Python学习笔记：利用mplfinance的plot绘制K线图

mplfinance是专用于金融数据的可视化分析模块，是基于matplotlib的实用模块程序。

一、从mpl-finance转到mplfinance

1、安装mpl-finance模块

pip install mpl-finance

2、导入mpl_finance模块出现警告

import mpl_finance as mpf

• 弹出警告信息：mpl_finance被废弃了，请使用mplfinance（没有短横线，没有下划线）。

3、安装mplfinance模块

pip install mplfinance

4、安装pandas.datareader模块

pip install pandas.datareader

扫描二维码关注公众号，回复： 12091825 查看本文章

二、获取在线数据，绘制K线图

1、利datareader读取在线股市数据

import pandas_datareader as pdr
dir(pdr)

结果：
['DataReader',
 'Options',
 '__all__',
 '__builtins__',
 '__cached__',
 '__doc__',
 '__file__',
 '__loader__',
 '__name__',
 '__package__',
 '__path__',
 '__spec__',
 '__version__',
 '_utils',
 '_version',
 'av',
 'bankofcanada',
 'base',
 'compat',
 'data',
 'econdb',
 'enigma',
 'eurostat',
 'exceptions',
 'famafrench',
 'fred',
 'get_components_yahoo',
 'get_dailysummary_iex',
 'get_data_alphavantage',
 'get_data_enigma',
 'get_data_famafrench',
 'get_data_fred',
 'get_data_moex',
 'get_data_quandl',
 'get_data_stooq',
 'get_data_tiingo',
 'get_data_yahoo',
 'get_data_yahoo_actions',
 'get_iex_book',
 'get_iex_data_tiingo',
 'get_iex_symbols',
 'get_last_iex',
 'get_markets_iex',
 'get_nasdaq_symbols',
 'get_quote_yahoo',
 'get_recent_iex',
 'get_records_iex',
 'get_summary_iex',
 'get_tops_iex',
 'iex',
 'io',
 'moex',
 'nasdaq_trader',
 'naver',
 'oecd',
 'quandl',
 'stooq',
 'tiingo',
 'yahoo']

import pandas_datareader as pdr
data = pdr.get_data_yahoo('INTC', '2020/9/1', '2020/10/1')

• 如果你要访问IBM公司的股票数据，将第一个参数改成‘IBM’即可

data = pdr.get_data_yahoo(‘IBM’, ‘2020/9/1’, ‘2020/10/1’)

2、利用mplfinace的plot()绘制K线图

3、修改plot绘图类型

• 通过参数type修改绘图类型，默认是ohlc，可改成type=‘candle’ 或者 type=‘line’
  
  

4、增加绘制均线

• 关键字参数 mav=(2, 5, 10)，多条均线使用元组，只绘制一条均线，可以mav=10
  
  

5、绘制成交量

• 关键字参数volume=True
  

6、自动剔除非交易日空白

• 关键字参数show_nontrading，默认是False，设置为True，就可以看到停盘的时间段
  
• 由于上述读取的数据没有停盘时间段，因此绘图没有什么不同。

7、绘制IBM公司股票2020年9月K线图

三、读取本地数据，绘制K线图

1、查看本地数据

• 说明，plot()函数的参数data必须是pandas.DataFrame数据类型，对所包含的列也有要求，必须包含’Open’, ‘High’, ‘Low’ 和 ‘Close’ 数据（注意首字母必须大写），而且行索引必须是pandas.DatetimeIndex，行索引的名称必须是’Date‘，此外还有一列是’Volume’是可选项。

2、读取本地数据

import pandas as pd
import mplfinance as mpf
data = pd.read_csv('d:/python_work/202010/test2020.csv', index_col='Date')

3、将索引类型更改为DatetimeIndex

data.index = pd.DatetimeIndex(data.index)

4、绘制K线图，剔除非交易时段

mpf.plot(data, type=‘candle’, mav=(2, 5, 10), volume=True)

5、绘制K线图，显示非交易时段

mpf.plot(data, type=‘candle’, mav=(2, 5, 10), volume=True, show_nontrading=True)

四、设置plot()函数的addplot参数

1、读取IBM公司2020年10月1日到10月23日数据

import mplfinance as mpf
import pandas_datareader as pdr
data = pdr.get_data_yahoo('IBM', '2020/10/1', '2020/10/23')
data.head(5)

• 将数据导出到ibm_data.csv
  
• 打开ibm_data.csv，添加一列MidValue
  
• 读取本地的数据文件 - ibm_data.csv

data = pd.read_csv('d:/python_work/202010/ibm_data.csv', index_col='Date')
data.index = pd.DatetimeIndex(data.index)

• 现在，我们要在K线图上添加刚才新增列 - MidValue

2、利用make_addplot()函数定义addplot参数值

add_plot = mpf.make_addplot(data['MidValue'])

3、绘制K线图，增加MidValue列对应的曲线

mpf.plot(data, type='candle', addplot=add_plot)

4、绘制K线图，添加High、MidValue和Low对应的曲线

add_plot = mpf.make_addplot(data[['High', 'MidValue', 'Low']])
mpf.plot(data, type='candle', addplot=add_plot)

5、在结果图上添加标记

a_list = data.High.tolist()

b_list = data.Low.tolist()

add_plot = [
      mpf.make_addplot(a_list, scatter=True, markersize=100, marker='v', color='y'),
      mpf.make_addplot(b_list, scatter=True, markersize=100, marker='^', color='r'),
      mpf.make_addplot(data['MidValue'])]

mpf.plot(data, type='candle', addplot=add_plot)

五、pandas_datareader补充说明

1、可访问的公司与机构

pandas_datareader是一个远程获取金融数据的Python工具，利用它可方便获得下面公司和机构的数据：

• 雅虎金融：Yahoo! Finance
• 谷歌金融：Google Finance
• Enigma公共数据搜索提供商： Enigma
• 圣路易斯联邦储备银行：St.Louis FED (FRED)
• 肯尼斯弗兰奇资料库：Kenneth French’s data library
• 世界银行：World Bank
• 经合组织：OECD
• 欧盟统计局：Eurostat
• 美国联邦政府管理离退休的组织：Thrift Savings Plan
• 纳斯达克交易符号定义：Nasdaq Trader symbol definitions

2、访问谷歌金融数据

• 访问IBM公司2020年9月份股票数据
  
• 绘制IBM公司2020年9月份股票K线图
  
• 访问IBM公司2020年1月1日到10月22日股票数据
  
• 绘制IBM公司2020年1月1日到10月22日股票K线图
  

3、访问纳斯达克交易符号定义

4、访问世界银行NY.GDP.PCAP.KD数据

• 获取美国、中国、日本最近二十年的NY.GDP.PCAP.KD数据

from pandas_datareader import wb

data = wb.download(indicator='NY.GDP.PCAP.KD', country=['US', 'CN', 'JP'], start=2001, end=2020)

data
Out[3]: 
                    NY.GDP.PCAP.KD
country       year                
China         2020             NaN
              2019     8254.300930
              2018     7806.953095
              2017     7346.611355
              2016     6907.962011
              2015     6500.281937
              2014     6103.590270
              2013     5710.587873
              2012     5325.160106
              2011     4961.234689
              2010     4550.453596
              2009     4132.902312
              2008     3796.633363
              2007     3480.152725
              2006     3062.534905
              2005     2732.165880
              2004     2467.132843
              2003     2253.929689
              2002     2061.162284
              2001     1901.407630
Japan         2020             NaN
              2019    49187.833090
              2018    48766.133663
              2017    48510.609409
              2016    47403.046912
              2015    47102.580878
              2014    46484.155267
              2013    46249.209589
              2012    45276.874335
              2011    44538.726191
              2010    44507.676386
              2009    42724.760370
              2008    45165.787919
              2007    45687.273815
              2006    44995.494492
              2005    44393.626384
              2004    43671.679974
              2003    42744.011285
              2002    42190.804873
              2001    42239.184926
United States 2020             NaN
              2019    55670.235709
              2018    54659.198268
              2017    53382.764823
              2016    52555.518032
              2015    52116.738813
              2014    51028.824895
              2013    50171.237133
              2012    49603.253474
              2011    48866.053277
              2010    48467.515777
              2009    47648.813250
              2008    49319.478865
              2007    49856.281491
              2006    49405.767296
              2005    48499.812376
              2004    47287.593772
              2003    45980.514585
              2002    45087.367279
              2001    44728.597475

• 求三个国家数据的均值

data['NY.GDP.PCAP.KD'].groupby(level=0).mean()
Out[4]: 
country
China             4702.903026
Japan            45359.972092
United States    49701.871926
Name: NY.GDP.PCAP.KD, dtype: float64

• 美国、中国、日本近二十年人均GDP对比图

from pandas_datareader import wb
dat = wb.download(indicator='NY.GDP.PCAP.KD', country=['US', 'CN', 'JP'], start=2001, end=2020)

dat
Out[3]: 
                    NY.GDP.PCAP.KD
country       year                
China         2020             NaN
              2019     8254.300930
              2018     7806.953095
              2017     7346.611355
              2016     6907.962011
              2015     6500.281937
              2014     6103.590270
              2013     5710.587873
              2012     5325.160106
              2011     4961.234689
              2010     4550.453596
              2009     4132.902312
              2008     3796.633363
              2007     3480.152725
              2006     3062.534905
              2005     2732.165880
              2004     2467.132843
              2003     2253.929689
              2002     2061.162284
              2001     1901.407630
Japan         2020             NaN
              2019    49187.833090
              2018    48766.133663
              2017    48510.609409
              2016    47403.046912
              2015    47102.580878
              2014    46484.155267
              2013    46249.209589
              2012    45276.874335
              2011    44538.726191
              2010    44507.676386
              2009    42724.760370
              2008    45165.787919
              2007    45687.273815
              2006    44995.494492
              2005    44393.626384
              2004    43671.679974
              2003    42744.011285
              2002    42190.804873
              2001    42239.184926
United States 2020             NaN
              2019    55670.235709
              2018    54659.198268
              2017    53382.764823
              2016    52555.518032
              2015    52116.738813
              2014    51028.824895
              2013    50171.237133
              2012    49603.253474
              2011    48866.053277
              2010    48467.515777
              2009    47648.813250
              2008    49319.478865
              2007    49856.281491
              2006    49405.767296
              2005    48499.812376
              2004    47287.593772
              2003    45980.514585
              2002    45087.367279
              2001    44728.597475

# -*- coding: utf-8 -*-
"""
Created on Fri Oct 23 12:13:00 2020

@author: howard

美国、中国、日本近二十年人均GDP对比图
"""

from pandas_datareader import wb
import matplotlib.pyplot as plt

dat = wb.download(indicator='NY.GDP.PCAP.KD', country=['US', 'CN', 'JP'], start=2001, end=2020)
dat2draw = dat.unstack(level=0)

plt.figure(figsize=(10,4))
plt.plot(dat2draw.iloc[:,0], 'r-', label="China")
plt.plot(dat2draw.iloc[:,1], 'b-*', label="Japan")
plt.plot(dat2draw.iloc[:,2], 'g--', label="USA")
plt.title("PER CAPITA GDP ($)", fontsize=20)
plt.legend()

• 运行程序，查看结果