证券研究可视化数据 2份123456

import numpy as np import pandas as pd import matplotlib.dates as mdates from datetime import datetime from statsmodels.tsa.seasonal import seasonal_decompose import os # print(data_x) # 热力图------------- import matplotlib.pyplot as plt import seaborn as sns plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 import numpy as np import pandas as pd import re import matplotlib.dates as mdates from datetime import datetime from statsmodels.tsa.seasonal import seasonal_decompose import os # print(data_x) # 热力图------------- import matplotlib.pyplot as plt import seaborn as sns plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 datas = pd.read_excel("K线导出_000001_日线数据(1).xls") # ['证券代码', '证券名称', '交易时间', '开盘价', '最高价', '最低价', '收盘价', '涨跌', '涨跌幅%', '成交量', # '成交额'] print(datas.columns) data=datas[['开盘价', '最高价', '最低价', '收盘价', '涨跌', '涨跌幅%', '成交量']] print(data.head(5)) plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 plt.subplots(figsize=(20, 50)) print(data.corr()) sns.heatmap( data.corr( method='spearman').round(5), annot=True) plt.show() # 使用seaborn和matplotlib绘制箱线图 plt.figure(figsize=(10, 6)) # 绘制箱线图 sns.boxplot(data=data[['开盘价', '最高价', '最低价', '收盘价', '涨跌', '涨跌幅%']]) # 添加标题和标签 plt.title('特征分布箱线图') plt.xlabel('特征') plt.ylabel('值') # 显示图形 plt.show() # 示例数据 time_points =datas['交易时间'].values[:100] # 创建折线图 plt.plot(time_points,datas['最低价'].values[:100] , marker='^', linestyle='-', color='blue', label='Line 最低') plt.plot(time_points,datas['收盘价'].values[:100] , marker='p', linestyle='-', color='orange', label='Line 收盘') # 设置图形标题和坐标轴标签 plt.title('最低-收盘趋势图') plt.xlabel('时间') plt.ylabel('值') # 显示图例 plt.legend() # 显示图形 plt.show() # 创建折线图 plt.plot(time_points,datas['开盘价'].values[:100] , marker='+', linestyle='-', color='blue', label='Line 开盘') plt.plot(time_points,datas['最高价'].values[:100] , marker='*', linestyle='-', color='orange', label='Line 最高') # 设置图形标题和坐标轴标签 plt.title('开盘-最高趋势图') plt.xlabel('时间') plt.ylabel('值') # 显示图例 plt.legend() # 显示图形 plt.show() # data_x = np.isinf(data) # 处理数据中的异常值 # data_x=np.array(data_x,dtype=np.float16) # 示例数据，你可以替换为你自己的数据 timestamps =[i for i in range(len(data['收盘价'].values))] values = data['收盘价'].values # 计算均值 mean = np.mean(values) # 计算中位数 median = np.median(values) # 计算标准差 std_dev = np.std(values) # 计算方差 variance = np.var(values) print(f"均值：{mean}") print(f"中位数：{median}") print(f"标准差：{std_dev}") print(f"方差：{variance}") # 设置图形大小import matplotlib.dates as mdates # 创建箱线图 plt.figure(figsize=(6, 4)) sns.boxplot(data=values,color='orange') plt.title('箱线图') plt.show() # 使用 seaborn 绘制核密度估计图 sns.kdeplot(values, shade=True,color='orange') # 或者使用 sns.displot(data, kind='kde') # 绘制核密度估计图（新版 seaborn 中的 displot） # 设置图表标题和标签 plt.title('密度图') plt.xlabel('数据值') plt.ylabel('密度') # 显示图表 plt.show() # 使用 seaborn 绘制小提琴图 sns.violinplot(data=values,color='orange') # 设置图表标题和标签 plt.title('小提琴图') plt.ylabel('数据值') # 显示图表 plt.show() # 计算特征与目标列的相关性 correlation_matrix = data.corr() correlation_with_target = correlation_matrix['收盘价'].abs().sort_values(ascending=False) # 筛选与目标列相关性较高的特征 selected_features = correlation_with_target[correlation_with_target > 0.5].index # 打印相关性排序 print("特征与目标列的相关性排序close:") print(correlation_with_target) # 绘制柱状图显示相关性 plt.figure(figsize=(10, 6)) sns.barplot(x=correlation_with_target.values, y=correlation_with_target.index, palette='viridis') plt.title('Feature Correlation with 收盘价') plt.xlabel('Correlation') plt.ylabel('Feature') plt.show()