通过对于plt的表现我们可以了解到plt能够实现我们很多东西，比如数据可视化，比如对于关键点位置进行说明，比如对于区间进行显示，比如对于柱状图的书写，都可以让我们更加形象具体精准的发现数据信息以及表达的意思。

其实对于plt库中或者其他库中我们一定要懂得几个道理：

• 通读一遍或者几遍
• 操作一遍或者几遍
• 掌握专有名词和记录好笔记
• 剩下的交给百度即可

理论其实不难，难的是如何去进行布局，通过合理的布局和标记使得自己的意思能够清晰的表达出来，从这点来讲，我们可以从自己的实际简单业务来培养，或者通过他人的案例来参考和学习，调整自身的思路都是不错的。

看书只是给我们一个更加专业系统的搜索提供帮助，也是为我们在搭建新的业务需要的时候提供一种思路，通过基础去启迪我们的思维，不要怕错，不要怕难，毕竟能够遇到的问题基本上百度上面都有。

要勇于开拓思维，举一反三。

是以为文。

系列文章：

Python股票量化交易到入门实战01

Python股票量化交易到入门实战02

import pandas as pd
import numpy as np
import time
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']# 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

fig=plt.figure(figsize=(12,8))
ax=fig.add_subplot(111)

ax.hist(np.random.normal(loc=0,scale=1,size=1000),bins=50,density=False,color='r')
#这里要注意一点的是，ax.hist只接受一条数据，不能接受多条数据。
ax.set_xlabel('样本值',fontsize=15)
ax.set_ylabel('频数',fontsize=15)

ax.set_title('正态分布直方图',fontsize=25)

plt.show()

5.2.7K线图的绘制：

以上两个案例我们可以搭建成交量的展示，还有就是涨跌幅的展示，现在我们将通过candlestics2_ochl()函数进行K线绘制。

import pandas as pd
import numpy as np
import time
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']# 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(111)
#导入数据，数据预处理
df=pd.read_csv('sh600000.csv')
df['date']=pd.to_datetime(df['date'])
df=df.sort_values(by='date')
#截取数据，数据太长无法显示
df=df[-20:]
df=df.reset_index(drop=True)



#引入新函数
import  mpl_finance as mpf
#书本用的list格式，笔者尝试用了一下series，这样子可以减少格式的转换。
mpf.candlestick2_ohlc(ax,df['open'],df['high'],df['low'],df['close'],width=0.5,
                     colorup='r',colordown='g')
#推导式，格式化时间
data_index=[p.strftime("%Y-%m-%d ") for p in df['date']]
#长度
ax.set_xlim(0,10)
#间隔
ax.set_xticks(np.arange(0,10))
#接收list格式，一个参数。
ax.set_xticklabels(data_index,rotation=45)
ax.set_xlabel('日期',fontsize=5)
ax.set_ylabel('价格',fontsize=15)
ax.set_title('日k线图',fontsize=15)

plt.show()

浦发银行的走势

• 考虑两点：一个是如何设置周期，从而自由调整数据周期，一个是如何对数据进行缩放。

5.3图形对象属性参数的调节

略

5.4多子图对象的创建和布局：

这里我们来将个股的数据进行可视化，任务为展示浦发银行的K线图走势，均线走势以及成交量。

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import mplfinance as mpf
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = 'SimHei'


#导入数据
df=pd.read_csv('sh600000.csv')
df['date']=pd.to_datetime(df['date'],format='%Y-%m-%d')
df=df.sort_values(by='date')
# df.index=df.pop('date')
df=df.set_index('date')
df=df['2017':'2019']#设计成这个样子，就可以进行封装，调参，测试了。

df=df[[ 'open', 'high', 'low', 'close','volume']]
#因为，mpf会自动识别这五个参数，所以为了防止报错，就取这几个数，防止报错。

#设置参数
my_color = mpf.make_marketcolors(up='red',#上涨时为红色
                                 down='green',#下跌时为绿色
                                 edge='i',#隐藏k线边缘
                                 volume='in',#成交量用同样的颜色
                                 inherit=True)
#设置网格
my_style = mpf.make_mpf_style(gridaxis='both',#设置网格
                           gridstyle='-.',
                           y_on_right=True,
                            marketcolors=my_color)

#生成3条均线
df["sma5"] = df["close"].rolling(5).mean()
df["sma10"] = df["close"].rolling(10).mean()
df["sma30"] = df["close"].rolling(30).mean()
#精确小数点，提高计算精度
df=df.round(2)
#初始化信号
df['sign']=0

#生成信号
for i in range(1,len(df)):
    if df.sma5.iloc[i]>df.sma10.iloc[i] and df.sma5.iloc[i-1]<df.sma10.iloc[i-1]:
        df.sign.iloc[i]=1
    if df.sma5.iloc[i]<df.sma10.iloc[i] and df.sma5.iloc[i - 1]>df.sma10.iloc[i - 1]:
        df.sign.iloc[i] =-1
#生成买点位置
df['buysign']=df[df['sign']>0]['sign']
#生成卖点位置
df['sellsign']=df[df['sign']<0]['sign']
#将均线，买点，卖点信号设置好，然后准备传参
add_plot=[mpf.make_addplot(df[['sma5','sma10']]),
          mpf.make_addplot(df['buysign'],scatter=True,markersize=80,marker='^',color='r'),
          mpf.make_addplot(df['sellsign'],scatter=True,markersize=80,marker='v',color='g')]
#接受设置好的参数
mpf.plot(df,type='candle',
         addplot=add_plot,
         style=my_style,
         volume=True,#展示成交量副图
         figratio=(2,1),#设置图片大小
         figscale=5)

效果图：

感悟：

• 靠别人都是藏着掖着，不给全码，调试起来太吃亏了，只能根据不同的人文章进行参考学习。
• 学习要趁早，不能拖拖拉拉，原来调用数据，可以通过df.ix进行处理，现在居然没有了，df.at原来不行，后来又可以，现在也不行了，只能通过df.col.iloc[index]进行调用，光就这个问题，我就浪费了太多的时间了。这库更新的也太快了。真的是活到老，学到老。
• 图例的信号还要进行优化，就先这样子吧。
• 关于df[‘buysign’]=df[df[‘sign’]>0][‘sign’]是一个非常好的思路，尽可能地减少迭代,减少计算压力。
• 关于采取for循环的考虑是想运用到模拟盘，但是这种处理仍然会造成未来透视的情况存在，更好的方案应该是单位的bar传入进行运算是最符合实际交易模型的，因此，回测的设计和模拟盘实盘上存在很大的差距，从实际操作和心理活动来讲，回测的引发的情况要更低一些。

• 相关的参数还需要进一步掌握。
• 本章将对可视化告一段落，即将对于数据库保存数据进行处理，通过学习，我们将对于数据的下载进行说明，同时对于数据的清洗，保存，维护进行处理，笔者用的是Navicat for MySQL。
• 尽量采取传参的模式，同时在设计上进行健壮性的调整。以df.ix为例，函数突然失灵，很容易导致整个回测框架失灵，因此应该根据业务要求尽量进行分开才是，便于维护和查阅。
• 至于整体的测试框架还是以B站的量化视频为准，有利用爬虫等模式进行取数，便于后面的模拟盘交易。