Python与Plotly实现多维度数据的动态可视化——交互式股票价格

news2024/11/14 0:18:48

目录

  • 准备工作
    • 安装必要的库
    • 导入库
  • 获取数据
  • 数据预处理
  • 创建交互式图表
    • 方法一：基本多线图
    • 方法二：带有滚动和区间选择的交互式图表
    • 方法三：可视化股票每日回报率的箱线图
    • 方法四：添加注释和标记的交互式图表
  • 完整代码

在金融数据分析中，比较不同公司的股票价格走势是常见的需求。我们将使用Python和Plotly创建一个包含多个股票价格的交互式可视化图表，展示它们在一段时间内的表现。

准备工作

安装必要的库

首先，确保安装了以下Python库：

!pip install pandas
!pip install plotly
!pip install yfinance
  • pandas：用于数据处理和分析。
  • plotly：用于创建交互式可视化。
  • yfinance：用于从Yahoo Finance获取历史股票数据。

导入库

import pandas as pd
import plotly.graph_objs as go
import yfinance as yf
from datetime import datetime

获取数据

我们将选择几家著名的科技公司，获取它们过去一年的股票价格数据。

# 定义股票代码和时间范围
stocks = ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'TSLA']
start_date = '2023-01-01'
end_date = '2023-12-31'

# 获取股票数据
stock_data = yf.download(stocks, start=start_date, end=end_date)['Close']

我们使用yfinance库从Yahoo Finance下载股票的收盘价数据，数据范围为2023年全年。

数据预处理

# 检查缺失值并进行填充
stock_data.fillna(method='ffill', inplace=True)

# 计算每日回报率
returns = stock_data.pct_change().dropna()

使用前向填充方法处理数据中的缺失值，计算每日回报率以分析股票的波动性。

创建交互式图表

方法一：基本多线图

# 创建基本多线图
fig = go.Figure()

for stock in stocks:
    fig.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 更新布局
fig.update_layout(
    title='2023年主要科技公司股票价格走势',
    xaxis_title='日期',
    yaxis_title='股票价格（美元）',
    template='plotly_dark',
    hovermode='x unified'
)

# 显示图表
fig.show()

特点：

  • 展示多个股票的价格走势，便于比较。
  • 使用plotly_dark模板，提供深色背景，更加美观。
  • 启用hovermode=‘x unified’，在悬停时同时显示所有股票的价格，方便比较同一天的表现。

在这里插入图片描述

方法二：带有滚动和区间选择的交互式图表

# 创建带有滚动和区间选择的图表
fig = go.Figure()

for stock in stocks:
    fig.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 添加区间滑块和按钮
fig.update_layout(
    title='2023年主要科技公司股票价格走势（带有区间选择）',
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1, label='1个月', step='month', stepmode='backward'),
                dict(count=3, label='3个月', step='month', stepmode='backward'),
                dict(count=6, label='6个月', step='month', stepmode='backward'),
                dict(step='all', label='全年')
            ])
        ),
        rangeslider=dict(
            visible=True
        ),
        type='date'
    ),
    yaxis_title='股票价格（美元）',
    template='seaborn'
)

# 显示图表
fig.show()

特点：

  • 添加了时间区间选择器，用户可以快速查看特定时间段的股票走势。
  • 底部的范围滑块允许用户自由选择查看的时间范围。
  • 使用seaborn模板，提供简洁清新的视觉效果。

在这里插入图片描述

方法三：可视化股票每日回报率的箱线图

# 创建每日回报率箱线图
fig = go.Figure()

for stock in stocks:
    fig.add_trace(go.Box(
        y=returns[stock],
        name=stock,
        boxmean='sd'  # 显示均值和标准差
    ))

# 更新布局
fig.update_layout(
    title='2023年主要科技公司股票每日回报率分布',
    yaxis_title='每日回报率',
    template='ggplot2'
)

# 显示图表
fig.show()

特点：

  • 使用箱线图展示每日回报率的分布，直观体现股票的波动性和风险。
  • 显示每个股票的均值和标准差，帮助分析其稳定性。
  • 使用ggplot2模板，提供专业且美观的外观。

在这里插入图片描述

方法四：添加注释和标记的交互式图表

# 选取特定日期进行标记
events = [
    {'date': '2023-03-15', 'event': '美联储加息'},
    {'date': '2023-07-10', 'event': '新产品发布'},
    {'date': '2023-10-25', 'event': '季度财报公布'}
]

# 创建图表
fig = go.Figure()

for stock in stocks:
    fig.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 添加事件标记
for event in events:
    fig.add_vline(x=event['date'], line_width=2, line_dash="dash", line_color="red")
    fig.add_annotation(
        x=event['date'],
        y=stock_data.max().max(),
        text=event['event'],
        showarrow=True,
        arrowhead=1,
        ax=0,
        ay=-40
    )

# 更新布局
fig.update_layout(
    title='2023年主要科技公司股票价格走势（带有重要事件标记）',
    xaxis_title='日期',
    yaxis_title='股票价格（美元）',
    template='plotly_white',
    hovermode='x unified'
)

# 显示图表
fig.show()

特点：

  • 在图表中添加了重要事件的垂直线和注释，帮助用户理解特定日期对股票价格的影响。
  • 事件标记使得图表更加信息丰富，适合用于报告和展示。
  • 使用plotly_white模板，提供简洁专业的外观。

在这里插入图片描述

完整代码

import pandas as pd
import plotly.graph_objs as go
import yfinance as yf
from datetime import datetime

# 定义股票代码和时间范围
stocks = ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'TSLA']
start_date = '2023-01-01'
end_date = '2023-12-31'

# 获取股票数据
stock_data = yf.download(stocks, start=start_date, end=end_date)['Close']

# 检查缺失值并进行填充
stock_data.fillna(method='ffill', inplace=True)

# 计算每日回报率
returns = stock_data.pct_change().dropna()

# 创建基本多线图
fig1 = go.Figure()

for stock in stocks:
    fig1.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 更新布局
fig1.update_layout(
    title='2023年主要科技公司股票价格走势',
    xaxis_title='日期',
    yaxis_title='股票价格（美元）',
    template='plotly_dark',
    hovermode='x unified'
)

# 显示图表
fig1.show()

# 创建带有滚动和区间选择的图表
fig2 = go.Figure()

for stock in stocks:
    fig2.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 添加区间滑块和按钮
fig2.update_layout(
    title='2023年主要科技公司股票价格走势（带有区间选择）',
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1, label='1个月', step='month', stepmode='backward'),
                dict(count=3, label='3个月', step='month', stepmode='backward'),
                dict(count=6, label='6个月', step='month', stepmode='backward'),
                dict(step='all', label='全年')
            ])
        ),
        rangeslider=dict(
            visible=True
        ),
        type='date'
    ),
    yaxis_title='股票价格（美元）',
    template='seaborn'
)

# 显示图表
fig2.show()

# 创建每日回报率箱线图
fig3 = go.Figure()

for stock in stocks:
    fig3.add_trace(go.Box(
        y=returns[stock],
        name=stock,
        boxmean='sd'  # 显示均值和标准差
    ))

# 更新布局
fig3.update_layout(
    title='2023年主要科技公司股票每日回报率分布',
    yaxis_title='每日回报率',
    template='ggplot2'
)

# 显示图表
fig3.show()

# 选取特定日期进行标记
events = [
    {'date': '2023-03-15', 'event': '美联储加息'},
    {'date': '2023-07-10', 'event': '新产品发布'},
    {'date': '2023-10-25', 'event': '季度财报公布'}
]

# 创建图表
fig4 = go.Figure()

for stock in stocks:
    fig4.add_trace(go.Scatter(
        x=stock_data.index,
        y=stock_data[stock],
        mode='lines',
        name=stock
    ))

# 添加事件标记
for event in events:
    fig4.add_vline(x=event['date'], line_width=2, line_dash="dash", line_color="red")
    fig4.add_annotation(
        x=event['date'],
        y=stock_data.max().max(),
        text=event['event'],
        showarrow=True,
        arrowhead=1,
        ax=0,
        ay=-40
    )

# 更新布局
fig4.update_layout(
    title='2023年主要科技公司股票价格走势（带有重要事件标记）',
    xaxis_title='日期',
    yaxis_title='股票价格（美元）',
    template='plotly_white',
    hovermode='x unified'
)

# 显示图表
fig4.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2078680.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

ubuntu 小技巧 upower 查看电源模块之电池等功能

ubuntu 小技巧 upower 查看电源模块之电池等功能

电脑使用时间久了，电池不耐用了，查看一下具体还剩多少容量，怎么看？ ros2ros2-aspire4741:~$ upower -e /org/freedesktop/UPower/devices/battery_BAT0 /org/freedesktop/UPower/devices/line_power_ADP1 /org/freedesktop/UPowe…
阅读更多...
C++ TinyWebServer项目总结（11. 定时器）

C++ TinyWebServer项目总结（11. 定时器）

网络程序需要处理定时事件，如定期检测一个客户连接的活动状态。服务器程序通常管理着众多定时事件，有效地组织这些定时事件，使其在预期的时间被触发且不影响服务器的主要逻辑，对于服务器的性能有至关重要的影响。为此，…
阅读更多...
“信”欣向荣，共“创”共赢 | 华宇TAS应用中间件认证工程师培训报名通道开启

“信”欣向荣，共“创”共赢 | 华宇TAS应用中间件认证工程师培训报名通道开启

信创，即“信息技术应用创新”。我国自主信息产业聚焦信息技术应用创新，旨在通过对IT硬件、软件等各个环节的重构，基于我国自有IT底层架构和标准，形成自有开放生态，从根本上解决本质安全问题，实现信息技术可…
阅读更多...
牛客周赛 Round 57

牛客周赛 Round 57

A-小红喜欢1_牛客周赛 Round 57 (nowcoder.com) 思路&#xff1a; 简单记录一下 代码&#xff1a; #include<iostream> #include<algorithm> #include<cstring> #include<vector> #include<queue> #include<cmath> #define int long long…
阅读更多...
CH340K的一个小bug

CH340K的一个小bug

如果CH340和MCU在同一张PCB上&#xff0c;但是CH340用VUSB来供电&#xff0c;MCU用另外的3.3V电源单独供电。两块芯片只有TX&#xff0c;RX和GND直接相连接&#xff0c;DTR串联一个电容连接到MCU的Reset引脚。也就是说正常工作环境下不通过USB连接电脑&#xff0c;只有MUC工作&…
阅读更多...
深度学习入门-08

深度学习入门-08

基于小土堆学习 神经网络的搭建 神经网络pytorch官方文档&#xff1a; pytorch官方说明文档 torch.nn是pytorch存放神经网络的工具箱 Containers Containers&#xff08;容器&#xff09;在神经网络中通常不是一个特指的技术术语&#xff0c;但在编程和数据处理中&#xff0…
阅读更多...
流体力学告诉你，如何最快地炫一瓶啤酒？

流体力学告诉你，如何最快地炫一瓶啤酒？

夏季的夜晚&#xff0c;是属于烧烤和啤酒的。三五好友聚会&#xff0c;总有人能在你面前快速且优雅地炫一瓶啤酒&#xff0c;成为桌上的明星。 浅浅研究一下&#xff0c;水从瓶子里流出的过程&#xff0c;慢放后发现&#xff0c;包含两步。第一步&#xff0c;水从瓶口流出&…
阅读更多...
直流充电桩测试仪的步骤和规范

直流充电桩测试仪的步骤和规范

直流充电桩测试仪是一种用于检测和评估直流充电桩性能的设备。它可以对充电桩的输出电压、电流、功率等参数进行精确测量&#xff0c;以确保充电桩的正常工作和安全使用。以下是直流充电桩测试仪的步骤和规范&#xff1a; 1. 准备工作&#xff1a;首先&#xff0c;需要确保测试…
阅读更多...
每年节约上亿元！法大大“音视频双录”助力深圳营商环境优化

每年节约上亿元！法大大“音视频双录”助力深圳营商环境优化

8月26日&#xff0c;深圳经济特区迎来44周岁。深视新闻栏目推出系列报道&#xff0c;首篇便聚焦改革&#xff0c;并重点呈现了“音视频双录签名模式”如何帮助营商环境优化。 营商环境往往被视为一座城市的“金字招牌”&#xff0c;而经商兴业的第一步是注册企业&#xff1a;在…
阅读更多...
ACL的原理

ACL的原理

随着网络的飞速发展&#xff0c;网络安全和网络服务质量QoS (Quality of Service)问题日益突出。访问控制列表 (ACL, Access Control List)是与其紧密相关的一个技术。ACL可以通过对网络中报文流的精确识别&#xff0c;与其他技术结合&#xff0c;达到控制网络访问行为、防止网…
阅读更多...
解构德赛西威“长期主义”战略

解构德赛西威“长期主义”战略

变则通&#xff0c;通则久&#xff0c;中国汽车行业的创新演变史&#xff0c;是对长期主义价值观的生动诠释。从燃油车到新能源汽车&#xff0c;从国外品牌技术引进&#xff0c;到国产自主品牌崛起&#xff0c;沿着这条行业发展曲线的起伏跌宕&#xff0c;德赛西威敏捷会意时代…
阅读更多...
RPA自动化流程机器人在企业财务中的安全与合规性考虑

RPA自动化流程机器人在企业财务中的安全与合规性考虑

随着企业对数字化转型的需求不断增加&#xff0c;财务系统变得更加复杂和集成&#xff0c;而新技术的应用将改变企业财务管理传统的运营模式&#xff0c;帮助企业提质增效的同时也可能带来系统安全性的挑战。RPA自动化流程机器人作为最受企业欢迎的数字化转型工具之一&#xff…
阅读更多...
CRMEB多商户2.2.1小程序授权问题

CRMEB多商户2.2.1小程序授权问题

多商户2.2.1版本更新了小程序登录授权增加隐私协议&#xff0c;但是重新发布后有部分用户无法授权&#xff0c;具体表现为点击同意隐私协议以后&#xff0c;授权无反应&#xff0c;主要原因是因为腾讯更新了授权指引相关信息&#xff0c;这里给出的处理办法是在小程序后台增加获…
阅读更多...
asp.net core在win上的发布和部署

asp.net core在win上的发布和部署

一、asp.net core两种发布方式 1、两个发布方式——【框架依赖发布】和【独立发布】 2、两种发布方式的差别 二、发布的详细过程 1、【生成】->【发布】 2、框架依赖发布 设置发布参数&#xff0c;然后进行发布 发布好的文件&#xff0c;把它们放到一个新的目录文件夹里 …
阅读更多...
R 语言学习教程，从入门到精通，R 绘图 散点图（25）

R 语言学习教程，从入门到精通，R 绘图 散点图（25）

1、R 绘图 散点图 散点图是将所有的数据以点的形式展现在直角坐标系上&#xff0c;以显示变量之间的相互影响程度&#xff0c;点的位置由变量的数值决定&#xff0c;每个点对应一个 X 和 Y 轴点坐标。 散点图可以使用 plot() 函数来绘制&#xff0c;语法格式如下&#xff1a; …
阅读更多...
数据库安全技术的重要性，避免成为SQL注入攻击的下一个目标

数据库安全技术的重要性，避免成为SQL注入攻击的下一个目标

数据库里存储了大量个人信息&#xff0c;包括一些非常敏感的资料&#xff0c;让必须管理数据库的公司十分头痛。如今&#xff0c;运用各种高级工具和技术&#xff0c;数据库开发人员可以在保持信息私密的状态下放心执行各种操作。 这些解决方案靠的是数学的巧妙应用。其中一些…
阅读更多...
一文彻底搞懂Fine-tuning - 超参数（Hyperparameter）

一文彻底搞懂Fine-tuning - 超参数（Hyperparameter）

Hyperparameter 超参数&#xff08;Hyperparameter&#xff09;&#xff0c; 是机器学习算法中的调优参数&#xff0c;用于控制模型的学习过程和结构。与模型参数&#xff08;Model Parameter&#xff09;不同&#xff0c;模型参数是在训练过程中通过数据学习得到的&#xff0…
阅读更多...
网络安全面试经验分享：蘑菇街/网络安全

网络安全面试经验分享：蘑菇街/网络安全

《网安面试指南》http://mp.weixin.qq.com/s?__bizMzkwNjY1Mzc0Nw&mid2247484339&idx1&sn356300f169de74e7a778b04bfbbbd0ab&chksmc0e47aeff793f3f9a5f7abcfa57695e8944e52bca2de2c7a3eb1aecb3c1e6b9cb6abe509d51f&scene21#wechat_redirect 蘑菇街 介绍…
阅读更多...
续：MySQL的并行复制

续：MySQL的并行复制

【示例】 如果数据复制的慢的话&#xff0c;就会导致主从数据不一致性&#xff1b; 有的企业需要数据保持强一致性&#xff1b;比如银行等&#xff1b; 日志回放默认是单线程&#xff1b; # mysql> show processlist; --------------------------------------------------…
阅读更多...
裁剪视频哪个软件好用？试试这些省时省力工具

裁剪视频哪个软件好用？试试这些省时省力工具

你是否曾为如何将一段长视频精准地分割成多个精彩片段而烦恼&#xff1f; 视频分割&#xff0c;作为视频剪辑中的基础且关键步骤&#xff0c;对于创作短视频、精选集锦或是捕捉那些稍纵即逝的动人瞬间至关重要。 别担心&#xff0c;今天我们就来揭秘3种免费的裁剪视频在线技巧…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023