import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data=pd.read_csv("data_in_need/000001.csv")
data.head()
data.Date=data.Date.apply(lambda x:pd.to_datetime(x,format="%m/%d/%Y"))
plt.plot(data.Date,data.Open)
plt.plot(data.Date,data.High)
plt.plot(data.Date,data.Low)
plt.plot(data.Date,data.Close)
plt.legend() #这句加标签
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data=pd.read_csv("000001.csv")
data["cha"]=data.High-data.Open
data.drop(["Open","High","Low","Close","Turnover","Volume","cha"],axis=1,inplace=True)
data["cha_diff"]=data.cha.diff()
plt.scatter(data.Date,data.cha_diff,alpha=0.5)
plt.show()
画图第一步，自然是导入画图所需要用到的函数。虽然我们画图用matplotlib，但是需要知道的是pandas也可以用来画图，并且十分便利。为了方便下来的实践。我们一次性将所需要用到的库导入。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
折线图是我最早接触的图像，可以使用plot函数很方便的画出来，也许是因为方便，我对这个函数印象深刻。 x、y、折线标签、颜色、粗细，线形，简单的几个几个参数就可以画出比较漂亮的图。
y=[10,23,34,23,45,31,23,13,43]
x=[0,1,2,3,4,5,6,7,8]
plt.plot(x,y,label="line",color="R",linewidth=1.0,linestyle="--")
到这里，折线图就画好了，但是是不是感觉图片有点小，看着不太舒服。没关系，我们只要在画图前设置画图区域的大小就可以了。下面我们就来看一下如何设置画图区域（对象）的大小。
我们使用plt.figure(figuresize=(10,10),dpi=72)来设置对象大小，并且可以设置图片的清晰度（dpi）。
plt.figure(figsize=(10,10),dpi=72)
plt.plot(x,y,label="line",color="R",linewidth=1.0,linestyle="--")
现在比上面大一点了！
柱状图的画法与折线图非常相似，几乎我们只需要将折线图的plot改为bar就可以达成我们的目的。
y=[10,23,34,23,45,31,23,13,43]
x=[0,1,2,3,4,5,6,7,8]
plt.bar(x,y,color="#66ccff",width=0.35,edgecolor="red")
下来解释一下，新用到的参数edgecolor相信大家也都看到了，我将edgecolor设置为红色，柱状图的周围就有了一个红色的边框。但是这似乎还是缺点什么，，仔细想想，每一列的准确值，我将如何得到？
为柱状图顶部添加具体数据。在上面画柱状图的基础上添加下面两行代码。
for x1,y1 in zip(x,y):
plt.text(x1,y1+0.05,'%.2f' %y1,ha='center')
这时候，我们已经解决了上面提出的问题。在每一列都标上了数据。
我们继续沿用上面的数据，来画一下最简单的散点图。我们通常用散点图来观察发现数据的分布规则。
plt.scatter(x,y)
当然，上面的数据是我随便取的看不出什么规则，我们再看看scatter函数的其他参数。
参数
示例
含义
marker
“o”
圈的意思，还有很多可以用的符号，如“*”，“+”，倒三角“v”，正方形“s”
alpha
默认None
调整点的透明度，范围0-1
norm
默认：None
调整点的亮度，范围0-1（float数据）
color
默认颜色
调整点的颜色，可简写为c
下面，我们用上这些参数来进行画图。数据依旧为上面用到的xy值。
plt.scatter(x,y,marker="o",color="green",alpha=0.2,norm=0.4)
上面的图片就是我们这条函数所画出来的效果。
饼图跟上面的那些略有相似之处，但是最简单的饼图只需要一个值，那就是，每一份占总体的值，值得注意的是，当sum(x)>1时，会进行归一化处理。
dy=[10,30,25,5,15,10,5]
plt.pie(dy)
下面来补充一下pie函数的参数
参数
说明
形式
x
每一块所占的比重
列表
labels
每一块饼外侧显示说明文字
列表
starttangle
绘制的方向，默认x正半轴逆时针开始，当设置为90°时，从y轴正半轴开始
数字
shadow
设置是否有阴影效果
True或False
labeldistance
标签位置
相对于半径的比例, 如<1则绘制在饼图内侧
autopct
控制饼图百分比
‘%1.1f’
radius
控制饼图半径
数字
我们带上参数来再画一次。
分析数据：前往下载
data=pd.read_csv("DataFolder/0101.csv")
data.head()
data.rename({"Adj Close":'aclose'},inplace=True)
data.columns=['Date', 'Open', 'High', 'Low', 'Close', 'aclose', 'Volume']
data.head()
data["total_value"]=data.Close*data.Volume
data.head()
import matplotlib.pyplot as plt
dif=np.diff(data.Close).tolist()
dif[:10]
time=data.Date[1:]
cjl=data.loc[:,["Date","total_value"]]
cjl.head()
plt.figure(figsize=(20,20))
plt.subplot(2,1,1)
plt.plot(time,dif)
plt.subplot(2,1,2)
plt.bar(cjl.Date,cjl.total_value)
plt.show()
data.head()
data.sort_values(by="Close").head()["Date"]
data.sort_values(by="Close").tail()["Date"]
data.head()
data.Date=data.Date.apply(lambda x: pd.to_datetime(x,format="%Y-%m-%d"))
data.tail()
data.Date=pd.DataFrame(pd.date_range(start="20120528",end="20180223"))
data.head()
data["weekday"]=data.Date.apply(lambda x:x.weekday())
data["year"]=data.Date.apply(lambda y: y.year)
data["week_of_year"]=data.Date.apply(lambda z:z.week)
data["quarter"]=data.Date.apply(lambda q:q.quarter)
data1=data.drop(["Open","High","Low"],axis=1)
因为在执行的时候发现总是会出现有的8天这种情况。经过检查，发现2013年的最后一天居然被归到了当年1月的第一周。下面是单独取出最后一周的方法。
data1[(data.week_of_year==1) & (data1.year==2012) &(data1.week_of_year<10) &(data1.quarter==4) ]
下面对于每一周求和
l_tmp=[]
l_td=[]
ll=[]
l_week=[]
lll_w=[]
t_value=[]
for y in range(2012,2019):
for i in range(1,54):
td=data1[(data1.week_of_year==i) & (data1.year==y) & (data1.quarter)].loc[:,["aclose"]]
td2=data1[(data1.week_of_year==i) & (data1.year==y) & (data1.quarter)].loc[:,["Volume"]]
if len(td)>7:
ll.append(y)
ll.append(i)
if len(td)>0:
l_td.append(len(td))
l_tmp.append(float(td.sum()))
t_value.append(float(td2.sum()))
l_week.append(int(i))
mm=data1[(data1.week_of_year==1) & (data1.year==y) &(data1.week_of_year<10) &(data1.quarter==4)]
if len(mm)>0:
l_td.append(len(mm))
l_tmp.append(float(mm.loc[:,["aclose"]].sum()))
t_value.append(float(mm.loc[:,["Volume"]].sum()))
l_week.append(int(54))
lll_w.append(mm.loc[:,["aclose"]].sum())
下图展示的是列表里的内容 
下来将列表重新转化为DateFrame.
res={"week":l_week,"week_sum":l_tmp,"days":l_td,"Volume":t_value}
data2=pd.DataFrame(res)
data2.head()
data2["average_week"]=data2.week_sum/data2.days
data2["average_Volume"]=data2.Volume/data2.days
data2.head()
data2["average_price_in_a_week"]=data2.average_week*data2.average_Volume
截图比较长，因此放出部分内容。
data["bo_dong_l"]=(data.High-data.Low)/data.Low
data.sort_values(by="bo_dong_l",ascending=False)[:5]
