Python 金融编程第二版（GPT 重译）（三）（4）https://developer.aliyun.com/article/1559338
交互式 2D 绘图
matplotlib 允许创建静态位图对象或 PDF 格式的绘图。如今，有许多可用于基于 D3.js 标准创建交互式绘图的库。这些绘图可以实现缩放和悬停效果以进行数据检查，还可以轻松嵌入到网页中。
一个流行的平台和绘图库是Plotly。它专门用于数据科学的可视化，并在全球范围内广泛使用。Plotly 的主要优点是其与 Python 生态系统的紧密集成以及易于使用 — 特别是与 pandas 的 DataFrame 对象和包装器包 Cufflinks 结合使用时。
对于某些功能，需要使用 Plotly 的免费帐户，用户可以在平台本身 http://plot.ly 下注册。一旦授予凭据，它们应该被本地存储以供以后永久使用。所有相关详细信息都在使用 Plotly for Python 入门 中找到。
本节仅关注选定的方面，因为 Cufflinks 专门用于从存储在 DataFrame 对象中的数据创建交互式绘图。
基本绘图
要从 Jupyter Notebook 上下文开始，需要一些导入，并且应该打开 notebook 模式。
In [42]: import pandas as pd In [43]: import cufflinks as cf  In [44]: import plotly.offline as plyo  In [45]: plyo.init_notebook_mode(connected=True) 
导入 Cufflinks。
导入 Plotly 的离线绘图功能。
打开笔记本绘图模式。
提示
使用Plotly，还可以选择在Plotly服务器上呈现绘图。然而，笔记本模式通常更快，特别是处理较大数据集时。但是，像Plotly的流图服务之类的一些功能仅通过与服务器通信才可用。
后续示例再次依赖随机数，这次存储在具有DatetimeIndex的DataFrame对象中，即作为时间序列数据。
In [46]: a = np.random.standard_normal((250, 5)).cumsum(axis=0)  In [47]: index = pd.date_range('2019-1-1',  freq='B',  periods=len(a))  In [48]: df = pd.DataFrame(100 + 5 * a,  columns=list('abcde'),  index=index)  In [49]: df.head()  Out[49]: a b c d e 2019-01-01 109.037535 98.693865 104.474094 96.878857 100.621936 2019-01-02 107.598242 97.005738 106.789189 97.966552 100.175313 2019-01-03 101.639668 100.332253 103.183500 99.747869 107.902901 2019-01-04 98.500363 101.208283 100.966242 94.023898 104.387256 2019-01-07 93.941632 103.319168 105.674012 95.891062 86.547934
标准正态分布的（伪）随机数。
DatetimeIndex对象的开始日期。
频率（“business daily“）。
所需周期数。
原始数据进行线性转换。
将列标题作为单个字符。
DatetimeIndex对象。
前五行的数据。
Cufflinks为DataFrame类添加了一个新方法：df.iplot()。此方法在后台使用Plotly创建交互式图。本节中的代码示例都利用了将交互式图下载为静态位图的选项，然后将其嵌入到文本中。在 Jupyter Notebook 环境中，创建的绘图都是交互式的。下面代码的结果显示为<<>>。
In [50]: plyo.iplot(  df.iplot(asFigure=True),  # image ='png',  filename='ply_01'  )
这利用了Plotly的离线（笔记本模式）功能。
使用参数asFigure=True调用df.iplot()方法以允许本地绘图和嵌入。
image选项还提供了绘图的静态位图版本。
指定要保存的位图的文件名（文件类型扩展名会自动添加）。
图 7-22. 使用Plotly、pandas和Cufflinks绘制时间序列数据的线图
与matplotlib一般或pandas绘图功能一样，可用于自定义此类绘图的多个参数（参见图 7-23）：
In [51]: plyo.iplot( df[['a', 'b']].iplot(asFigure=True, theme='polar',  title='A Time Series Plot',  xTitle='date',  yTitle='value',  mode={'a': 'markers', 'b': 'lines+markers'},  symbol={'a': 'dot', 'b': 'diamond'},  size=3.5,  colors={'a': 'blue', 'b': 'magenta'},  ), # image ='png', filename='ply_02' )
选择绘图的主题（绘图样式）。
添加标题。
添加 x 标签。
添加 y 标签。
按列定义绘图模式（线条、标记等）。
按列定义要用作标记的符号。
为所有标记固定大小。
按列指定绘图颜色
图 7-23. DataFrame 对象的两列线图及自定义
与 matplotlib 类似，Plotly 允许使用多种不同的绘图类型。通过 Cufflinks 可用的绘图有：chart, scatter, bar, box, spread, ratio, heatmap, surface, histogram, bubble, bubble3d, scatter3d, scattergeo, ohlc, candle, pie 和 choroplet。作为与线图不同的绘图类型的示例，请考虑直方图（参见[链接即将到来]）：
In [52]: plyo.iplot( df.iplot(kind='hist',  subplots=True,  bins=15,  asFigure=True), # image ='png', filename='ply_03' )
指定绘图类型。
每列需要单独的子图。
设置 bins 参数（要使用的桶=要绘制的条形图）。
图 7-24. DataFrame 对象的每列直方图
金融图表
当处理金融时间序列数据时，Ploty、Cufflinks 和 pandas 的组合特别强大。Cufflinks 提供了专门的功能，用于创建典型的金融图，并添加典型的金融图表元素，例如相对强度指标（RSI），这只是一个例子。为此，创建了一个持久的 QuantFig 对象，可以像使用 Cufflinks 的 DataFrame 对象一样绘制。
此子部分使用真实的金融数据集：欧元/美元汇率的时间序列数据（来源：FXCM Forex Capital Markets Ltd.）。
In [53]: # data from FXCM Forex Capital Markets Ltd. raw = pd.read_csv('../../source/fxcm_eur_usd_eod_data.csv', index_col=0, parse_dates=True)  In [54]: raw.info()  <class 'pandas.core.frame.DataFrame'> DatetimeIndex: 2820 entries, 2007-06-03 to 2017-05-31 Data columns (total 10 columns): Time 2820 non-null object OpenBid 2820 non-null float64 HighBid 2820 non-null float64 LowBid 2820 non-null float64 CloseBid 2820 non-null float64 OpenAsk 2820 non-null float64 HighAsk 2820 non-null float64 LowAsk 2820 non-null float64 CloseAsk 2820 non-null float64 TotalTicks 2820 non-null int64 dtypes: float64(8), int64(1), object(1) memory usage: 242.3+ KB In [55]: quotes = raw[['OpenAsk', 'HighAsk', 'LowAsk', 'CloseAsk']]  quotes = quotes.iloc[-60:]  quotes.tail()  Out[55]: OpenAsk HighAsk LowAsk CloseAsk Date 2017-05-27 1.11808 1.11808 1.11743 1.11788 2017-05-28 1.11788 1.11906 1.11626 1.11660 2017-05-29 1.11660 1.12064 1.11100 1.11882 2017-05-30 1.11882 1.12530 1.11651 1.12434 2017-05-31 1.12434 1.12574 1.12027 1.12133
从逗号分隔值（CSV）文件中读取财务数据。
结果 DataFrame 对象包含多列和超过 2,800 行数据。
从 DataFrame 对象中选择四列（开-高-低-收）。
仅用于可视化的少量数据行。
结果数据集 quotes 的最后五行。
在实例化期间，QuantFig 对象将 DataFrame 对象作为输入，并允许进行一些基本的自定义。然后使用 qf.iplot() 方法绘制存储在 QuantFig 对象 qf 中的数据（参见图 7-25）。
In [56]: qf = cf.QuantFig( quotes,  title='EUR/USD Exchange Rate',  legend='top',  name='EUR/USD'  ) In [57]: plyo.iplot( qf.iplot(asFigure=True), # image ='png', filename='qf_01' )
DataFrame 对象传递给 QuantFig 构造函数。
添加图标题。
图例放置在图的顶部。
这给数据集起了个名字。
图 7-25. EUR/USD 数据的 OHLC 图
添加典型的金融图表元素，如 Bollinger 带，通过 QuantFig 对象的不同可用方法进行 (见图 7-26)。
In [58]: qf.add_bollinger_bands(periods=15,  boll_std=2)  In [59]: plyo.iplot(qf.iplot(asFigure=True), # image='png', filename='qf_02')
Bollinger 带的周期数。
用于带宽的标准偏差数。
图 7-26. EUR/USD 数据的 OHLC 图，带有 Bollinger 带
添加了某些金融指标，如 RSI，作为一个子图 (见图 7-27)。
In [60]: qf.add_rsi(periods=14,  showbands=False)  In [61]: plyo.iplot( qf.iplot(asFigure=True), # image='png', filename='qf_03' )
修复了 RSI 周期。
不显示上限或下限带。
图 7-27. EUR/USD 数据的 OHLC 图，带有 Bollinger 带和 RSI
结论
当涉及到 Python 中的数据可视化时，matplotlib 可以被认为是基准和工作马。它与 NumPy 和 pandas 紧密集成。基本功能易于方便地访问。然而，另一方面，matplotlib 是一个相当强大的库，具有一种相对复杂的 API。这使得在本章中无法对 matplotlib 的所有功能进行更广泛的概述。
本章介绍了在许多金融背景下有用的 matplotlib 的 2D 和 3D 绘图的基本功能。其他章节提供了如何在可视化中使用这个基本库的更多示例。
除了 matplotlib，本章还涵盖了 Plotly 与 Cufflinks 的组合。这种组合使得创建交互式 D3.js 图表成为一件方便的事情，因为通常只需在 DataFrame 对象上进行一次方法调用。所有的技术细节都在后端处理。此外，Cufflinks 通过 QuantFig 对象提供了一种创建带有流行金融指标的典型金融图表的简单方法。
进一步阅读
matplotlib 的主要资源可以在网络上找到：
matplotlib的主页，当然，是最好的起点：http://matplotlib.org。- 有许多有用示例的画廊：http://matplotlib.org/gallery.html。
- 一个用于 2D 绘图的教程在这里：http://matplotlib.org/users/pyplot_tutorial.html。
- 另一个用于 3D 绘图的是：http://matplotlib.org/mpl_toolkits/mplot3d/tutorial.html。
现在已经成为一种标准的例程去参考画廊，寻找合适的可视化示例，并从相应的示例代码开始。
Plotly 和 Cufflinks 的主要资源也可以在线找到：
matplotlib的主页：http://matplotlib.org- 一个 Python 入门教程：https://plot.ly/python/getting-started/
Cufflinks的 Github 页面：https://github.com/santosjorge/cufflinks
¹ 想了解可用的绘图类型概述，请访问matplotlib gallery。
# image=‘png’,
filename=‘qf_02’)
[外链图片转存中...(img-ECPzFeZ4-1717935621984)] Bollinger 带的周期数。 [外链图片转存中...(img-jBiuvj1H-1717935621985)] 用于带宽的标准偏差数。 [外链图片转存中...(img-zs176EML-1717935621985)] ###### 图 7-26\. EUR/USD 数据的 OHLC 图，带有 Bollinger 带 添加了某些金融指标，如 RSI，作为一个子图 (见图 7-27)。 ```py In [60]: qf.add_rsi(periods=14,  showbands=False)  In [61]: plyo.iplot( qf.iplot(asFigure=True), # image='png', filename='qf_03' )
[外链图片转存中…(img-FNuhWBIa-1717935621985)]
修复了 RSI 周期。
[外链图片转存中…(img-N5TcWdyb-1717935621985)]
不显示上限或下限带。
[外链图片转存中…(img-3j5w3LDD-1717935621985)]
图 7-27. EUR/USD 数据的 OHLC 图，带有 Bollinger 带和 RSI
结论
当涉及到 Python 中的数据可视化时，matplotlib 可以被认为是基准和工作马。它与 NumPy 和 pandas 紧密集成。基本功能易于方便地访问。然而，另一方面，matplotlib 是一个相当强大的库，具有一种相对复杂的 API。这使得在本章中无法对 matplotlib 的所有功能进行更广泛的概述。
本章介绍了在许多金融背景下有用的 matplotlib 的 2D 和 3D 绘图的基本功能。其他章节提供了如何在可视化中使用这个基本库的更多示例。
除了 matplotlib，本章还涵盖了 Plotly 与 Cufflinks 的组合。这种组合使得创建交互式 D3.js 图表成为一件方便的事情，因为通常只需在 DataFrame 对象上进行一次方法调用。所有的技术细节都在后端处理。此外，Cufflinks 通过 QuantFig 对象提供了一种创建带有流行金融指标的典型金融图表的简单方法。
进一步阅读
matplotlib 的主要资源可以在网络上找到：
matplotlib的主页，当然，是最好的起点：http://matplotlib.org。- 有许多有用示例的画廊：http://matplotlib.org/gallery.html。
- 一个用于 2D 绘图的教程在这里：http://matplotlib.org/users/pyplot_tutorial.html。
- 另一个用于 3D 绘图的是：http://matplotlib.org/mpl_toolkits/mplot3d/tutorial.html。
现在已经成为一种标准的例程去参考画廊，寻找合适的可视化示例，并从相应的示例代码开始。
Plotly 和 Cufflinks 的主要资源也可以在线找到：
matplotlib的主页：http://matplotlib.org- 一个 Python 入门教程：https://plot.ly/python/getting-started/
Cufflinks的 Github 页面：https://github.com/santosjorge/cufflinks
¹ 想了解可用的绘图类型概述，请访问matplotlib gallery。
