Python股票量化交易到入门实战02

笔者按：

熟悉回测框架以及绘图是为了进行界面化处理的准备，在看到元宵作者的作品中有一些不错的亮点，需要学习的还有很多，比如实现实盘交易过程中的多线程处理要考虑好，我能够想到的就是通过多线程下载数据到CSV或者sql中，然后再对数据进行重采样，形成自己需要的数据周期，然后生成相应的均线或者其他技术指标，然后再进行判断，模拟下单，最后实盘化处理，最后进行可视化或者界面化，程序化展示。

书本中，文章进行了阶段性的解读，必须进行一段一段的学习和总结，搞清楚作者的变量命名，由此可见，很多时候还是需要写使用手册或者注释的，不然真的很多地方都看不懂。

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03

三、常用图标类型的绘制

案例一：折线图

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)

start_val=0
stop_val=10
num_val=1000
x=np.linspace(start_val,stop_val,num_val)
y=np.sin(x)

'''
y=sin(x)
'--g':format_string方式，等同于linestyle,color,marker的结合，即破折线，绿色，像素点
lw:linewidth,用于设置线条宽度
label:设置线条的标签为sin(x)

'''
ax.plot(x,y,'--g',lw=2,label='sin(x)')

#本案例主要是掌握折线图的参数

案例二：标注点的绘制

这个是可视化中非常重要的地方，通过标注点使得图例的展示更加详细和具有说服力，主要是通过annotate()函数进行赋值。

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)

x=np.arange(10,20)
y=np.around(np.log(x),2)

ax.plot(x,y,marker='o')

ax.annotate('sample_one',xy=(x[1],y[1]),xytext=(80,10),textcoords='offset points',\
            arrowprops=dict(arrowstyle='->',connectionstyle='angle3,angleA=80,angleB=50'))
ax.annotate('sample_two',xy=(x[3],y[3]),xytext=(80,10),textcoords='offset points',\
            arrowprops=dict(facecolor='black',shrink=0.05,width=5))
ax.annotate('sample_three',xy=(x[5],y[5]),xytext=(80,10),textcoords='offset points',\
            arrowprops=dict(facecolor='green',headwidth=5,headlength=10),\
            bbox=dict(boxstyle='circle,pad=0.5',fc='yellow',ec='k',lw=1,alpha=0.5))
ax.annotate('sample_four',xy=(x[7],y[7]),xytext=(80,10),textcoords='offset points',\
            arrowprops=dict(facecolor='blue',headwidth=5,headlength=10),\
            bbox=dict(boxstyle='round,pad=0.5',fc='gray',ec='k',lw=1,alpha=0.5))
plt.show()

图例展示：

学习感悟：

通过自己敲代码，感觉到annotate分为几个部分：一个是xy的位置需要赋值，一个是xy的大小赋值，一个是被注视点的坐标系属性，一个是注释文本的坐标系属性，一个设置各类箭头，最后就是文本外框进行赋值。

其中重点是把握xy的位置赋值，xy的大小赋值等，箭头设置等，其他的可以根据实际需要进行调整。

【笔者不由感慨，这些库能够写出来的都是大神，比自己写的类牛逼太多了】

实际在对于复杂的，经常调用的，可以通过书写一次，然后进行调整和修改就可以了，达到自身需要的目的和要求就可以了。

其他案例就不书写了，作为未来备查或者网络搜索的工具就可以了。

案例三：标记最大值，最小值（通过找到最大值和最小值即可）

案例四：参考线或者区域的绘制（调用参数axhline()函数即可，主要参数有四个：获取x轴的分布范围（最小值，最大值），指定颜色，透明度四个参数。）

ax.axhspan(ymin=0,ymax=1,facecolor='purple',alpha=0.3)
ax.axvspan(xmin=np.pi*2,xmax=np.pi*5/2,facecolor='g',alpha=0.3)

图例展示：

案例五：双y轴本书有自身的写法，但是笔者可以通过对函数进行调用实现。

假定df=df[[‘close’,’vol’,’money’]],考虑到vol,money因子的维度要高于close，则通过调用plot中的函数进行书写，不必写的非常复杂。作者写的作为备案考虑，主要是考虑到那种调用更适合于函数调用。

df[['close','vol','money']].plot(secondary_y=['close'])

案例六：条形图的绘制

主要是用于绘制【成交量】等参数的可视化。