Ⅰ python量化教程：不得不学的K线图“代码复制可用”
不管是对量化分析师还是普通的投资者来说，K线图（蜡烛图）都是一种很经典、很重要的工具。在K线图中，它会绘制每天的最高价、最低价、开盘价和收盘价，这对于我们理解股票的趋势以及每天的多空对比很有帮助。
一般来说，我们会从各大券商平台获取K线图，但是这种情况下获得的K线图往往不能灵活调整，也不能适应复杂多变的生产需求。因此我们有必要学习一下如何使用Python绘制K线图。
需要说明的是，这里mpl_finance是原来的matplotlib.finance，但是现在独立出来了（而且好像没什么人维护更新了），我们将会使用它提供的方法来绘制K线图；tushare是用来在线获取股票数据的库；matplotlib.ticker中有个FuncFormatter()方法可以帮助我们调整坐标轴；matplotlib.pylab.date2num可以帮助我们将日期数据进行必要的转化。
我们以上证综指18年9月份以来的行情为例。
我们先使用mpl_finance绘制一下，看看是否一切正常。
可以看到，所有的节假日包括周末，在这里都会显示为空白，这对于我们图形的连续性非常不友好，因此我们要解决掉他们。
可以看到，空白问题完美解决，这里我们解释一下。由于matplotlib会将日期数据理解为 连续数据 ，而连续数据之间的间距是有意义的，所以非交易日即使没有数据，在坐标轴上还是会体现出来。连续多少个非交易日，在坐标轴上就对应了多少个小格子，但这些小格子上方并没有相应的蜡烛图。
明白了它的原理，我们就可以对症下药了。我们可以给横坐标（日期）传入连续的、固定间距的数据，先保证K线图的绘制是连续的；然后生成一个保存有正确日期数据的列表，接下来，我们根据坐标轴上的数据去取对应的正确的日期，并替换为坐标轴上的标签即可。
上边format_date函数就是这个作用。由于前边我们给dates列生成了从0开始的序列连续数据，因此我们可以直接把它当作索引，从真正的日期列表里去取对应的数据。在这里我们要使用matplotlib.ticker.FuncFormattter()方法，它允许我们指定一个格式化坐标轴标签的函数，在这个函数里，我们需要接受坐标轴的值以及位置，并返回自定义的标签。
你学会了吗？
当然，一个完整的K线图到这里并没有结束，后边我们会考虑加入均线、成交量等元素，感兴趣的同学欢迎关注哦！
Ⅱ 如何用python做k线形态识别
K线形态识别是比较难的一个点，难在思路上，代码都是其次。分享一下我的思路吧，通过api获取了行情信息之后（一般都是pandas.DataFrame格式，基本上都包含ohlc和volume），那么假如我需要识别十字星，那么用df['open']==df['close']把其布尔值赋值给a, 然后df['high']>df['open']>df['low']赋值给b。然后
for i in range(len(df)):
df['outcome']=np.where(a+b==1, 1, 0)
df[df['outcome']==1]
这样就能把所有的十字星给选出来了。
Ⅲ 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
Ⅳ 怎么用Python画5分钟K线图
现在几乎所有的大网站都在主要的栏目 做了防爬行的处理。 象这样的还算是简单的。 大不了你分析一下JS。 如果不想分析JS。就麻烦 些。 你安装一个pyqt，里面有一个qtbrowser， 你可以驱动这个浏览器去爬行。要几百行代码才能搞定。怎么用Python画5分钟K线图
Ⅳ 求教使用python绘制K线图
使用matplotlib模块，相关API请查看网页链接
只要你是个图，它就能给你画出来。
希望可以帮到你
Ⅵ python用matplotlib画K线
#-*-coding:utf-8-*-
importnumpyasnp
importpandasaspd
importmatplotlib.pyplotasplt
frommatplotlib.datesimportDateFormatter,WeekdayLocator,DayLocator,MONDAY
frommatplotlib.financeimportquotes_historical_yahoo_ohlc,candlestick_ohlc
#从雅虎财经获取历史行情
date1=(2017,1,1)
date2=(2017,4,30)
quotes=quotes_historical_yahoo_ohlc('600000.ss',date1,date2)
iflen(quotes)==0:
raiseSystemExit
#创建一个子图
fig,ax=plt.subplots()
fig.subplots_adjust(bottom=0.2)
#设置主要刻度和显示格式
mondays=WeekdayLocator(MONDAY)
mondaysFormatter=DateFormatter('%Y-%m-%d')
ax.xaxis.set_major_locator(mondays)
ax.xaxis.set_major_formatter(mondaysFormatter)
#设置次要刻度和显示格式
alldays=DayLocator()
alldaysFormatter=DateFormatter('%d')
ax.xaxis.set_minor_locator(alldays)
#ax.xaxis.set_minor_formatter(alldaysFormatter)
#设置x轴为日期
ax.xaxis_date()
ax.autoscale_view()
#X轴刻度文字倾斜45度
plt.setp(plt.gca().get_xticklabels(),rotation=45,horizontalalignment='right')
candlestick_ohlc(ax,quotes,width=0.6,colorup='r',colordown='g')
ax.grid(True)
plt.title('600000')
plt.show()
Ⅶ 已知股票数据，如何用Python绘制k线日对应数据
我没遇到过 只是自己写过
有点经验
先确定时间片
然后再把tick插入就行了
Ⅷ python 如何画出KD数
简单的KNN算法在为每个数据点预测类别时都需要遍历整个训练数据集来求解距离，这样的做法在训练数据集特别大的时候并不高效，一种改进的方法就是使用kd树来存储训练数据集，这样可以使KNN分类器更高效。
KD树的主要思想跟二叉树类似，我们先来回忆一下二叉树的结构，二叉树中每个节点可以看成是一个数，当前节点总是比左子树中每个节点大，比右子树中每个节点小。而KD树中每个节点是一个向量(也可能是多个向量)，和二叉树总是按照数的大小划分不同的是，KD树每层需要选定向量中的某一维，然后根据这一维按左小右大的方式划分数据。在构建KD树时，关键需要解决2个问题：（1）选择向量的哪一维进行划分（2）如何划分数据。第一个问题简单的解决方法可以是选择随机选择某一维或按顺序选择，但是更好的方法应该是在数据比较分散的那一维进行划分（分散的程度可以根据方差来衡量）。好的划分方法可以使构建的树比较平衡，可以每次选择中位数来进行划分，这样问题2也得到了解决。下面是建立KD树的Python代码：
def build_tree(data, dim, depth):
"""
建立KD树
Parameters
----------
data:numpy.array
需要建树的数据集
dim:int
数据集特征的维数
depth:int
当前树的深度
Returns
-------
tree_node:tree_node namedtuple
树的跟节点
"""
size = data.shape[0]
if size == 0:
return None
# 确定本层划分参照的特征
split_dim = depth % dim
mid = size / 2
# 按照参照的特征划分数据集
r_indx = np.argpartition(data[:, split_dim], mid)
data = data[r_indx, :]
left = data[0: mid]
right = data[mid + 1: size]
mid_data = data[mid]
# 分别递归建立左右子树
left = build_tree(left, dim, depth + 1)
right = build_tree(right, dim, depth + 1)
# 返回树的根节点
return Tree_Node(left=left,
right=right,
data=mid_data,
split_dim=split_dim)
对于一个新来的数据点x，我们需要查找KD树中距离它最近的节点。KD树的查找算法还是和二叉树查找的算法类似，但是因为KD树每次是按照某一特定的维来划分，所以当从跟节点沿着边查找到叶节点时候并不能保证当前的叶节点就离x最近，我们还需要回溯并在每个父节点上判断另一个未查找的子树是否有可能存在离x更近的点（如何确定的方法我们可以思考二维的时候，以x为原点，当前最小的距离为半径画园，看是否与划分的直线相交，相交则另一个子树中可能存在更近的点），如果存在就进入子树查找。
当我们需要查找K个距离x最近的节点时，我们只需要维护一个长度为K的优先队列保持当前距离x最近的K个点。在回溯时，每次都使用第K短距离来判断另一个子节点中是否存在更近的节点即可。下面是具体实现的python代码：
def search_n(cur_node, data, queue, k):
"""
查找K近邻，最后queue中的k各值就是k近邻
Parameters
----------
cur_node:tree_node namedtuple
当前树的跟节点
data:numpy.array
数据
queue:Queue.PriorityQueue
记录当前k个近邻，距离大的先输出
k:int
查找的近邻个数
"""
# 当前节点为空，直接返回上层节点
if cur_node is None:
return None
if type(data) is not np.array:
data = np.asarray(data)
cur_data = cur_node.data
# 得到左右子节点
left = cur_node.left
right = cur_node.right
# 计算当前节点与数据点的距离
distance = np.sum((data - cur_data) ** 2) ** .5
cur_split_dim = cur_node.split_dim
flag = False # 标记在回溯时是否需要进入另一个子树查找
# 根据参照的特征来判断是先进入左子树还是右子树
if data[cur_split_dim] > cur_data[cur_split_dim]:
tmp = right
right = left
left = tmp
# 进入子树查找
search_n(left, data, queue, k)
# 下面是回溯过程
# 当队列中没有k个近邻时，直接将当前节点入队，并进入另一个子树开始查找
if len(queue) < k:
neg_distance = -1 * distance
heapq.heappush(queue, (neg_distance, cur_node))
flag = True
else:
# 得到当前距离数据点第K远的节点
top_neg_distance, top_node = heapq.heappop(queue)
# 如果当前节点与数据点的距离更小，则更新队列（当前节点入队，原第k远的节点出队）
if - 1 * top_neg_distance > distance:
top_neg_distance, top_node = -1 * distance, cur_node
heapq.heappush(queue, (top_neg_distance, top_node))
# 判断另一个子树内是否可能存在跟数据点的距离比当前第K远的距离更小的节点
top_neg_distance, top_node = heapq.heappop(queue)
if abs(data[cur_split_dim] - cur_data[cur_split_dim]) < -1 * top_neg_distance:
flag = True
heapq.heappush(queue, (top_neg_distance, top_node))
# 进入另一个子树搜索
if flag:
search_n(right, data, queue, k)525354555657
以上就是KD树的Python实践的全部内容，由于本人刚接触python不久，可能实现上并不优雅，也可能在算法理解上存在偏差，如果有任何的错误或不足，希望各位赐教。