Python的mpl_finance模块从2020年已经提醒弃用，新mplfinance模块详解（二）

置顶 qd-hhkj

已于 2023-03-18 16:22:32 修改

阅读量2.3w

点赞数 51

分类专栏： mplfinance笔记文章标签：可视化 python 数据分析 mpl_finance mplfinance

于 2020-04-27 17:28:29 首次发布

本文链接：https://blog.csdn.net/wuwei_201/article/details/105783640

版权

mplfinance笔记专栏收录该内容

6 篇文章 86 订阅

订阅专栏

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。

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：
布林线down
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：
布林upanddown

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：
数据分析

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：
副图指标
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：
end

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）

qd-hhkj

关注

51
点赞
踩
185

收藏

觉得还不错? 一键收藏
89
评论
Python的mpl_finance模块从2020年已经提醒弃用，新mplfinance模块详解（二）

目录（续二）三、make_addplot的基本用法把数据分析的结果标记到图像中在副图中绘制修改主图Y轴刻度位置和设置线形续：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’，...
复制链接

扫一扫