python可视化选股

Ⅰ python编程这门科目是用来编写股票指标和选股器的吗

python是一门语言补丁，最大的优势在于拥有众多的包，很多事情都可以做。而在数据分析领域提供了pandas，numpy，matplotlib等进行数据可视化，用于股票，自然也是可以的

Ⅱ Python中数据可视化的两个库！

1. Matplotlib：是Python中众多数据可视化库的鼻祖，其设计风格与20世纪80年代的商业化程序语言MATLAB十分相似，具有很多强大且复杂的可视化功能;还包含了多种类型的API，可以采用多种方式绘制图标并对图标进行定制。
2. Seaborn：是基于Matplotlib进行高级封装的可视化库，支持交互式界面，使绘制图表功能变得简单，且图表的色彩更具吸引力。
3. ggplot：是基于Matplotlib并旨在以简单方式提高Matplotlib可视化感染力的库，采用叠加图层的形式绘制图形，比如先绘制坐标轴所在的图层，再绘制点所在的图层，最后绘制线所在的图层，但其并不适用于个性化定制图形。
4. Boken：是一个交互式的可视化库，支持使用Web浏览器展示，可使用快速简单的方式将大型数据集转换成高性能的、可交互的、结构简单的图表。
5. Pygal：是一个可缩放矢量图标库，用于生成可在浏览器中打开的SVG格式的图表，这种图表能够在不同比例的屏幕上自动缩放，方便用户交互。
6. Pyecharts：是一个生成ECharts的库，生成的ECharts凭借良好的交互性、精巧的设计得到了众多开发者的认可。

Ⅲ python数据可视化--可视化概述

数据可视化是python最常见的应用领域之一，数据可视化是借助图形化的手段将一组数据以图形的形式表达出来，并利用数据分析和开发工具发现其中未知信息的数据处理过程。

在学术界有一句话广为流传，A picture worths thousand words，就是一图值千言。在课堂上，我经常举的例子就是大家在刷朋友圈的时候如果看到有人转发一篇题目很吸引人的文章时，我们都会点击进去，可能前几段话会很认真地看，文章很长的时候后面就会一目十行，失去阅读的兴趣。

所以将数据、表格和文字等内容用图表的形式表达出来，既能提高读者阅读的兴趣，还能直观表达想要表达的内容。

python可视化库有很多，下面列举几个最常用的介绍一下。

matplotlib

它是python众多数据可视化库的鼻祖，也是最基础的底层数据可视化第三方库，语言风格简单、易懂，特别适合初学者入门学习。

seaborn

Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

pyecharts

pyecharts是一款将python与echarts结合的强大的数据可视化工具，生成的图表精巧，交互性良好，可轻松集成至 Flask，Sanic，Django 等主流 Web 框架，得到众多开发者的认可。

bokeh

bokeh是一个面向web浏览器的交互式可视化库，它提供了多功能图形的优雅、简洁的构造，并在大型数据集或流式数据集上提供高性能的交互性。

python这些可视化库可以便捷、高效地生成丰富多彩的图表，下面列举一些常见的图表。

柱形图

条形图

坡度图

南丁格尔玫瑰图

雷达图

词云图

散点图

等高线图

瀑布图

相关系数图

散点曲线图

直方图

箱形图

核密度估计图

折线图

面积图

日历图

饼图

圆环图

马赛克图

华夫饼图

还有地理空间型等其它图表，就不一一列举了，下节开始我们先学习matplotlib这个最常用的可视化库。

Ⅳ 强烈推荐一款Python可视化神器！强烈必备！

Plotly Express 是一个新的高级 Python 可视化库：它是 Plotly.py 的高级封装，它为复杂的图表提供了一个简单的语法。

受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，您就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。 它带有数据集、颜色面板和主题，就像 Plotly.py 一样。

Plotly Express 完全免费：凭借其宽松的开源 MIT 许可证，您可以随意使用它（是的，甚至在商业产品中！）。

最重要的是，Plotly Express 与 Plotly 生态系统的其他部分完全兼容：在您的 Dash 应用程序中使用它，使用 Orca 将您的数据导出为几乎任何文件格式，或使用JupyterLab 图表编辑器在 GUI 中编辑它们！

用 pip install plotly_express 命令可以安装 Plotly Express。

一旦导入Plotly Express（通常是 px ），大多数绘图只需要一个函数调用，接受一个整洁的Pandas dataframe，并简单描述你想要制作的图。 如果你想要一个基本的散点图，它只是 px.scatter（data，x =“column_name”，y =“column_name”）。

以下是内置的 Gapminder 数据集的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：

如果你想通过大陆区分它们，你可以使用 color 参数为你的点着色，由 px 负责设置默认颜色，设置图例等：

这里的每一点都是一个国家，所以也许我们想要按国家人口来衡量这些点...... 没问题：这里也有一个参数来设置，它被称为 size：

如果你好奇哪个国家对应哪个点？ 可以添加一个 hover_name ，您可以轻松识别任何一点：只需将鼠标放在您感兴趣的点上即可！ 事实上，即使没有 hover_name ，整个图表也是互动的：

也可以通过 facet_col =”continent“ 来轻松划分各大洲，就像着色点一样容易，并且让我们使用 x轴 对数（log_x）以便在我们在图表中看的更清晰：

也许你不仅仅对 2007年 感兴趣，而且你想看看这张图表是如何随着时间的推移而演变的。 可以通过设置 animation_frame=“year” （以及 animation_group =“country” 来标识哪些圆与控制条中的年份匹配）来设置动画。

在这个最终版本中，让我们在这里调整一些显示，因为像“gdpPercap” 这样的文本有点难看，即使它是我们的数据框列的名称。 我们可以提供更漂亮的“标签” （labels），可以在整个图表、图例、标题轴和悬停（hovers）中应用。 我们还可以手动设置边界，以便动画在整个过程中看起来更棒：

因为这是地理数据，我们也可以将其表示为动画地图，因此这清楚地表明 Plotly Express 不仅仅可以绘制散点图（不过这个数据集缺少前苏联的数据）。

事实上，Plotly Express 支持三维散点图、三维线形图、极坐标和地图上三元坐标以及二维坐标。 条形图（Bar）有二维笛卡尔和极坐标风格。

进行可视化时，您可以使用单变量设置中的直方图（histograms）和箱形图（box）或小提琴图（violin plots），或双变量分布的密度等高线图（density contours）。 大多数二维笛卡尔图接受连续或分类数据，并自动处理日期/时间数据。 可以查看我们的图库 (ref-3) 来了解每个图表的例子。

数据 探索 的主要部分是理解数据集中值的分布，以及这些分布如何相互关联。 Plotly Express 有许多功能来处理这些任务。

使用直方图（histograms），箱形图（box）或小提琴图（violin plots）可视化单变量分布：

直方图：

箱形图：

小提琴图：

还可以创建联合分布图（marginal rugs），使用直方图，箱形图（box）或小提琴来显示双变量分布，也可以添加趋势线。 Plotly Express 甚至可以帮助你在悬停框中添加线条公式和R²值！ 它使用 statsmodels 进行普通最小二乘（OLS）回归或局部加权散点图平滑（LOWESS）。

在上面的一些图中你会注意到一些不错的色标。 在 Plotly Express 中， px.colors 模块包含许多有用的色标和序列：定性的、序列型的、离散的、循环的以及所有您喜欢的开源包：ColorBrewer、cmocean 和 Carto 。 我们还提供了一些功能来制作可浏览的样本供您欣赏（ref-3）：

定性的颜色序列：

众多内置顺序色标中的一部分：

我们特别为我们的交互式多维图表感到自豪，例如散点图矩阵（SPLOMS）、平行坐标和我们称之为并行类别的并行集。 通过这些，您可以在单个图中可视化整个数据集以进行数据 探索 。 在你的Jupyter 笔记本中查看这些单行及其启用的交互：

散点图矩阵（SPLOM）允许您可视化多个链接的散点图：数据集中的每个变量与其他变量的关系。 数据集中的每一行都显示为每个图中的一个点。 你可以进行缩放、平移或选择操作，你会发现所有图都链接在一起！

平行坐标允许您同时显示3个以上的连续变量。 dataframe 中的每一行都是一行。 您可以拖动尺寸以重新排序它们并选择值范围之间的交叉点。

并行类别是并行坐标的分类模拟：使用它们可视化数据集中多组类别之间的关系。

Plotly Express 之于 Plotly.py 类似 Seaborn 之于 matplotlib：Plotly Express 是一个高级封装库，允许您快速创建图表，然后使用底层 API 和生态系统的强大功能进行修改。 对于Plotly 生态系统，这意味着一旦您使用 Plotly Express 创建了一个图形，您就可以使用Themes，使用 FigureWidgets 进行命令性编辑，使用 Orca 将其导出为几乎任何文件格式，或者在我们的 GUI JupyterLab 图表编辑器中编辑它 。

主题（Themes）允许您控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。 您可以使用模板参数应用任何命名的主题或主题对象：

有三个内置的 Plotly 主题可以使用， 分别是 plotly， plotlywhite 和 plotlydark。

px 输出继承自 Plotly.py 的 Figure 类 ExpressFigure 的对象，这意味着你可以使用任何 Figure 的访问器和方法来改变 px生成的绘图。 例如，您可以将 .update（） 调用链接到 px 调用以更改图例设置并添加注释。 .update（） 现在返回修改后的数字，所以你仍然可以在一个很长的 Python 语句中执行此操作：

在这里，在使用 Plotly Express 生成原始图形之后，我们使用 Plotly.py 的 API 来更改一些图例设置并添加注释。

Dash 是 Plotly 的开源框架，用于构建具有 Plotly.py 图表的分析应用程序和仪表板。Plotly Express 产生的对象与 Dash 100％兼容，只需将它们直接传递到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 这是一个非常简单的 50行 Dash 应用程序的示例，它使用 px 生成其中的图表：

这个 50 行的 Dash 应用程序使用 Plotly Express 生成用于浏览数据集的 UI 。

可视化数据有很多原因：有时您想要提供一些想法或结果，并且您希望对图表的每个方面施加很多控制，有时您希望快速查看两个变量之间的关系。 这是交互与 探索 的范畴。

Plotly.py 已经发展成为一个非常强大的可视化交互工具：它可以让你控制图形的几乎每个方面，从图例的位置到刻度的长度。 不幸的是，这种控制的代价是冗长的：有时可能需要多行 Python 代码才能用 Plotly.py 生成图表。

我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于 探索 和快速迭代。

我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表。 然而，正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表。

支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入。 每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让您直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列。 当您键入 px.scatter（data，x ='col1'，y='col2'） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置）。 这种方法的强大之处在于它以相同的方式处理所有可视化变量：您可以将数据框列映射到颜色，然后通过更改参数来改变您的想法并将其映射到大小或进行行分面（facet-row）。

接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间，因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的。

仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：您整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑您的数据！

在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名，以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar， scatter_ternary）所以你可以通过自动补全来发现它们。 我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数，特别是它们的坐标系。 也就是说，共享坐标系的函数集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习。 我们还花了很多精力来提出简短而富有表现力的名称，这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中。

最后，Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展。所以不要犹豫，立即开始使用 Plotly Express 吧！

Ⅳ Python中数据可视化经典库有哪些

Python有很多经典的数据可视化库，比较经典的数据可视化库有下面几个。

matplotlib

是Python编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向应用程序嵌入式绘图提供了应用程序接口。

pyplot 是 matplotlib 的一个模块，它提供了一个类似 MATLAB 的接口。 matplotlib 被设计得用起来像 MATLAB，具有使用 Python 的能力。

优点：绘图质量高，可绘制出版物质量级别的图形。代码够简单，易于理解和扩展，使绘图变得轻松，通过Matplotlib可以很轻松地画一些或简单或复杂的图形，几行代码即可生成直方图、条形图、散点图、密度图等等，最重要的是免费和开源。

优点：用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。

上面是我的回答，希望对您有所帮助！

Ⅵ 数字黑洞：python-matplotlib来实现可视化

1 说明

=====

1.1 2020年诺贝尔生物理学奖获得者：

英国科学家 罗杰·彭罗斯（Roger Penrose） ，因他发现 黑洞 的形成是广义相对论的一个预言；

德国科学家 莱因哈德·根泽尔（Reinhard Genzel） &

美国女科学家 安德烈亚·盖兹（Andrea Ghez） ，因他们发现银河系中心的超大质量致密天体。

1.2 数字黑洞与python-matplotlib可视化

==============================

1.2.1 数字黑洞：

无论怎样数值，在规定的处理法则下，最终都将得到固定的一个值，再也跳不出去了，

就像宇宙中的黑洞可以将任何物质，以及运行速度最快的光牢牢吸住，不使它们逃脱一样。

1.2.2 看似无聊，但是数学是宇宙中一切的基础。

1.2.3 一个有意思的数字 游戏 ，即：输入一个非0的自然数，

若为奇数则*3-1；若是偶数则/2，并且得到的自然数继续进行这样的运算，到1则停止

（会导致最后五个数值都是： 1 回落）特点在于：

不论输入什么自然数（0除外），最终的结果都是1，就像黑洞一样,无论什么数字都无法逃脱。

1.2.4 python-matplotlib可视化来看看效果：

2 matplotlib代码

============

2.1 基础代码1：

来自这篇文章

2.2 完整版matplotlib可视化代码2：

2.3 后10位数字黑洞数值的可视化代码3：

3 当然数字黑洞还有很多，上面只是其中一个方法，最终回落1，就像宇宙中的黑洞存在。

Ⅶ Python数据可视化利器Matplotlib从入门到高级4

2D曲线绘制是Matplotlib绘图的最基本功能，也是用得最多、最重要的绘图功能之一，本文开始详细介绍Matplotlib 2D曲线绘图功能。我的介绍主要以面向对象的编码风格为主，但会在文章的末尾附上相应的pyplot风格的源代码，供大家查阅、对比。我们先看一段代码：

代码运行效果如下：

这个绘图中我们没有作任何设置，一切交给Matplotlib处理。我们只是看到了绘制出的曲线的样子。但这与我们所想要的效果可能差异较大。所以我们还需要对图形进行一些自定义。

不管我们想生成什么样的图形，在Matplotlib当中，大致都可以总结为三步：一是构造绘图用的数据（Matplotlib推荐numpy数据，本系列介绍Matplotlib绘图，暂不涉及numpy的相关内容，留待后续有空余时吧）；二是根据数据的特点选择适当的绘图方法并绘制出数据的图形；第三步则是对绘制的图形进行自定义设置或者美化以达到满足我们获得精美的输出图形的要求。

在上面的绘图中，我们仅仅做到了第二步，下面我们来进行一些自定义，而Matplotlib为此提供了非常丰富的功能。

你可能最想先尝试一下换个颜色看看曲线是什么样的，这有很多种方法。首先，我们可以在绘制图形的时候直接指定它，我们把绘图的代码改成下面的样子：

这里的 ‘r’ 是 “red”的简写，表示将曲线的颜色指定为红色。也可以写成下面的样子，这样可读性更高：

plot 返回一个 Line2D 对象的列表，我们使用一个带有“ line1, ”的元组来解包，随后使用 set_color() 代码设置line1 曲线的颜色，请注意这里设置的颜色会覆盖 plot 绘图函数当中指定的颜色。上面三段代码各自独立运行之后的效果是一样的。如下：

为了提高效率，Matplotlib模仿MATLAB支持常用颜色的单字母代码缩写。

你还可以使用不区分大小写的十六进制 RGB 或 RGBA 字符串（如：'#0f0f0f'），或者不区分大小写的 X11/CSS4 颜色名称（如：'aquamarine'），以及来自 xkcd color survey 的不区分大小写的颜色名称（如：'xkcd:sky blue'）等等。更为详细的颜色规范，你可以查阅官方文档。但对于Python办公而言，掌握这些应该已经足够了。

与曲线颜色一样，线型和线宽也有多种方式来指定：

这里我们最终指定的线宽为2.0磅，绘图函数当中指定的线宽被后续指定的属性值覆盖了。而线型在这里由set_linestyle()指定，其中“--”和“-.”都是Matplotlib中支持的线型，“--”表示虚线，而“-.”则是点划线。而Matplotlib默认的线型“-”实线，除此之外，Matplotlib还支持“:”点线。

我们绘制曲线之前构造的数据点在曲线上也可以标记出来，这些标记点有不同的风格。同样可以以不同的方式来设置它：

注意第一行代码当中的“r:o”字符串，它是一种简写形式，是将颜色、线型和标记点形状在一个字符串中同时设置的方式，其中的“r”表示红色，“:”表示点线，“o”表示标记点为大圆点。只有在颜色使用单字符代码时才可以像上面这样组合起来同时表示三个属性。默认情况下，标记点的颜色与线型颜色相同，但可以单独设置与曲线不同的颜色，不仅如此，标记点的边线颜色和中间填充颜色也都可以单独设置。上面第二行代码我们就使用set_markeredgecolor('b')将标记点边线颜色设置为了蓝色。与标记点设置相关的还有set_marker（设置标记点形状）、set_markeredgewidth（设置标记点边线宽度）、set_markerfacecolor（设置标记点中间的填充色）、set_markersize （设置标记点的大小）等。下面是我整理的Matplotlib支持的所有标记点形状。

本文先介绍到此，后续进一步介绍坐标轴、图例和网格线的设置。最后附上本文pyplot风格的绘图代码：

显然这种简单绘图pyplot风格要简洁一些，还是很有优势的。

Ⅷ 121 11 个案例掌握 Python 数据可视化--星际探索

星空是无数人梦寐以求想了解的一个领域，远古的人们通过肉眼观察星空，并制定了太阴历，指导农业发展。随着现代科技发展，有了更先进的设备进行星空的探索。本实验获取了美国国家航空航天局（NASA）官网发布的地外行星数据，研究及可视化了地外行星各参数、寻找到了一颗类地行星并研究了天体参数的相关关系。
输入并执行魔法命令 %matplotlib inline， 设置全局字号，去除图例边框，去除右侧和顶部坐标轴。

本数据集来自 NASA，行星发现是 NASA 的重要工作之一，本数据集搜集了 NASA 官网发布的 4296 颗行星的数据，本数据集字段包括：

导入数据并查看前 5 行。

截至 2020 年 10 月 22 日 全球共发现 4296 颗行星，按年聚合并绘制年度行星发现数，并在左上角绘制 NASA 的官方 LOGO 。

从运行结果可以看出，2005 年以前全球行星发现数是非常少的，经计算总计 173 颗，2014 和 2016 是行星发现成果最多的年份，2016 年度发现行星 1505 颗。

对不同机构/项目/计划进行聚合并降序排列，绘制发现行星数目的前 20 。

2009 年至 2013 年，开普勒太空望远镜成为有史以来最成功的系外行星发现者。在一片天空中至少找到了 1030 颗系外行星以及超过 4600 颗疑似行星。当机械故障剥夺了该探测器对于恒星的精确定位功能后，地球上的工程师们于 2014 年对其进行了彻底改造，并以 K2 计划命名，后者将在更短的时间内搜寻宇宙的另一片区域。

对发现行星的方式进行聚合并降序排列，绘制各种方法发现行星的比例，由于排名靠后的几种方式发现行星数较少，因此不显示其标签。

行星在宇宙中并不会发光，因此无法直接观察，行星发现的方式多为间接方式。从输出结果可以看出，发现行星主要有以下 3 种方式，其原理如下：

针对不同的行星质量，绘制比其质量大（或者小）的行星比例，由于行星质量量纲分布跨度较大，因此采用对数坐标。

从输出结果可以看出，在已发现的行星中，96.25% 行星的质量大于地球。（图中横坐标小于 e 的红色面积非常小）

通过 sns.distplot 接口绘制全部行星的质量分布图。

从输出结果可以看出，所有行星质量分布呈双峰分布，第一个峰在 1.8 左右（此处用了对数单位，表示大约 6 个地球质量），第二个峰在 6.2 左右（大概 493 个地球质量）。

针对不同发现方式发现的行星，绘制各行星的公转周期和质量的关系。

从输出结果可以看出：径向速度（Radial Velocity）方法发现的行星在公转周期和质量上分布更宽，而凌日（Transit）似乎只能发现公转周期相对较短的行星，这是因为两种方法的原理差异造成的。对于公转周期很长的行星，其运行到恒星和观察者之间的时间也较长，因此凌日发现此类行星会相对较少。而径向速度与其说是在发现行星，不如说是在观察恒星，由于恒星自身发光，因此其观察机会更多，发现各类行星的可能性更大。

针对不同发现方式发现的行星，绘制各行星的距离和质量的关系。

从输出结果可以看出，凌日和径向速度对距离较为敏感，远距离的行星大多是通过凌日发现的，而近距离的行星大多数通过径向速度发现的。原因是：近距离的行星其引力对恒星造成的摆动更为明显，因此更容易观察；当距离较远时，引力作用变弱，摆动效应减弱，因此很难借助此方法观察到行星。同时，可以观察到当行星质量更大时，其距离分布相对较宽，这是因为虽然相对恒星的距离变长了，但是由于行星质量的增加，相对引力也同步增加，恒星摆动效应会变得明显。

将所有行星的质量和半径对数化处理，绘制其分布并拟合其分布。
由于：

因此，从原理上质量对数与半径对数应该是线性关系，且斜率为定值 3 ，截距的大小与密度相关。

从输出结果可以看出：行星质量和行星半径在对数变换下，具有较好的线性关系。输出 fix_xy 数值可知，其关系可以拟合出如下公式：

拟合出曲线对应的行星平均密度为：

同样的方式绘制恒星质量与半径的关系。

从输出结果可以看出，恒星与行星的规律不同，其质量与半径在对数下呈二次曲线关系，其关系符合以下公式：

同样的方式研究恒星表面重力加速度与半径的关系。

从输出结果可以看出，恒星表面对数重力加速度与其对数半径呈现较好的线性关系：

以上我们分别探索了各变量的分布和部分变量的相关关系，当数据较多时，可以通过 pd.plotting.scatter_matrix 接口，直接绘制各变量的分布和任意两个变量的散点图分布，对于数据的初步探索，该接口可以让我们迅速对数据全貌有较为清晰的认识。

通过行星的半径和质量，恒星的半径和质量，以及行星的公转周期等指标与地球的相似性，寻找诸多行星中最类似地球的行星。

从输出结果可以看出，在 0.6 附近的位置出现了一个最大的圆圈，那就是我们找到的类地行星 Kepler - 452 b ，让我们了解一下这颗行星：

数据显示，Kepler - 452 b 行星公转周期为 384.84 天，半径为 1.63 地球半径，质量为 3.29 地球质量；它的恒星为 Kepler - 452 半径为太阳的 1.11 倍，质量为 1.04 倍，恒星方面数据与太阳相似度极高。
以下内容来自网络。 开普勒452b（Kepler 452b） ，是美国国家航空航天局（NASA）发现的外行星， 直径是地球的 1.6 倍，地球相似指数( ESI )为 0.83，距离地球1400光年，位于为天鹅座。
2015 年 7 月 24 日 0：00，美国国家航空航天局 NASA 举办媒体电话会议宣称，他们在天鹅座发现了一颗与地球相似指数达到 0.98 的类地行星开普勒 - 452 b。这个类地行星距离地球 1400 光年，绕着一颗与太阳非常相似的恒星运行。开普勒 452 b 到恒星的距离，跟地球到太阳的距离相同。NASA 称，由于缺乏关键数据，现在不能说 Kepler - 452 b 究竟是不是“另外一个地球”，只能说它是“迄今最接近另外一个地球”的系外行星。

在银河系经纬度坐标下绘制所有行星，并标记地球和 Kepler - 452 b 行星的位置。

类地行星，是人类寄希望移民的第二故乡，但即使最近的 Kepler-452 b ，也与地球相聚 1400 光年。

以下通过行星的公转周期和质量两个特征将所有行星聚为两类，即通过训练获得两个簇心。
定义函数-计算距离
聚类距离采用欧式距离：

定义函数-训练簇心
训练簇心的原理是：根据上一次的簇心计算所有点与所有簇心的距离，任一点的分类以其距离最近的簇心确定。依此原理计算出所有点的分类后，对每个分类计算新的簇心。

定义函数预测分类
根据训练得到的簇心，预测输入新的数据特征的分类。

开始训练
随机生成一个簇心，并训练 15 次。

绘制聚类结果
以最后一次训练得到的簇心为基础，进行行星的分类，并以等高面的形式绘制各类的边界。

从运行结果可以看出，所有行星被分成了两类。并通过上三角和下三角标注了每个类别的簇心位置。
聚类前
以下输出了聚类前原始数据绘制的图像。

Ⅸ python可视化神器——pyecharts库

无意中从今日头条中看到的一篇文章，可以生成简单的图表。据说一些大数据开发们也是经常用类似的图表库，毕竟有现成的，改造下就行，谁会去自己造轮子呢。

pyecharts是什么？

pyecharts 是一个用于生成 Echarts 图表的类库。Echarts 是网络开源的一个数据可视化 JS 库。用 Echarts 生成的图可视化效果非常棒， pyecharts 是为了与 Python 进行对接，方便在 Python 中直接使用数据生成图 。使用pyecharts可以生成独立的网页，也可以在flask、django中集成使用。

安装很简单：pip install pyecharts

如需使用 Jupyter Notebook 来展示图表，只需要调用自身实例即可，同时兼容 Python2 和 Python3 的 Jupyter Notebook 环境。所有图表均可正常显示，与浏览器一致的交互体验，简直不要太强大。

参考自pyecharts官方文档: http://pyecharts.org

首先开始来绘制你的第一个图表

使用 Jupyter Notebook 来展示图表，只需要调用自身实例即可

add() 主要方法，用于添加图表的数据和设置各种配置项

render() 默认将会在根目录下生成一个 render.html 的文件，文件用浏览器打开。

使用主题

自 0.5.2+ 起，pyecharts 支持更换主体色系

使用 pyecharts-snapshot 插件

如果想直接将图片保存为 png, pdf, gif 格式的文件，可以使用 pyecharts-snapshot。使用该插件请确保你的系统上已经安装了 Nodejs 环境。

安装 phantomjs $ npm install -g phantomjs-prebuilt

安装 pyecharts-snapshot $ pip install pyecharts-snapshot

调用 render 方法 bar.render(path='snapshot.png') 文件结尾可以为 svg/jpeg/png/pdf/gif。请注意，svg 文件需要你在初始化 bar 的时候设置 renderer='svg'。

图形绘制过程

基本上所有的图表类型都是这样绘制的：

chart_name = Type() 初始化具体类型图表。

add() 添加数据及配置项。

render() 生成本地文件（html/svg/jpeg/png/pdf/gif）。

add() 数据一般为两个列表（长度一致）。如果你的数据是字典或者是带元组的字典。可利用 cast() 方法转换。

多次显示图表

从 v0.4.0+ 开始，pyecharts 重构了渲染的内部逻辑，改善效率。推荐使用以下方式显示多个图表。如果使是 Numpy 或者 Pandas，可以参考这个示例

当然你也可以采用更加酷炫的方式，使用 Jupyter Notebook 来展示图表，matplotlib 有的，pyecharts 也会有的

Note： 从 v0.1.9.2 版本开始，废弃 render_notebook() 方法，现已采用更加  pythonic  的做法。直接调用本身实例就可以了。

比如这样

还有这样

如果使用的是自定义类，直接调用自定义类示例即可

图表配置

图形初始化

通用配置项

xyAxis：平面直角坐标系中的 x、y 轴。(Line、Bar、Scatter、EffectScatter、Kline)

dataZoom：dataZoom 组件 用于区域缩放，从而能自由关注细节的数据信息，或者概览数据整体，或者去除离群点的影响。(Line、Bar、Scatter、EffectScatter、Kline、Boxplot)

legend：图例组件。图例组件展现了不同系列的标记(symbol)，颜色和名字。可以通过点击图例控制哪些系列不显示。

label：图形上的文本标签，可用于说明图形的一些数据信息，比如值，名称等。

lineStyle：带线图形的线的风格选项(Line、Polar、Radar、Graph、Parallel)

grid3D：3D笛卡尔坐标系组配置项，适用于 3D 图形。（Bar3D, Line3D, Scatter3D)

axis3D：3D 笛卡尔坐标系 X，Y，Z 轴配置项，适用于 3D 图形。（Bar3D, Line3D, Scatter3D)

visualMap：是视觉映射组件，用于进行‘视觉编码’，也就是将数据映射到视觉元素（视觉通道）

markLine&markPoint：图形标记组件，用于标记指定的特殊数据，有标记线和标记点两种。（Bar、Line、Kline）

tooltip：提示框组件，用于移动或点击鼠标时弹出数据内容

toolbox：右侧实用工具箱

图表详细

Bar（柱状图/条形图）

Bar3D（3D 柱状图）

Boxplot（箱形图）

EffectScatter（带有涟漪特效动画的散点图）

Funnel（漏斗图）

Gauge（仪表盘）

Geo（地理坐标系）

GeoLines（地理坐标系线图）

Graph（关系图）

HeatMap（热力图）

Kline/Candlestick（K线图）

Line（折线/面积图）

Line3D（3D 折线图）

Liquid（水球图）

Map（地图）

Parallel（平行坐标系）

Pie（饼图）

Polar（极坐标系）

Radar（雷达图）

Sankey（桑基图）

Scatter（散点图）

Scatter3D（3D 散点图）

ThemeRiver（主题河流图）

TreeMap（矩形树图）

WordCloud（词云图）

用户自定义

Grid 类：并行显示多张图

Overlap 类：结合不同类型图表叠加画在同张图上

Page 类：同一网页按顺序展示多图

Timeline 类：提供时间线轮播多张图

统一风格

注：pyecharts v0.3.2以后，pyecharts 将不再自带地图 js 文件。如用户需要用到地图图表，可自行安装对应的地图文件包。

地图文件被分成了三个 Python 包，分别为：

全球国家地图:

echarts-countries-pypkg

中国省级地图:

echarts-china-provinces-pypkg

中国市级地图:

echarts-china-cities-pypkg

直接使用python的pip安装

但是这里大家一定要注意，安装完地图包以后一定要重启jupyter notebook，不然是无法显示地图的。

显示如下：

总得来说，这是一个非常强大的可视化库，既可以集成在flask、Django开发中，也可以在做数据分析的时候单独使用，实在是居家旅行的必备神器啊

Ⅹ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

“星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。”

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

“（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。”

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的“已知和隐藏关系”的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。