dates.append(btc_dict[‘date’])
months.append(int(btc_dict[‘month’]))
weeks.append(int(btc_dict[‘week’]))
weekdays.append(btc_dict[‘weekday’])
close.append(int(float(btc_dict[‘close’])))
‘’‘绘制收盘价对数变换折线图’‘’
line_chart = pygal.Line(x_label_rotation=20,show_minor_x_labels=False) #创建Line实例,进行一些设置
line_chart.title = ‘收盘价对数变换(¥)’
line_chart.x_labels = dates #设置x轴为日期,但是总共346个日期,如果都显示太拥挤,所以上面设置False
N = 20 #x轴坐标每隔20天显示一次
line_chart.x_labels_major = dates[::N]
close_log = [math.log10(_) for _ in close]
line_chart.add(‘log收盘价’,close_log)
line_chart.render_to_file(‘收盘价对数变换折线图(¥).svg’)
‘’‘现在,用对数变换剔除非线性趋势之后,整体上涨的趋势更接近线性增长。’‘’
从图可知:收盘价在每个季度末似乎有显著的周期性----3月,6月和9月都出现了剧烈的波动。那么,12月是不是也是如此呢?下面看看收盘价的月日均值与周日均值的表现。
(6)收盘价均值:
绘制2017年前11个月的日均值,前49周(2017年-01-02~2017-12-10)的日均值,以及每周中各天的日均值。虽然这些日均值的数值不同,但都是一段时间的均值,计算方法一致。所以,将前面的绘图代码封装成函数:
from itertools import groupby # 由于需要将数据按月份,周数,周几分组,再计算每组的平均值,因此导入此模块
def draw_line(x_data, y_data, title, y_legend):
xy_map = []
for x, y in groupby(sorted(zip(x_data, y_data)), key=lambda _: _[0]): # 先将x轴与y轴的数据合并,排序,再用groupby分组
y_list = [v for _, v in y]
xy_map.append([x, sum(y_list) / len(y_list)]) # 分组之后,求出每组的平均值
x_unique, y_mean = [*zip(*xy_map)] # 将xy_map中存储的x轴与y轴的数据分离
line_chart = pygal.Line()
line_chart.title = title
line_chart.x_labels = x_unique
line_chart.add(y_legend, y_mean)
line_chart.render_to_file(title+‘.svg’)
return line_chart
①收盘价月日均值(取2017年1月到11的数据。通过dates查找2017-12-01的索引位置,确定周数和收盘价的取数范围)
from itertools import groupby # 由于需要将数据按月份,周数,周几分组,再计算每组的平均值,因此导入此模块
import json
import pygal
#将数据加载到一个列表中
filename = ‘btc_close_2017.json’
with open(filename) as f:
btc_data = json.load(f)
创建五个列表,分别存储日期和收盘价
dates = []
months = []
weeks = []
weekdays = []
close = []
for btc_dict in btc_data:
dates.append(btc_dict[‘date’])
months.append(int(btc_dict[‘month’]))
weeks.append(int(btc_dict[‘week’]))
weekdays.append(btc_dict[‘weekday’])
close.append(int(float(btc_dict[‘close’])))
def draw_line(x_data, y_data, title, y_legend):
xy_map = []
for x, y in groupby(sorted(zip(x_data, y_data)), key=lambda _: _[0]): # 先将x轴与y轴的数据合并,排序,再用groupby分组
y_list = [v for _, v in y]
xy_map.append([x, sum(y_list) / len(y_list)]) # 分组之后,求出每组的平均值
x_unique, y_mean = [*zip(*xy_map)] # 将xy_map中存储的x轴与y轴的数据分离
line_chart = pygal.Line()
line_chart.title = title
line_chart.x_labels = x_unique
line_chart.add(y_legend, y_mean)
line_chart.render_to_file(title+‘.svg’)
return line_chart
收盘价月日均值:
idx_month = dates.index(‘2017-12-01’)
line_chart_month = draw_line(months[:idx_month], close[:idx_month], ‘收盘价月日均值(¥)’, ‘月日均值’)
②绘制前49周的日均值(2017年的第一周从2017年1月2日开始,取数时将第一天去掉;2017年第49周周日是2017年12月10号,因此通过dates查找2017-12-11的索引位置!)
idx_week = dates.index(‘2017-12-11’)
line_chart_week = draw_line(months[1:idx_week], close[1:idx_week], ‘收盘价周日均值(¥)’, ‘周日均值’)
③绘制每周中各天的均值(取前49周[2017-01-02~2017-12-10]的数据)
由于这里的周几是字符串,按周一到周日的顺序排列,而不是单词首字母的顺序,绘图时x轴标签的顺序会有问题。另外,原来的周几都是英文单词,还可将其调整为中文。
idx_week = dates.index(‘2017-12-11’)
wd = [‘Monday’, ‘Tuesday’, ‘Wednesday’, ‘Thursday’, ‘Friday’, ‘Saturday’, ‘Sunday’]
将weekdays的内容替换为1~7的整数
weekdays_int = [wd.index(w) + 1 for w in weekdays[1:idx_week]]
line_chart_weekday = draw_line(weekdays_int, close[1:idx_week], ‘收盘价星期均值(¥)’, ‘星期均值’)
line_chart_weekday.x_labels = [‘周一’, ‘周二’, ‘周三’, ‘周四’, ‘周五’, ‘周六’, ‘周日’]
④收盘价数据仪表盘
现在已经有很多图了,每个SVG文件打开之后都是独立的页面。如果能将它们整合一起,会很方便管理,监测和分析。另外,新的图表也可以十分方便的加入进来,这样就形成了一个数据仪表盘
‘’’ 将多张SVG文件整合在一起
就是做一个数据仪表盘,即一个完整的网页(HTML文件)
思路如下,.svg文件需要插件才能实现在网页中’‘’
with open(‘收盘价Dashboard.html’, ‘w’, encoding=‘utf8’) as html_file:
html_file.write(
‘\n\n\n’
‘
for svg in [
‘收盘价星期均值(¥).svg’, ‘收盘价对数变换折线图(¥).svg’, ‘收盘价月日均值(¥).svg’, ‘收盘价周日均值(¥).svg’]:
html_file.write(
感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
[外链图片转存中…(img-wVgXUQJW-1711093788318)]