python量能图定位到k线以下

① python热力图绘制方法—新手教程

# Python热力图绘制方法

热力图的使用场景有 

1.描述数据在空间的密集程度，常见有城市热力图，区域热力图

2.描述多个变量之间相关性高低程度

# step 1 准备数据集，读取excel列表内容，usecols = index, 这里是表里的第一列不读取。

index =range(1, 11)

dataset = np.array(pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))

# step 2  读取excel行索引转成列表，作为热力图的y轴标签

a = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=[0]))

y_label =list(a.stack())

# step 3 读取excel列索引转成列表，作为热力图的x轴标签

b = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv'))

column_index=(b.columns.tolist())

x_label = column_index[1:]

# 这一步是为了计算热力图的数据的最大值，可以进行标准化处理，也可以直接显示数据，dataframe转成list，从list里面寻找最大值

dataset_max = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))

list1 = np.array(dataset_max.stack())

max_number =max(list1)

# step 4 开始绘制热力图

plt.figure(figsize=(14, 8))# 定义输出图像大小，annot参数决定是否在热力图上显示数值，Vmax,Vmin表示最大最小值，cmap表示颜色

sns.heatmap(dataset, fmt='.0f', annot=True, vmin=0, vmax=max_number, cmap='Reds', yticklabels=y_label,

            xticklabels=x_label)

# 绘制标签

plt.xlabel('This is x label', labelpad=15)

plt.ylabel('This is y label', labelpad=20)

plt.show()

② python matplotlib 图像可视化

Python画图之总结待整理

https://morvanzhou.github.io/tutorials/data-manipulation/plt/
http://blog.sciencenet.cn/blog-1408284-850983.html
http://www.cnblogs.com/DHUtoBUAA/p/6619099.html
http://blog.csdn.net/wuguangbin1230/article/details/72858612
http://blog.sciencenet.cn/blog-251664-800766.html
http://blog.csdn.net/wuguangbin1230/article/details/72858612
http://www.jianshu.com/p/0a81b57bbb8c
https://pythonprogramming.net/

http://blog.csdn.net/haoji007/article/details/52063168

Python Data Visualizations

Seaborn 库： https://seaborn.pydata.org/

Python Seaborn 教程： http://elitedatascience.com/python-seaborn-tutorial

matplotlib: plotting with Python
matplotlib: plotting with Python-github

python-data-visualization-course
Interactive Web Plotting for Python
Interactive Web Plotting for Python-github

https://morvanzhou.github.io/tutorials/data-manipulation/plt/3-3-contours/
https://github.com/MorvanZhou/tutorials/tree/master/matplotlibTUT

https://github.com/jiandanjinxin/tf-dev-summit-tensorboard-tutorial
https://github.com/jiandanjinxin/tensorflow-mnist-tutorial

CSDN-markdown编辑器语法——字体、字号与颜色

%matplotlib inline
%matplotlib notebook

Need to use either

or

Only one in each notebook! using inline will just sent png images to browser, using notebook will provide interactivity and allow updating old figures. With notebook you need to make sure to create a new figure before plotting, otherwise the last one will be updated!

还有简便的 plt.close('all') 关闭所有图,不用管 fig 号码

Some plots from these tutorials:

调整名字和间隔

设置不同名字和位置

调整坐标轴

参数loc='upper right'
表示图例将添加在图中的右上角.

调整位置和名称

最后我们得到带有图例信息的图片.

移动坐标

然后我们挪动坐标轴的位置.

然后标注出点(x0, y0)的位置信息. 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
画出一条垂直于x轴的虚线.

添加注释 annotate
接下来我们就对(x0, y0)这个点进行标注.

其中参数xycoords='data'
是说基于数据的值来选位置,xytext=(+30, -30)
和textcoords='offset points'
对于标注位置的描述 和 xy 偏差值,arrowprops
是对图中箭头类型的一些设置.

添加注释 text

其中-3.7, 3,
是选取text的位置, 空格需要用到转字符
,fontdict
设置文本字体.

生成图形
当图片中的内容较多，相互遮盖时，我们可以通过设置相关内容的透明度来使图片更易于观察，也即是通过本节中的bbox
参数设置来调节图像信息.
首先参考之前的例子, 我们先绘制图像基本信息：

调整坐标

然后对被遮挡的图像调节相关透明度，本例中设置 x轴 和 y轴 的刻度数字进行透明度设置

其中label.set_fontsize(12)重新调节字体大小，bbox设置目的内容的透明度相关参，facecolor调节 box 前景色，edgecolor 设置边框， 本处设置边框为无，alpha设置透明度. 最终结果如下:

散点图
首先，先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。生成1024个呈标准正态分布的二维数据组 (平均数是0，方差为1) 作为一个数据集，并图像化这个数据集。每一个点的颜色值用T来表示：

数据集生成完毕，现在来用scatterplot这个点集，鼠标点上去，可以看到这个函数的各个parameter的描述，如下图：
输入X和Y作为location，size=75，颜色为T，color map用默认值，透明度alpha 为 50%。 x轴显示范围定位(-1.5，1.5)，并用xtick()函数来隐藏x坐标轴，y轴同理：

今天的柱状图分成上下两部分，每一个柱体上都有相应的数值标注，并且取消坐标轴的显示。
生成基本图形
向上向下分别生成12个数据，X为 0 到 11 的整数 ，Y是相应的均匀分布的随机数据。使用的函数是plt.bar
，参数为X和Y：

这样我们就生成了下图所示的柱状图基本框架：

现在的结果呈现：

接下来我们用函数plt.text分别在柱体上方（下方）加上数值，用%.2f保留两位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'：

最终的结果就像开始一样：

画等高线
数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格:

接下来进行颜色填充。使用函数plt.contourf把颜色加进去，fill, 位置参数分别为：X, Y, f(X,Y)。透明度0.75，并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色。8代表等高线的个数。

接下来进行等高线绘制。使用plt.contour函数划线。位置参数为：X, Y, f(X,Y)。颜色选黑色，线条宽度选0.5。现在的结果如下图所示，只有颜色和线条，还没有数值Label：

添加高度数字
其中，8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。
最后加入Label，inline控制是否将Label画在线里面，字体大小为10。并将坐标轴隐藏：

随机矩阵画图

这一节我们讲解怎样在matplotlib中打印出图像。这里我们打印出的是纯粹的数字，而非自然图像。 我们今天用这样 3x3 的 2D-array 来表示点的颜色，每一个点就是一个pixel。

colorbar
下面我们添加一个colorbar ，其中我们添加一个shrink参数，使colorbar的长度变短为原来的92%：

3D
首先在进行 3D Plot 时除了导入 matplotlib ，还要额外添加一个模块，即 Axes 3D 3D 坐标轴显示：

之后要先定义一个图像窗口，在窗口上添加3D坐标轴，显示成下图：

接下来给进 X 和 Y 值，并将 X 和 Y 编织成栅格。每一个（X, Y）点对应的高度值我们用下面这个函数来计算。

其中，rstride 和 cstride 分别代表 row 和 column 的跨度。
下面两个图分别是跨度为1 和 5 的效果：

投影

下面添加 XY 平面的等高线：

如果 zdir 选择了x，那么效果将会是对于 XZ 平面的投影，效果如下

③ 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()

④ 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！

⑤ 怎么利用python代码绘制蜡烛线型k线图

importmatplotlib.pyplotasplt

frommatplotlib.datesimportDateFormatter,WeekdayLocator,DayLocator,MONDAY,YEARLY
frommatplotlib.financeimportquotes_historical_yahoo_ohlc,candlestick_ohlc

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

ticker='600028'#600028是"中国石化"的股票代码
ticker+='.ss'#.ss表示上证.sz表示深证

date1=(2015,8,1)#起始日期，格式：(年，月，日)元组
date2=(2016,1,1)#结束日期，格式：(年，月，日)元组


mondays=WeekdayLocator(MONDAY)#主要刻度
alldays=DayLocator()#次要刻度
#weekFormatter=DateFormatter('%b%d')#如：Jan12
mondayFormatter=DateFormatter('%m-%d-%Y')#如：2-29-2015
dayFormatter=DateFormatter('%d')#如：12

quotes=quotes_historical_yahoo_ohlc(ticker,date1,date2)
iflen(quotes)==0:
raiseSystemExit

fig,ax=plt.subplots()
fig.subplots_adjust(bottom=0.2)

ax.xaxis.set_major_locator(mondays)
ax.xaxis.set_minor_locator(alldays)
ax.xaxis.set_major_formatter(mondayFormatter)
#ax.xaxis.set_minor_formatter(dayFormatter)

#plot_day_summary(ax,quotes,ticksize=3)
candlestick_ohlc(ax,quotes,width=0.6,colorup='r',colordown='g')

ax.xaxis_date()
ax.autoscale_view()
plt.setp(plt.gca().get_xticklabels(),rotation=45,horizontalalignment='right')

ax.grid(True)
plt.title('中国石化600028')
plt.show()

⑥ 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。

⑦ Python 爬取同花顺行业板块日K线数据

最近一直想研究一下行业k线，找了很久，在同花顺找到了获取的url
比如，881129 通信设备板块
http://d.10jqka.com.cn/v4/line/bk_881129/01/last.js 获取日k线数据 但是需要cookie不然只能访问一次
（利用Google浏览器的 右击页面 检查--Network 可以看到页面请求的url）

⑧ 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