pd.melt-盘一盘 Python 系列 - Cufflinks (下)

本文含8890字，37图表截屏

建议阅读46分钟

引言

本文是 系列的 补充篇。整套 盘一盘系列目录如下：

对于做数据分析的同学简直就是神器，可以让他们把注意力放在分析过程上，同时又能产出漂亮的可视图。

可以不严谨的分解成 、 和 iplot，如下图所示：

其中

由此可知， 直接在 上画图，而 是最基本的数据格式，因此很方便； 只是设定图形，而 iplot 才真正的把图给画出来。

本贴结构如下，第一章解释 iplot() 函数的参数含义，当你明晰所有参数该怎么用时，你会发现用 画图真的再简单不过了。第二章就“随意”画些图看看效果 (如以下视频所示)。

首先引入 包，并设置离线模式画图。

import cufflinks as cfcf.set_config_file(offline=True)

iplot 函数 API

用一个词形容 的 API 就是优雅，所有绘图实现都写在一个函数 iplot() 里。查看其函数签名可用以下语句：

df = pd.DataFrame()help(df.iplot)

绘图函数 iplot()是一招鲜吃遍天，常用参数的解释如下。尽管内容枯燥，建议一定认真读完，细节在魔鬼，读得越细就能实现越精巧的图。

kind：字符串格式，用于设置图的种类，具体值包括

散点图 、柱状图 bar、箱形图 box、差异图 、比率图 ratio、热力图 、平面图 、直方图 、气泡图 、三维气泡图 、三维散点图 、地理散点图 、K线图 ohlc、蜡烛图 、饼状图 pie、地图

title, , , ：字符串格式，用于设置图表标题、x 轴、y 轴和 z 轴标题 (只适用 3D 图)

theme：字符串格式，用于设置主题风格，可用cf.()查看，具体值包括

, pearl, solar, space, white, polar,

：字典、列表或字符串格式，用于设置颜色

：字符串格式，用于设置色阶，具体名称可用cf..scale()查看，如下图所示。在颜色字符串前加–前缀可以反转色阶。举例 “” 和 “-” 的色阶顺序正好相反。

fill：布尔格式，用于填充轨迹 (trace) 和坐标轴之间的空白。

width：字典、列表或整数格式，用于设置轨迹宽度

dash：字典、列表或字符串格式，用于设置轨迹风格

具体选项有实线 solid、虚线 dash、虚点 、点 dot

mode：字典、列表或字符串格式，用于设置轨迹模式

具体选项有折线lines、散点 、折线加散点 lines+、折线加文字lines+text、散点加文字 +text、折线加散点和文字 lines++text

：字典、列表或字符串格式，用于设置插值方法

具体选项有线性、三次样条 、 阶梯 hv 或 vh 或 vhv 或 hvh。

：字典、列表或字符串格式，用于设置标记类型，仅当mode含才适用

具体选项有圆形、圆形加点 -dot、菱形 、方形 等。

size：字符串或整数格式，用于设置标记大小，仅当mode含才适用。

：字符串格式，用于设置柱状类型，仅当kind = bar才适用，具体选项有分组 group、堆叠 stack、重叠 。

：布尔格式，用于递减排列柱状，仅当kind = bar才适用。

：浮点数格式，值在0和 1 之间，用于设置柱状的间隔，仅当kind = bar或才适用。

：浮点数格式，值在 0和 1 之间，用于设置柱状分组的间隔，仅当kind = bar或才适用。

bins：整数或元组格式，仅当kind = 才适用

：字符串格式，仅当kind = 才适用。具体选项有

：字符串格式，用于设置桶函数，仅当kind = 才适用。具体选项有计数函数count、求和函数 sum、平均函数 avg、最小值函数 min、最大值函数 max。

：字符串格式，用于设置形状的排放方式，h 代表水平 v 代表竖直，仅当kind = bar或或box才适用

：布尔或字符串格式，用于在箱形图中显示数据，仅当kind = box才适用，具体选项有离群值 、全部 all、可疑离群值 、不显示False。

：字典格式 {: text}，用于在点 上标注 text。

keys：列表格式，指定数据帧中的一组列标签用于排序。

：布尔或列表格式，用于拟合数据。

：字典或列表格式，用于设定数据拟合线的颜色。

：字符串格式，数据帧中用于区分类别的列标签

x：字符串格式，数据帧中用于 x 轴变量的列标签

y：字符串格式，数据帧中用于 y 轴变量的列标签

z：字符串格式，数据帧中用于 z 轴变量的列标签 (只适用 3D 图)

text：字符串格式，数据帧用于显示文字的列标签

：字符串格式，用于设定网格颜色

：字符串格式，用于设定零线颜色

：字符串格式，将数据帧中的里列标签设为饼状图每块的标签，仅当kind = pie才适用。

：字符串格式，将数据帧中的列数据的值设为饼状图每块的面积，仅当 kind = pie才适用。

：字符串格式，数据帧中用于第二个 y 轴变量的列标签

：字符串格式，用于设置第二个 y 轴标题

：布尔格式，如果 True 则画子图

shape：元组格式 (rows, cols)，仅当= True才适用，

：整数或浮点数格式，用于设置 x 轴变量的误差值

：整数或浮点数格式，用于设置 y 轴变量的误差值

：字符串格式，用于设定误差条形的类型，具体选项有 data、、、sqrt、、。

最后将图存成不同数据格式的布尔型参数：

其他参数** 可以让图更个性化，比如 shape，等pd.melt，这些在下节用具体例子来展示，读者一看就知道这些参数的效用了。

认真读参数含义！认真读参数含义！认真读参数含义！读完你就发现“诶，我怎么会用 画各式各样的图了”。

用 iplot 画图

数据

首先用 来下载四个股票的 2020 年到 2021年的最新数据，安装该 API 用一行代码：

pip install yahoofinancials

数据的描述如下

下面代码就是从 API 获取数据：

该 API 返回结果 是「字典」格式，样子非常丑陋，将上面的「原始数据」转换成 ，代码如下：

第 3 行完全是为了 里面的输入格式准备的。如果 Asset 是加密货币，直接用其股票代码；如果 Asset 是汇率，一般参数写成 或

第 6 行定义好开盘价、收盘价、最低价和最高价的标签。

第 7 行获取出一个「字典」格式的数据。

第 8, 9 行用列表解析式 (list ) 将日期和价格获取出来。

第 11 到 13 行定义一个

处理过后，将每个股票的收盘价合并成一个数据帧，打印其首尾三行得到：

df = pd.DataFrame()for code in stock_code:    data = data_converter( stock_daily, code, 'EQ' )    df[code] = data['close']
df.index = pd.to_datetime(df.index)df.head(3).append(df.tail(3))

接下来画图，代码简单到已经不需要额外文字解释了，对比着参数设置一下子就能找出图中相对应特征。

可视图

四只股票价格折线图，在 x 轴、y 轴和图上列出标题。

df.iplot( kind='line',           xTitle='日期',           yTitle='价格',           title='四只股票表现' )

由于股票价格量纲不同，有时候多只股票放在一起比较效果很差，比如你加入 AMZN，大概 3200 多，这样那些价格只有几十的股票折线几乎像一条水平线。下面做了标准化，将起始日的价格设为 100，再进行比较。

df.div(df.iloc[0,:]).mul(100).iplot( kind='line',                                      xTitle='日期',                                     yTitle='标准化后价格',                                     title='四只股票表现' )

画 FUTU 和 NIO 日收益率的散点图。注意参数 color 和 的用法 (以字典个格式传入参数值)。

df[['FUTU','NIO']].pct_change().iplot(kind='scatter', mode='markers', size=8,                                      color={'FUTU':'pink', 'NIO':'red'},                                      symbol={'FUTU':'diamond', 'NIO':'circle'},                                      xTitle='FUTU', yTitle='NIO', title='日收益率散点图')

画FUTU 和 NIO 价格的差异图。

df[['FUBO','NIO']].iplot(kind='spread',                         xTitle='日期',                          yTitle='价格',                          title='FUBO 和 NIO 价格差异图')

画FUTU 和 NIO 价格的比率图。

df[['FUBO','NIO']].iplot(kind='ratio',                          xTitle='日期',                          yTitle='价格',                          title='FUBO 和 NIO 价格比率图')

画四只股票日收益率的分组直方图。注意参数 和 的用法。

df.pct_change().iplot(kind='histogram',                       barmode='group', histnorm='probability',                       xTitle='日收益率', yTitle='概率', title='四只股票日收益率分组直方图')

画四只股票日收益率的堆叠直方图。注意参数 设为 stack。

df.pct_change().iplot(kind='histogram',                       barmode='stack',                      xTitle='日收益率', yTitle='概率', title='四只股票日收益率堆叠直方图')

下面四图分别画四只股票日收益率的直箱形图，前三个都是竖直展示箱 (参数 ='v')，并展示全部数据点、只展示离群点，和只展示可疑离群点，最后一天按水平展示箱 (参数 ='h')。

df.pct_change().iplot(kind='box',                       orientation='v', boxpoints='all',                      xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')

df.pct_change().iplot(kind='box',                      orientation='v', boxpoints='outliers',                      xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')

df.pct_change().iplot(kind='box',                       orientation='v', boxpoints='suspectedoutliers',                      xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')

df.pct_change().iplot(kind='box',                       orientation='h',                      xTitle='日收益率', yTitle='股票', title='四只股票日收益率箱形图')

画四只股票按季度收益率的柱状图。按季度用 ('Q') 来分组；计算累计收益用 apply() 将 np.prod(1+x)-1 应用到每组中所有的数据。

df.pct_change().resample('Q').apply(lambda x: np.prod(1+x)-1).        iplot(kind='bar',               xTitle='季度',              yTitle='收益率',              title='四只股票季度收益率柱状图')

画 NIO 和 DAO 的折线+拟合图，只需设置 为 True，此外还可用 和 设置折线和拟合线的颜色。

df[['NIO','DAO']].iplot( kind='scatter',                          bestfit=True,                          colors=['blue','red'],                         bestfit_colors=['blue','red'],                         xTitle='日期', yTitle='价格', title='最优线性拟合' )

画图四只股票月收益率的气泡图。代码稍微有些复杂，但还是能一行流写出 (尽管有几个断行)。如何 计算累计收益率前面已经讲了就不重复了，关键是先用 pd.melt() 将宽表变成长表pd.melt，使其用三列 date, code 和 value，然后分别设为气泡的 x 轴数据、y 轴数据、和气泡大小。最后用 code 来区分不同股票的月收益率，即用不同颜色区分。

pd.melt( df.pct_change()           .resample('M')           .apply(lambda x: np.prod(1+x)-1)           .reset_index(), id_vars=['date'], var_name='code' )        .iplot( kind='bubble',                 x='value', y='date', size='value',                 categories='code',                xTitle='收益率', yTitle='日期', title='四只股票月度收益率气泡图' )

回顾上面 iplot() 函数签名中，还有 ** 参数，比如添加水平线 (hline) 和竖直线 (vline)。

df[['FUTU']].iplot(hline=[40,60],                    vline=['2020-11-19'],                   xTitle='价格', yTitle='日期', title='FUTU 股价')

可用字典格式进一步设置水平线和竖直线的特征。

df[['FUTU']].iplot(hline=[dict(y=40,color='blue',width=10),                          dict(y=60,color='green',dash='dash')],                    vline=['2020-11-19'],                   xTitle='价格', yTitle='日期', title='FUTU 股价')

同理，可添加水平块 (hspan)和竖直块 (vspan)。

df[['FUTU']].iplot(hspan=[(40,60)],                   vspan=[('2020-11-19','2021-01-01')],                   xTitle='价格', yTitle='日期', title='FUTU 股价')

可用字典格式进一步设置水平块和竖直块的特征。

df[['FUTU']].iplot(hspan={'y0':40, 'y1':60, 'color':'black', 'fill':False},                    vspan={'x0':'2020-11-19', 'x1':'2021-01-01', 'color':'blue', 'fill':True, 'opacity':0.2},                   xTitle='价格', yTitle='日期', title='FUTU 股价')

画子图也可以实现，将 设为 True 即可。

df.iplot( subplots=True,           subplot_titles=True,           legend=False,          xTitle='日期', yTitle='价格', title='四只股票价格')

显式设定多图的布局也容易，用 shape 参数。

df.pct_change()[-30:].iplot( subplots=True,                              shape=(4,1),                              shared_xaxes=True,                              vertical_spacing=.02,                              fill=True,                             xTitle='日期', title='四只股票日收益率')

如果多图的布局不规则怎么办？如果每个子图的类型不一样怎么办？

好办！分四步：

将具体的子图一个个按顺序放入 cf.() 里

创建布局，用 cf.tools.()

设定每个子图占布局的位置，用 cf.() 并设置 specs

最后 cf.iplot() 画图即可

总结

很简单，一行 iplot 流

不简单，细节在魔鬼

熟读函数 API，很快能学会

付费精品视频课

8 节 数据分析 (NumPy//Scipy) 课：

11 节 基础课：

今年还会出 三个系列：