，重新封装10天的窗口，并且重采样是一个ohlc（开高低关闭）。我们也可以用.mean（）或.sum（）做10天的平均值或10天的总和。请记住，这10天的平均值是10天的平均值，而不是平均值。由于我们的数据是每日数据，因此将其重新采样为10天的数据会显着缩小数据的大小。这是你可以如何规范化多个数据集。有时，您可能会在每个月的一个月中记录一次每月记录的数据，每个月末记录的其他数据，以及最终每周记录一些数据。您可以每个月对该数据帧重新采样到月末，并有效地将其标准化！如果你喜欢的话，这是更高级的熊猫功能，你可以从熊猫系列中了解更多。
我们想要绘制烛台数据以及体积数据。我们不必重新采样数据，但我们应该，因为它与我们的10D定价数据相比太细致。
df_volume = df['Volume'].resample('10D').sum()
我们在这里使用金额，因为我们确实想知道在这10天内交易的总量，但您也可以使用平均值。现在如果我们这样做：
print(df_ohlc.head())
我们得到：
open high low close
Date
2010-06-29 23.889999 23.889999 15.800000 17.459999
2010-07-09 17.400000 20.639999 17.049999 20.639999
2010-07-19 21.910000 21.910000 20.219999 20.719999
2010-07-29 20.350000 21.950001 19.590000 19.590000
2010-08-08 19.600000 19.600000 17.600000 19.150000
这是预期的，但是，我们现在要将这些信息移动到matplotlib中，并将日期转换为mdates版本。由于我们只是要在Matplotlib中绘制列，所以我们实际上不希望日期成为索引，所以我们可以这样做：
df_ohlc = df_ohlc.reset_index（）
现在的日期只是一个普通的专栏。接下来，我们要转换它：
df_ohlc ['Date'] = df_ohlc ['Date']。map（mdates.date2num）
现在我们要设置这个数字：
fig = plt.figure（） ax1 = plt.subplot2grid（（6,1），（0,0），rowspan = 5，colspan = 1） ax2 = plt.subplot2grid（（6,1），（5,0），rowspan = 1，colspan = 1，sharex = ax1） ax1.xaxis_date（）
除了ax1.xaxis_date（）之外，您已经看到过的所有内容。这对我们来说就是将轴从原始的生成号码转换为日期。
现在我们可以绘制烛台图：
candlestick_ohlc（ax1，df_ohlc.values，width = 2，colorup ='g'）
然后做量：
ax2.fill_between（df_volume.index.map（mdates.date2num），df_volume.values，0）
fill_between函数将绘制x，y，然后填充/之间的内容。在我们的例子中，我们选择0。
plt.show()
完整代码：
import datetime as dt import matplotlib.pyplot as plt from matplotlib import style from matplotlib.finance import candlestick_ohlc import matplotlib.dates as mdates import pandas as pd import pandas_datareader.data as web style.use('ggplot') df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0) df_ohlc = df['Adj Close'].resample('10D').ohlc() df_volume = df['Volume'].resample('10D').sum() df_ohlc.reset_index(inplace=True) df_ohlc['Date'] = df_ohlc['Date'].map(mdates.date2num) ax1 = plt.subplot2grid((6,1), (0,0), rowspan=5, colspan=1) ax2 = plt.subplot2grid((6,1), (5,0), rowspan=1, colspan=1, sharex=ax1) ax1.xaxis_date() candlestick_ohlc(ax1, df_ohlc.values, width=5, colorup='g') ax2.fill_between(df_volume.index.map(mdates.date2num), df_volume.values, 0) plt.show()
在接下来的几个教程中，我们将留下可视化位，稍微讨论一下获取数据和处理数据。
