2020.08.09更新:mplfinance模块在两个月前有更新(新版:0.12.6a3),有些参数有新的变化,详见正文内容。
目录(续二)
续:
Python的mpl_finance模块从2020年已经提醒弃用,新mplfinance模块详解(一)
三、make_addplot的基本用法
在金融数据分析中,我们要通过数据可视化展示的不仅是’Open’, ‘High’, ‘Low’, 'Close’和最常见‘ma’,还有一些其他分析数据,那么就要用到make_addplot()方法了,make_addplot可以接受一个pandas、numpy、array以及list格式的数据(tuple不可以),和**kwargs参数;需要注意的是:传递给make_addplot的数据参数必须与将来画图传递给plot的数据参数行数相同,**kwargs参数将全部传递到polt方法中。
下面准备了一组数据,但是column有点长,不能全部输出,这里分布输出了数据的columns和一部分数据:
Index(['Open', 'High', 'Low', 'Close', 'Volume', 'UpperB', 'LowerB', 'PercentB'],
dtype='object')
Open High ... LowerB PercentB
Date ...
2011-07-01 132.089996 134.100006 ... 125.316073 1.219057
2011-07-05 133.779999 134.080002 ... 124.912703 1.066618
2011-07-06 133.490005 134.139999 ... 124.627085 0.992467
2011-07-07 135.160004 135.699997 ... 124.284986 1.026222
2011-07-08 133.830002 135.360001 ... 124.140890 0.885916
... ... ... ... ... ...
2012-06-25 132.050003 132.100006 ... 128.120436 0.381896
2012-06-26 131.699997 132.380005 ... 128.084306 0.470585
2012-06-27 132.419998 133.429993 ... 128.140042 0.605441
2012-06-28 132.289993 132.990005 ... 128.219241 0.551922
2012-06-29 135.199997 136.270004 ... 128.792993 0.921670
[252 rows x 8 columns]
add_plot = mplfinance.make_addplot(data['LowerB'])
mplfinance.plot(data, addplot=add_plot)
plt.show() # 显示
输出结果:
如果要给图表添加多个数据绘制,直接用列表传入make_addplot即可,例如:
add_plot = mplfinance.make_addplot(data[['UpperB', 'LowerB']])
mplfinance.plot(data, addplot=add_plot)
plt.show() # 显示
输出结果:
把数据分析的结果标记到图像中
数据分析和可视化的目的是有分析结果,直接把结果展示的图表上将更加直观。先做个简单的数据分析,并把分析结果赋值到两个列表中,然后在绘图时标记到图表中,因为这里是标记,并非连续的线
,此时可以在make_addplot方法中使用marker,以及markersize和color设置标记的大小和颜色,这些参数都是直接传递给plot方法的。
def data_analyze(self, data: pandas.DataFrame):
"""
简单的数据分析,并把返回数据分析结果列表,分析的逻辑不重要,主要看如何绘制到图形中。
:param data:
:return:
"""
if data.shape[0] == 0:
data = self.data
s_list = []
b_list = []
b=-1
for i, v in data['High'].iteritems():
if v > data['UpperB'][i] and (b == -1 or b == 1):
b_list.append(data['Low'][i])
b = 0
else:
b_list.append(numpy.nan) # 这里添加nan的目的是,对齐主图的k线数量
if data['Low'][i] < data['LowerB'][i] and (b == -1 or b == 0):
s_list.append(v)
b = 1
else:
s_list.append(numpy.nan)
return b_list, s_list
b_list, s_list = self.data_analyze(data)
add_plot = [
mpf.make_addplot(b_list, scatter=True, markersize=200, marker='^', color='y'),
mpf.make_addplot(s_list, scatter=True, markersize=200, marker='v', color='r'),
mpf.make_addplot(data[['UpperB', 'LowerB']])]
mpf.plot(data, type='candle', addplot=add_plot, volume=True)
plt.show() # 显示
输出结果:
2020.08.09(v=0.12.6a3)更新make_addplot(一)
mpf.make_addplot的关键字参数scatter=True是绘制散点图的意思,新版更新为:type=‘scatter’,改成这种赋值模式个人的感觉就是在样式上做了功能扩展,仔细查看文档后果然:旧版绘制模式只有两种scatter=True或者line=True,而新版更新后增加了三种样式:‘bar’, ‘ohlc’, and ‘candle’,这个更新非常必要呀,之前附图只是 画成交量,现在可以画任意图像和数据了,比如两个不同蜡烛图对比。上面的代码中添加绘制数据的列表变量add_plot可以修改为:
add_plot = [
mpf.make_addplot(b_list, type='scatter', markersize=200, marker='^', color='y'),
mpf.make_addplot(s_list, type='scatter', markersize=200, marker='v', color='r'),
mpf.make_addplot(data[['UpperB', 'LowerB']])]
mpf.plot(data, type='candle', addplot=add_plot, volume=True)
这里 修改type=‘scatter’,没有使用其他格式,是怕给大家造成误解,因为这里直接修改其他模式是不行的,甚至会报语法错误,因为我们的原始数据是 不连续的,与主图的原始数据data不是一一对应的,无法使用其他模式,如果你要使用其他模式首先要 数据格式正确,比如你要绘制ohlc,那么给出的绘制数据就应该与原数据data格式相同。
在副图中绘制
plot绘图时是可以直接通过参数添加成交量副图的,如果想在副图中绘制数据可以在make_addplot中使用参数panel,直接上代码:
def data_analyze(self, data: pandas.DataFrame):
"""
简单的数据分析,并把返回数据分析结果列表,分析的逻辑不重要,主要看如何绘制到图形中。
:param data:
:return:
"""
if data.shape[0] == 0:
data = self.data
s_list = []
b_list = []
b=-1
for i, v in data['High'].iteritems():
if v > data['UpperB'][i] and (b == -1 or b == 1):
b_list.append(data['Low'][i])
b = 0
else:
b_list.append(numpy.nan) # 这里添加nan的目的是,对齐主图的k线数量
if data['Low'][i] < data['LowerB'][i] and (b == -1 or b == 0):
s_list.append(v)
b = 1
else:
s_list.append(numpy.nan)
return b_list, s_list
b_list, s_list = self.data_analyze(data)
add_plot = [
mpf.make_addplot(b_list, scatter=True, markersize=200, marker='^', color='y'),
mpf.make_addplot(s_list, scatter=True, markersize=200, marker='v', color='r'),
mpf.make_addplot(data[['UpperB', 'LowerB']]),
mpf.make_addplot(data['PercentB'], panel='lower', color='g', secondary_y='auto'),]
mpf.plot(data, type='candle', addplot=add_plot, volume=True)
plt.show() # 显示
输出结果:
这里注意的是副图的左右两侧都有Y轴标,而且数据不同,因为mplfinance为完整展示图像,自动分成了两个坐标轴,如果你绘制的数据较多,这里有可能会报错,如果出现这种情况,在使用plot绘制多组数据时需要使用参数secondary_y,有三个参数选项True, False, 和auto,默认是auto,因为绘制数据多出现报错时只能设置secondary_y=true(使用Y轴标)或/False(不使用)来覆盖,如果数据差异很大,设为False可能会导致看不到(实际上还是绘制了,只是在最顶上或最底下一条线看不清而已)。
2020.08.09(v=0.12.6a3)更新make_addplot(二)
旧版的mpf.make_addplot的关键字参数panel='lower’是在附图中绘制,新版改为:panel=1;默认是panel=0的,也就是说主图面板为0,附图为1,既然可以为1那么就可能有2、3、…、9,明显是新版可以绘制多个附图了!最多绘制9个附图。
2020.08.09(v=0.12.6a3)更新plot(一)
与上面的更新对应,既然可以绘制1、2、3…多个附图,那么在plot时就应该可以设置附图的比例,所有,plot中增加了参数:panel_ratios=(1, 1)来设置主图和附图的比例,第一个参数数主图,往后依次是附图,r如果有两个附图,比如:panel_ratios=(1, 1,0.5)。默认情况下主图高度是附图 的2.5倍。
修改主图Y轴刻度位置和设置线形
在绘图plot函数中使用关键字参数style='sas’可以把主图Y左边放到右边,默认是‘default’,
设置线型是参数linestyle,直接上代码吧,都是常用的参数:
def data_analyze(self, data: pandas.DataFrame):
"""
简单的数据分析,并把返回数据分析结果列表,分析的逻辑不重要,主要看如何绘制到图形中。
:param data:
:return:
"""
if data.shape[0] == 0:
data = self.data
s_list = []
b_list = []
b=-1
for i, v in data['High'].iteritems():
if v > data['UpperB'][i] and (b == -1 or b == 1):
b_list.append(data['Low'][i])
b = 0
else:
b_list.append(numpy.nan) # 这里添加nan的目的是,对齐主图的k线数量
if data['Low'][i] < data['LowerB'][i] and (b == -1 or b == 0):
s_list.append(v)
b = 1
else:
s_list.append(numpy.nan)
return b_list, s_list
b_list, s_list = self.data_analyze(data)
add_plot = [
mpf.make_addplot(b_list, scatter=True, markersize=200, marker='*', color='y'),
mpf.make_addplot(s_list, scatter=True, markersize=200, marker='s', color='r'),
mpf.make_addplot(data[['UpperB', 'LowerB']], linestyle='dashdot'),
mpf.make_addplot(data['PercentB'], panel='lower', color='g', secondary_y='auto'),
mpf.make_addplot(data['Adj Close'], color='b', linestyle='dotted', secondary_y=True)]
mpf.plot(data, type='candle', addplot=add_plot, volume=True, figscale=1.5, style='default')
plt.show() # 显示
输出结果:
这里需要注意的是style只能在plot方法中使用,不能在make_addplot方法中使用,而linestyle两者都可以用。
四、marketcolors和mpf_style以及其他常用设置
marketcolors设置图表颜色
"""
make_marketcolors() 设置k线颜色
:up 设置阳线柱填充颜色
:down 设置阴线柱填充颜色
:edge 设置蜡烛线边缘颜色 'i' 代表继承k线的颜色
:wick 设置蜡烛上下影线的颜色
:volume 设置成交量颜色
:inherit 是否继承, 如果设置了继承inherit=True,那么edge即便设了颜色也会无效
"""
my_color = mplfinance.make_marketcolors(up='cyan', down='red', edge='black', wick='black', volume='blue')
添加图表样式
这里的设置应该在plot方法之前设置,而设置完成marketcolors后需要使用mpf_style添加设置,最后plot()方法的关键字参数style=my_style 才会生效。下面添加mpf_style,最后一起展示效果。
"""
make_mpf_style() 设置mpf样式
:gridaxis:设置网格线位置,both双向
:gridstyle:设置网格线线型
:y_on_right:设置y轴位置是否在右
"""
my_style = mplfinance.make_mpf_style(marketcolors=my_color, gridaxis='both', gridstyle='-.', y_on_right=True)
这里要注意的是前面make_marketcolors的设置,必须这里作为关键字参数添加进来。其他几项常用设置:title:设置标题;ylabel 设置主图Y轴标题;ylabel_lower 设置成交量Y轴标题;savefig:导出图片路径以及文件名(包括后缀)。
最后一步绘图:
b_list, s_list = self.data_analyze(data)
add_plot = [
mplfinance.make_addplot(b_list, scatter=True, markersize=200, marker='*', color='y'),
mplfinance.make_addplot(s_list, scatter=True, markersize=200, marker='s', color='r'),
mplfinance.make_addplot(data[['UpperB', 'LowerB']], linestyle='dashdot'),
mplfinance.make_addplot(data['PercentB'], panel='lower', color='g', secondary_y='auto'),
mplfinance.make_addplot(data['Adj Close'], color='b', linestyle='dotted', secondary_y=True)]
"""
plot绘图的部分参数
:type设置图像类型'ohlc'/'candle'/'line/renko'
:mav 绘制平局线
:show_nontrading= True 显示非交易日(k线之间有间隔),False 不显示交易日,k线之间没有间隔
:title:设置标题
:ylabel=设置主图Y轴标题
:ylabel_lower 设置成交量一栏Y坐标标题
:figratio:设置图形纵横比
:figscale 设置图像的缩小或放大,1.5就是放大50%,最大不会超过电脑屏幕大小
:style 设置整个图表样式,可以使用前面设置的样式my_style,只能在plot函数中使用指定整个图表样式,不能在make_addplot中使用。
savefig:导出图片,填写文件名及后缀
"""
mplfinance.plot(data, type='candle', addplot=add_plot, volume=True, figscale=1.5, style=my_style,title='****报价', figratio=(5, 5), ylabel='价格', ylabel_lower='成交量', savefig='my_image.png')
plt.show() # 显示
输出结果:
2020.08.09(v=0.12.6a3)更新plot(二)
旧版plot可以通过参数savefig设置图像保存,保存的同时并不 影响 显示,而新版一旦设置了savefig图像将直接保存不再显示!
(持续未完)
续三:
Python的mpl_finance模块从2020年已经提醒弃用,新mplfinance模块详解(三)