Python小白数据可视化教程： Matplotlib 精讲

点击


“简说Python”


，选择

“置顶/星标公众号”

福利干货，第一时间送达！

0
引言
本文是 Python 数据分析系列的第八篇

Python小白教程：入门篇 (上)

Python小白教程：入门篇 (下)

Python小白数据科学教程：NumPy (上)

Python小白数据科学教程：NumPy (下)

Python小白数据科学教程：SciPy精讲

Python小白数据科学教程：Pandas (上)

Python小白数据科学教程：Pandas (下)

今天，我们讲讲数据可视化工具 Matplotlib。

Matplotlib 是 Python 中最基本的可视化工具，官网里 (
(
https://matplotlib.org/
) 有无数好资料，但这不是重点，本文肯定和市面上的所有讲解都不一样。
和 NumPy, SciPy, Pandas 一样，要用 Matplotlib，首先引用其库。

import matplotlib

先来类比一下人类和 Matplotlib 画图过程。

想想平时我们怎么画图，是不是分三步

• 找画板
• 用调色板
• 画画

Matplotlib 模拟了类似过程，也分三步

• FigureCanvas
• Renderer
• Artist

上面是 Matplotlib 里的三层 API：

1. FigureCanvas 帮你确定画图的地方
2. Renderer 帮你把想画的东西展示在屏幕上
3. Artist 帮你用 Renderer 在 Canvas 上画图

95% 的用户 (我们这些凡人) 只需用 Artist 就能自由的在电脑上画图了。
下面代码就是给 matplotlib 起了个别名 mpl，由于用 matplotlib.plot 比较多，也给它起了个别名 plt。

import matplotlib as mpl

import matplotlib.pyplot as plt

%matplotlib inline

而 %matplotlib inline 就是在 Jupyter notebook 里面内嵌画图的，

在画图中，个人偏好百度 Echarts 里面的一组颜色，因此将其 hex 颜色代码定义出来留在后面用。其中
红色的 r_hex

和
深青色的 dt_hex

是大爱。 

r_hex = '#dc2624'     # red,       RGB = 220,38,36

dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80

tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162

r1_hex = '#e87a59'    # red,       RGB = 232,122,89

tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169

g_hex = '#649E7D'     # green,     RGB = 100,158,125

o_hex = '#dc8018'     # orange,    RGB = 220,128,24

tn_hex = '#C89F91'    # tan,       RGB = 200,159,145

g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108

bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104

g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

本章我们用以下思路来讲解：

• 第一章介绍 matplotlib 中的绘图逻辑，图包含的重要元素和他们之间的层级 (hierarchy)

• 第二章只关注折线图 (line chart)，但是一步步从最初的烂图完善到最终的美图。
  这样可以把一种类型的图中的性质吃透，类比到其他类型的图一点也不难
  
  。

• 第三章从画图的四大目的出发，即 分布
  、 联系
  、 比较
  和 构
  成
  ，介绍了相对应的直方图 (historgram chart)，散点图 (scatter chart)，折线图 (line chart) 和饼状图 (pie chart)。
  这章偏向于用合适的图来实现不同的目的，没有在如何完善图的方面上下功夫，
  但在最后一节提到了如何画出使信息更有效的表达的图
  
  。

注：第二、三章的例子都用金融数据举例，在公众号对话框输入 data 可下载数据。
本帖目录如下：

第一章 - Matplotlib 101
    1.1 概览
    1.2 图
    1.3 坐标系 & 子图
    1.4 坐标轴 
    1.5 刻度 
    1.6 基础元素 
第二章 - 画美感图
    2.1 画第一幅图 
    2.2 图的默认设置 
    2.3 设置尺寸和 DPI
    2.4 设置颜色-风格-宽度
    2.5 设置边界
    2.6 设置刻度标签
    2.7 添加图例
    2.8 添加第二幅图
    2.9 两个坐标系 & 两幅子图
    2.10 设置标注
    2.11 设置透明度
    2.12 完善细节
 
第三章 - 画有效图
    3.1 概览 
    3.2 直方图 
    3.3 散点图
    3.4 折线图
    3.5 饼状图
    3.6 同理心
 
总结

1
Matplotlib 101

1.1
概览
Matplotlib 是一个巨无霸，咋一看无从下手，只能分解之后各点击破。总体来说，它包含两类元素：

• 基础 (primitives) 类：线 (line), 点 (marker), 文字 (text), 图例 (legend), 网格 (grid), 标题 (title), 图片 (image) 等。

• 容器 (containers) 类：图 (figure), 坐标系 (axes), 坐标轴 (axis) 和刻度 (tick)

基础类元素是我们想画出的标准对象，而 容器类元素是基础类元素的寄居出，它们也有层级结构。

图 → 坐标系 → 坐标轴 → 刻度

由上图看出：

• 
  图
  
  包含着
  坐标系
  
  (多个)

• 
  坐标系
  
  由
  坐标轴
  
  组成 (横轴 xAxis 和纵轴 yAxis)

• 
  坐标轴
  
  上面有
  刻度
  
  (主刻度 MajorTicks 和副刻度 MinorTicks)

Python 中万物皆对象，Matplotlib 里这些元素也都是对象。下面代码打印出
坐标系

、
坐标轴

和
刻度

。

fig = plt.figure()

ax = fig.add_subplot(1,1,1)

plt.show()




xax = ax.xaxis

yax = ax.yaxis




print( 'fig.axes:', fig.axes, '\n')

print( 'ax.xaxis:', xax )

print( 'ax.yaxis:', yax, '\n' )

print( 'ax.xaxis.majorTicks:', xax.majorTicks, '\n' )

print( 'ax.yaxis.majorTicks:', yax.majorTicks, '\n')

print( 'ax.xaxis.minorTicks:', xax.minorTicks )

print( 'ax.yaxis.minorTicks:', yax.minorTicks )

从打印结果可看出
坐标系

、
坐标轴

和
刻度

都是对象。细看一下发现 xaxis 和 yaxis 上面都有 6 个主刻度 (majorTicks)。

此外，由 坐标系
和
坐标轴

指向同一个图 (侧面验证了 图
、 坐标系
和
坐标轴

的层级性)。

print( 'axes.figure:', ax.figure )

print( 'xaxis.figure:', xax.figure )

print( 'yaxis.figure:', yax.figure )

axes.figure: Figure(432x288)
xaxis.figure: Figure(432x288)
yaxis.figure: Figure(432x288)

创造完以上四个容器元素后，我们可在上面添加各种基础元素，比如：

• 在
  坐标轴
  
  和
  刻度
  
  上添加标签

• 在
  坐标系
  
  中添加线、点、网格、图例和文字

• 在
  图
  
  中添加图例

如下图所示：

接下来四节分别介绍四大容器，让我们先从「图」开始。

1.2
图
图是整个层级的顶部。
在图中可以添加基本元素「文字」。

plt.figure()

plt.text( 0.5, 0.5, 'Figure', ha='center', 

          va='center', size=20, alpha=.5 )

plt.xticks([]), plt.yticks([])

plt.show()

用 plt.text()
函数，其参数解释如下：

• 第一、二个参数是指横轴和纵轴坐标
• 第三个参数字符是指要显示的内容
• ha, va 是横向和纵向位置
• size 设置字体大小
• alpha 设置字体透明度 (0.5 是半透明)

在图 中
可以添加基本元素「图片」。

from PIL import Image

plt.figure()

plt.xticks([]), plt.yticks([])

im = np.array(Image.open('Houston Rockets.png'))

plt.imshow(im)

plt.show()

用 Image.open()
将图片转成像素存在 ndarray 中，再用 plt.imshow()
展示。

在图 中
可以添加基本元素「折线」。

plt.figure()

plt.plot( [0,1],[0,1] )

plt.show()

plt.plot()
函数是用来画折线图的，前两个参数分别是 x 和 y，该函数会在第二节细讲。

当我们每次说画东西，看起来是在图 (Figure) 里面进行的，实际上是在坐标系 (Axes) 里面进行的。一幅图中可以有多个坐标系，因此在坐标系里画东西更方便 (有些设置使用起来也更灵活)。

下面来看看层级中排名第二的「坐标系」。

1.3
坐标系 & 子图
一幅图 (Figure) 中可以有多个坐标系 (Axes)，那不是说一幅图中有多幅子图 (Subplot)，因此坐标系和子图是不是同样的概念？
在绝大多数情况下是的，两者有一点细微差别：

• 子图在母图中的网格结构一定是规则的
• 坐标系在母图中的网格结构可以是不规则的

由此可见，子图是坐标系的一个特例，来我们先研究特例。
把图想成矩阵，那么子图就是矩阵中的元素，因此可像定义矩阵那样定义子图 – (行数、列数、第几个子图)。

 

subplot(rows,
columns, i-th plots)

文字解释起来有些晦涩，看代码和图就好懂了。
1×2 子图

这两个子图类似于一个列向量

• subplot(2,1,1)
  是第一幅

• subplot(2,1,2)
  是第二幅

声明完子图后，下面所有代码就只在这幅子图上生效，直到声明下一幅子图。
2×1 子图

这两个子图类似于一个行向量

• subplot(1,2,1)
  是第一幅

• subplot(1,2,2)
  是第二幅

2×2 子图

这次我们用过坐标系来生成子图 (子图是坐标系的特例嘛)，第 1 行

fig, axes = plt.subplots(nrows=2, ncols=2)

得到的 axes 是一个 2×2 的对象。在第 3 行的 for 循环中用 axes.flat 将其打平，然后在每个 ax 上生成子图。
坐标系比子图更通用，有两种生成方式

• 用 gridspec
  包加上 subplot() 

• 用 plt.axes()

不规则网格

第 2 行将整幅图分成 3×3 份赋值给 G，第 4, 8, 12, 16, 20 行分别用
plt.subplot(G[]) 
生成五个坐标系。G[] 里面的切片和 Numpy 数组用法一样：

• G[0, :] = 图的第一行 (Axes 1)
• G[1, :-1] = 图的第二行，第二三列 (Axes 2)
• G[1:, -1] = 图的第二三行，第三列 (Axes 3)
• G[-1, 0] = 图的第三行，第一列 (Axes 4)
• G[-1, -2] = 图的第三行，第二列 (Axes 5)

大图套小图

第 1 和 5 行分别用
plt.axes([l,b,w,h]) 
其中 [l, b, w, h] 可以定义坐标系

• l 代表坐标系左边到 Figure 左边的水平距离
• b 代表坐标系底边到 Figure 底边的垂直距离
• w 代表坐标系的宽度
• h 代表坐标系的高度

如果 l, b, w, h 都小于 1，那它们是标准化 (normalized) 后的距离。比如 Figure 底边长度为 10， 坐标系底边到它的垂直距离是 2，那么 b = 2/10 = 0.2。
重叠图

不解释，懂了 [l, b, w, h] 的意思这幅重叠图应该知道怎么生成了。
在本小节最后，总结一下两种生成单个坐标系的方法 (生成多个坐标系可以类推)。

超级细心的读者可能会发现，上面所有的图都看不到坐标轴和刻度啊，是的，我是故意这样做的，在深度研究坐标系和子图时，剔除不必要的信息，用的是以下代码 (将刻度设为空集 [])：
plt.xticks([]), plt.yticks([])
或

ax.set( xticks=[], yticks=[] )
 

 

现在是时候来看看层级中排名第三的「坐标轴」。

1.4
坐标轴
一个坐标系 (Axes)，通常是二维，有两条坐标轴 (Axis)：

• 横轴：XAxis
• 纵轴：YAxis

每个坐标轴都包含两个元素

• 容器类元素「刻度」，该对象里还包含
  刻度本身
  
  和
  刻度标签
  

• 基础类元素「标签」，该对象包含的是
  坐标轴标签
  

「刻度」和「标签」都是对象，下面代码通过改变它们一些属性值来进行可视化。

第 2 和 3 行打印出 x 轴和 y 轴的标签。

第 5 到 9 行处理「刻度」对象里的刻度标签，将它颜色设定为
深青色

，字体大小为 20，旋转度 45 度。

第 11 到 15 行处理「标签」对象的刻度本身 (即一条短线)，将它颜色设定为
红色

，标记长度和宽度为 500 和 30 (夸张了些，但就为大家看清楚这条代表刻度的短线！)。

万物皆对象，坐标轴也不例外，下面代码打印出 x 轴的标签、刻度位置点、 刻度标签、刻度线，刻度标签位置、主刻度。

print( ax.xaxis.get_label() )

print( ax.xaxis.get_ticklocs() )

print( ax.xaxis.get_ticklabels() )

print( ax.xaxis.get_ticklines() )

print( ax.xaxis.get_ticks_position() )

print( ax.xaxis.get_major_ticks() )

Text(0.5, 17.200000000000003, 'Label on x-axis')
[0. 0.2 0.4 0.6 0.8 1. ]
<a list of 6 Text major ticklabel objects>
<a list of 12 Line2D ticklines objects>
bottom

[<matplotlib.axis.XTick object at 0x000001ED438A95C0>,
 <matplotlib.axis.XTick object at 0x000001ED438A1F28>,
 <matplotlib.axis.XTick object at 0x000001ED43886940>,
 <matplotlib.axis.XTick object at 0x000001ED438C92E8>,
 <matplotlib.axis.XTick object at 0x000001ED438C98D0>,
 <matplotlib.axis.XTick object at 0x000001ED438C9DA0>]

问题：其他都好懂，比如 6 个刻度标签，但为什么有 12 条刻度线？不应该是 6 条吗？我查了半天资料都查不到，知道答案的同学可留言。
我的猜测是，当每条刻度线加粗后的像是一个刻度矩形，由 2 条刻度线组成，那么总共就是 12 条？
下面来看看层级中排名第四也是最后的「刻度」。

1.5
刻度
刻度 (Tick) 其实在坐标轴那节已经讲过了，它核心内容就是

• 一条短线 (刻度本身)
• 一串字符 (刻度标签)

本节想继续深挖刻度，即看看不同类型的刻度，需要用到各种各样的 Tick Locators。

前期工作

为了显示不同类型的刻度，首先定义一个 setup(ax)
函数，主要功能有

• 去除左纵轴 (y 轴)、右纵轴和上横轴
• 去除 y 轴上的刻度
• 将 x 轴上的刻度位置定在轴底
• 设置主刻度和副刻度的长度和宽度
• 设置 x 轴和 y 轴的边界
• 将图中 patch 设成完全透明

注：这些操作都是为了下面显示刻度用，往下看就知道为什么这么做的。
为了感受一下上面每个操作对原图产生的效果，我们画出 6 个子图，其中

• 第一幅是原图
• 第二幅处理左、右、上轴
• 第三幅处理刻度标签
• 第四幅处理刻度尺寸
• 第五幅处理坐标轴边界
• 第六幅处理颜色和透明度

代码如下：

将上面效果全部合并，这个 setup(ax)
就是把坐标系里所有元素都去掉，只留 x 轴来添加各种刻度。

刻度展示

不同的 locator() 可以生成不同的刻度对象，我们来研究以下 8 种：

1. NullLocator()
   : 空刻度

2. MultipleLocator(a)
   : 刻度间隔 = 标量 a

3. FixedLocator(a)
   : 刻度位置由数组 a 决定

4. LinearLocator(a)
   : 刻度数目 = a, a 是标量

5. IndexLocator(b, o)
   : 刻度间隔 = 标量 b，偏移量 = 标量 o

6. AutoLocator()
   : 根据默认设置决定

7. MaxNLocator(a)
   : 最大刻度数目 = 标量 a

8. LogLocator(b, n)
   : 基数 = 标量 b，刻度数目 = 标量 n

代码如下：

上图其实包含 8 个子图，但只含有 x 轴，这也是为什么要先定一个 setup(ax)
函数来只保留 x 轴。另外将 patch 的 alpha 设为 0 使其完全透明，就是为了有些标签在子图交界处还能显示出来。感兴趣的同学可以把 alpha 设成 1 看看上图变成什么样子了。

1.6
基础元素
目前，我们已经介绍四个最重要的容器以及它们之间的层级
Figure → Axes → Axis → Ticks

图 → 坐标系 → 坐标轴 → 刻度
但要画出一幅有内容的图，还需要在容器里添加基础元素比如线 (line), 点 (marker), 文字 (text), 图例 (legend), 网格 (grid), 标题 (title), 图片 (image) 等，具体来说

• 画一条线，用 plt.plot()
  或 ax.plot()

• 画个记号，用 plt.scatter()
  或 ax.scatter()

• 添加文字，用 plt.text()
  或 ax.text()

• 添加图例，用 plt.legend()
  或 ax.legend()

• 添加图片，用 plt.imshow()
  或 ax.imshow()

最后用 Matplotlib 官网的图来总结所有元素。

现在你基本理解了 Matplotlib 里面的绘图逻辑和元素，下两节分别从不同维度 (深度和广度) 研究如何画图：

• 第二节只研究一种类型的图「折线图」，但从头到尾不断根据需求添加元素完善它。深度研究做到完美！

• 第三节研究四种类型的图 (展示数据的分布、联系、对比和组成)，却没在美感上下功夫，广度研究满足目的！

但读完后两节后，你应该可以在各种类型的图上做到完美。

2
画美感图
本节记录着老板让斯蒂文绘图不断提需求直到把他逼疯的一段对话。

我是老板，我要求很高。

我是斯蒂文，我能力很强。

2.1
画第一幅图

画一幅标准普尔 500 指数在 2007-2010 的走势图。

小菜一碟， 用 Pandas 读取
数据存成 DataFrame，再用 Matplotlib 里的 plt.plot() 画图。

首先用 pd.read_csv
函数从存好的 S&P500.csv，截屏如下：

该函数中三个参数代表：

• index_col = 0 是说把第一列 Date 当成行标签 (index)

• parse_dates =
  True
  
  是说把行标签转成 date 对象

• dayFirst =
  True
  
  是说日期是 DD/MM/YYYY 这样的格式

data = pd.read_csv( 'S&P500.csv', 

                    index_col=0, 

                    parse_dates=True,

                    dayfirst=True )

data.head(3).append(data.tail(3))

S&P 500 的数据从 1950 年 1 月 3 号开始，老板只需要 2007 年 1 月 1 日到 2010 年 1 月 1 日的数据。做个切片即可，存储成 spx。

spx = data[['Adj Close']]

      .loc['2007-01-01':'2010-01-01']

spx.head(3).append(spx.tail(3))

spx 是个 DataFrame，将它的值一个个画出折线图只需用 plt.plot()
函数，展示在屏幕需用 plt.show()
。

plt.plot( spx.values )

plt.show()

此图虽丑，但也满足了老板的需求，即标准普尔 500 指数在 2007-2010 的走势图。斯蒂文提交给了老板。

2.2
图的默认设置

这图也太丑了，而且横轴不是日期，我怎么知道金融危机发生在什么时候？再改一次！

要求合理，没问题。

要修改图就必须知道它的属性，用 plt.rcParams
可查看上图的所有默认属性 (非常多的属性值)。

plt.rcParams

看完上面的属性值后，斯蒂文决定在图表尺寸 (figsize)，每英寸像素点 (dpi)，线条颜色 (color)，线条风格 (linestyle)，线条宽度 (linewidth)，横纵轴刻度 (xticks, yticks)，横纵轴边界 (xlim, ylim) 做改进。那就先看看它们的默认属性值是多少。

print( 'figure size:', plt.rcParams['figure.figsize'] )

print( 'figure dpi:',plt.rcParams['figure.dpi'] )

print( 'line color:',plt.rcParams['lines.color'] )

print( 'line style:',plt.rcParams['lines.linestyle'] )

print( 'line width:',plt.rcParams['lines.linewidth'] )




fig = plt.figure()

ax = fig.add_subplot(1, 1, 1)

ax.plot( spx['Adj Close'].values )




print( 'xticks:', ax.get_xticks() )

print( 'yticks:', ax.get_yticks() )

print( 'xlim:', ax.get_xlim() )

print( 'ylim:', ax.get_ylim() )

将属性值打印结果和图一起看一目了然。现在我们知道这张图大小是 6×4，每英寸像素有 72 个，线颜色 C0 代表是蓝色，风格 – 是连续线，宽度 1.5，等等。
斯蒂文现在有个“大胆”的想法，把这些默认属性值显性的在代码出写出来，画出来的跟什么设置都不写生成的图应该是一样的。来验证一下：

一模一样！

。。。你这不是瞎耽误时间吗？

不这样把默认属性值的显性写出来，我怎么知道如何改进？

老板将信将疑。。。

2.3
设置尺寸和 DPI

图的尺寸差，3 年数据这么长图宽点比较好。

属性名称在手，改 figsize 就行了。

用 figsize
和 dpi
一起可以控制图的大小和像素。

函数 figsize(w,h)
决定图的宽和高 (单位是英寸)，而属性  dpi
全称 dots per inches，测量每英寸多少像素。两个属性一起用，那么得到的图的像素为
(w*dpi, h*dpi)
套用在下面代码中，我们其实将图的大小设置成 16×6 平方英寸，而像素设置成 (1600, 600)，因为 dpi = 100。

plt.figure( figsize=(16,6), dpi=100 )

plt.plot( spx.values )

plt.show()

运行代码生成大宽屏图！

2.4
设置颜色-风格-宽度

线条有点纤细，这种蓝也不高雅。

纤细？不高雅？Excuse me？

在 plt.plot()
用  
color

， linewidth
 
和
linestyle
 属性一起可以控制折线的颜色 (上面定义的

深
青色

)、宽度 (2 像素) 和风格 (连续线)。

plt.figure( figsize=(16,6), dpi=100 )

plt.plot( spx.values, color=dt_hex, 

          linewidth=2, linestyle='-' )

plt.show()

现在线条更明显了，而
深青色

看起来也比较有品位。

2.5
设置边界

横轴怎么是数字，不应该是日期么？另外这条线快碰到天花板了。

这个需求合理，设置下横轴和纵轴的边界就可以了。

下面代码第 2 行在图中 (fig) 添加了一个坐标系 (ax)，然后所有操作都在 ax 里面完成，比如用

• ax.plot()
  来画折线

• ax.set_xlim()
  , ax_set_ylim()
  来设置横轴和纵轴的边界

第 3 行的 x 是日期 (回顾 spx 是一个 DataFrame，行标签是日期)。
第 6 行将横轴的上下边界设为 2007-01-01 和 2010-01-01，只好是整个时间序列的起始日和终止日。

第 7 行 将纵轴的上下边界设为 spx 的最小值的 0.8 倍和最大值的 1.2 倍。

现在横轴的刻度标签都是日期，比数字刻度带来的信息多；而 spx 图离顶部也有空间，看起来没那么挤。

2.6
设置刻度和标签

横轴日期隔得有点开，而且只有年月，没有日。

没有日？Interesting

上图横轴的刻度个数 (老板说日期隔得有点开) 和标签显示 (老板说只有年月) 都是默认设置。为了满足老板的要求，斯蒂文只能手动设置，用以下两个函数：

• 先用 ax.set_ticks()
  设置出数值刻度

• 再用 ax.set_xticklabels()
  在对应的数值刻度上写标签

第 7 行设置横轴的边界，下界是 – 1，上界是 len(x) +1。
第 10 行先设置横轴「数值刻度」为 range(0,len(x), 40)，即 0, 40, 80, ….

第 11 行在这些 「数值刻度」上写标签，即格式为

%Y-%m-%d
 的日期。由于日期个数比较多，而且日期字符比较长，直接在图中显示出来会相互重叠非常难看。这里调节参数 rotation = 90 使得日期逆时针转了 90 度，看上图效果好多了。

现在横轴的刻度标签是带「年-月-日」的日期，而且标签的间隔刚刚好。

2.7
添加图例

怎么没有图例？能不能专业一点。

这不是 S&P 500 吗？一条时间序列要啥图例？难道接下来要画两条序列？

添加图例 (legend) 非常简单，只需要在 ax.plot()
里多设定一个参数 label，然后用
ax.legend()

其中 loc = 0
表示 matplotlib 自动安排一个最好位置显示图例，而 frameon =
True

给图例加了外框。

注意图的右上角多了图例
S&P500

。

2.8
添加第二幅图

对，就是要画两条序列，把恐慌指数 VIX 也加进去。

不扶墙就服你，但这个需求太简单。

在改进代码之前，先介绍一下 VIX 指数。

知识点

VIX 指数是芝加哥期权交易所 (CBOE) 市场波动率指数的交易代号，常见于衡量 S&P500 指数期权的隐含波动性，通常被称为「恐慌指数」，它是了解市场对未来30天市场波动性预期的一种衡量方法。

由其定义可知，S&P500 指数涨时，VIX 跌，而 S&P500 指数暴跌时，VIX 暴涨。

和之前一样，首先用 pd.read_csv
函数从存好的 VIX.csv 读取数据存成 DataFrame。

data = pd.read_csv( 'VIX.csv', index_col=0, 

                               parse_dates=True,

                               dayfirst=True )

vix = data[['Adj Close']]

     .loc['2007-01-01':'2010-01-01']

vix.head(3).append(vix.tail(3))

添加第二幅图也很简单，用两次 plt.plot()
或者 ax.plot()
即可。这里面用的是 plt
没用 ax
，没有特殊原因，在本例中两者可以随意使用，但两者在使用「 .methods
」时有个小细节不知道大家注意到没有，

• plt.xlim
• plt.ylim
• plt.xticks

• ax.set_xlim
• ax.set_ylim
• ax_set_xticks

1
这图怎么成这样？？？VIX 怎么是一条平线？

2.9
两个坐标系 & 两幅子图

图画成这个鬼样子还好意思给我看？

我知道问题出哪儿了，两个序列的量纲不一样，有两种解决方案：1. 用两个坐标系；2. 用两幅子图。

S&P500 的量纲都是千位数，而 VIX 的量刚是两位数，两者放在一起，那可不是 VIX 就像一条水平线一样。两种改进方式：

1. 用两个坐标系 (two axes)
2. 用两幅子图 (two subplots)

两个坐标系

用 ax1 和 ax2 就能实现在两个坐标系上画图，代码核心部分是第 19 行的
ax2 = ax1.twinx()
在每个坐标系下画图以及各种设置前面都讲的很清楚了。
两幅子图

定义 subplot(2,1,1) 和 subplot(2,1,2) 就能实现再两幅子图上画图。
在每幅子图上画图以及各种设置前面都讲的很清楚了。

这两种方法都可用，但在本例中，S&P500 和 VIX 放在一起 (用两个坐标系) 更能看出它们之间的关系，比如 2008 年 9 月到 2009 年 3 月的金融危机期间，S&P 500 在狂泻和 VIX 在飙升
。

2.10
设置标注
在金融危机时期，市场发生了 5 件大事，分别是

• 2017-10-11: 牛市顶点
• 2008-03-12: 贝尔斯登倒闭
• 2008-09-15: 雷曼兄弟倒闭
• 2009-01-20: 苏格兰皇家银行股票抛售
• 2009-04-02: G20 峰会

我想看到这五个事件标注在 S&P 500 的走势图上。

你想，你想，你想的美，哎，还是要做，谁叫你是老板。

加标注的代码略长，新内容为

• 第 3-7 行的定义危机事件，以元组的列表存储

• 第 26-34 行的事件标注，用到 annotate()
  函数

从第 26 行开始，用 for 循环读取 crisis_data 里面每个日期 date 和事件 label。
第 28 和 29 行是获取每一个 date 在整个日期数组中的索引 xi，以及对应的 spx 值 yi。

第 30 行用
scatter()
函数画出一个圆点，标注事件在 spx 折现上的位置。

第 31 和 34 行是重头戏，在
annotate()
函数里设置了事件，箭头坐标，事件打印的坐标，箭头性质，以及对齐属性。

事件的确标注在图上了，但是效果像一坨
。

2.11
设置透明度

S&P 500 和 VIX 两条线画在一起太混乱了，而且事件标注也看不清楚。再信息不能少的情况下务必改进！

S&P 500 是主线，VIX 是副线，把副线的透明度调高点不就行了。

为了把 VIX 折线弄得透明些，只用设置 ax2.plot()
里的 alpha 参数为 0.3，具体设什么值看你想要多透明，alpha 在 0 和 1 之间，0 是完全透明，1 是完全不透明。

ax2.plot( y2, color=r_hex, 

              linewidth=2, 

              linestyle='-', 

              label='VIX', 

              alpha=0.3 )

美如画！雷曼兄弟倒闭 (事件 3) 后 S&P 暴跌最厉害，而同期的 VIX 也飙到天际。在 G20 峰会 (事件 5) 过后，大国领导者一起解决金融危机问题，从那个点开始，S&P500 上涨 VIX 下跌。
经济总体平稳！风险总体可控！

2.12
完善细节

基本满意，你自由发挥看看还有什么可以改进的地方。

别介，我最怕这种开放式要求。。。

既然老板关注这五个事件，而它们发生的日期可能没有落在横轴标签上，那老板不是在图上还是找不到他们发生的具体时间么？把它们加上去怎么样？

现在才像话嘛，晚上下面可以加个蛋。

X@#$@*&&@!

3
画有效图

3.1
概览
在做图表设计时候经常面临着怎么选用合适的图表，图表展示的关系分为四大类 (点击下图放大)：

1. 分布 (distribution)
2. 联系 (relationship)
3. 比较 (comparison)
4. 构成 (composition)

在选用图表前首先要想清楚：你要表达什么样的数据关系。上面的图表分类太过繁多，接下来我们只讨论在量化金融中用的最多的几种类型，即

• 用
  直方图
  
  来展示股票价格和收益的
  分布
  

• 用
  散点图
  
  来展示两支股票之间的
  联系
  

• 用
  折线图
  
  来 比较
  汇率在不同窗口的移动平均线

• 用
  饼状图
  
  来展示股票组合的
  构成
  
  成分

首先用 YahooFinancials
API 来下载若干资产的一年历史数据 (安装该 API 用 pip install yahoofinancials
)：

• 起始日：2018-04-29
• 终止日：2019-04-29
• 五只股票：英伟达、亚马逊、阿里巴巴、脸书、苹果
• 三个汇率：欧元美元、美元日元、美元人民币

下面代码就是从 API 获取数据，股票用的是股票代号 (stock code)，而货币用的该 API 要求的格式，比如「欧元美元」用 EURUSD=X，而不是市场常见的 EURUSD，而「美元日元」用 JPY=X 而不是 USDJPY。

该 API 返回结果 stock_daily
和 currency_daily
是「字典」格式，样子非常丑陋，感受一下。

学过 Pandas 之后，我们应该可以把上面的「原始数据」转换成 DataFrame，代码如下：

处理过后的数据格式美如画，不信你看 (用 EURUSD 和 NVDA 举例)

EURUSD = data_converter( currency_daily, 'EURUSD', 'FX' )

EURUSD.head(3).append(EURUSD.tail(3))

NVDA = data_converter( stock_daily, 'NVDA',' EQ' )

NVDA.head(3).append(NVDA.tail(3))

3.2
直方图
直方图 (histogram chart)，又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型，纵轴表示分布情况。在 Matplotlib 里的语法是

• plt.hist()
• ax.hist()

我们先看看英伟达 (NVDA) 的价格分布。

在研究股票价格序列中，由于收益率有些好的统计性质，我们对其更感兴趣，接下来再看看英伟达 (NVDA) 的对数收益 (log-return) 的分布。

首先对数收益的计算公式为
r(t) = ln(P(t)/P(t-1)
得到 r_NVDA。计算一天的收益率需要两天的价格，因此用 p_NVDA 计算 r_NVDA 时，会丢失最新一天的数据，因此我们用 date[1:] 作为 r_NVDA 的行标签 (index)。
不考虑在 -0.20 和 -0.15 那两个极端值，对数收益率的分布像一个正态分布 (人人都喜欢正态分布)。

3.3
散点图
散点图 (scatter chart) 用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种联系的分布模式。在 Matplotlib 里的语法是

• plt.scatter()
• ax.scatter()

我们看看中美两大电商亚马逊 (AMZN) 和阿里巴巴 (BABA) 之间的价格和对数收益率的联系。

3.4
折线图

折线图 (line chart) 显示随时间而变化的连续数据，因此非常适用于显示在相等时间间隔下数据的趋势。 在 Matplotlib 里的语法是

• plt.plot()
• ax.plot()

我们来看看如何画 EURUSD 的 20 天和 60 天移动平均 (moving average, MA) 线。

3.5
饼状图

饼状图 (pie chart) 是一个划分为几个扇形的圆形统计图表，用于描述量、频率或百分比之间的相对关系。在饼状图中，每个扇区面积大小为其所表示的数量的比例。 在 Matplotlib 里的语法是

• plt.pie()
• ax.pie()

我们来看看如何画出一个股票投资组合在 2019 年 4 月 26 日的饼状图，假设组合里面有 100 股英伟达，20 股亚马逊，50 股阿里巴巴，30 股脸书和 40 股苹果 (一个科技股爱好者的组合
)。

虽然画出了饼状图，但看起来有些别扭，且听下节分解如何改进。

3.6
同理心
为用户习惯考虑

把饼当成钟，大多数人习惯顺时针的看里面的内容，因此把
面积最大的那块的一条边

(见下图) 放在
12 点的位置

最能突显其重要性，之后按面积从大到小顺时针排列。
在画饼状图前，我们需要额外做两件事：

1. 按升序排列 5 只股票的市值

2. 设定 pie()
   的相关参数达到上述「最大块放 12 点位置」的效果

idx = MV.argsort()[::-1]

MV = MV[idx]

stock_list = [ stock_list[i] for i in idx ]

print( MV )

print( stock_list )

[39012.60009766 17808.99963379 
9354.49981689 8172.00012207
5744.70016479]

['AMZN', 'NVDA', 'BABA', 'AAPL', 'FB']

为图表信息考虑
当饼状图里面扇形多过 5 个时，面积相近的扇形大小并不容易一眼辨别出来，不信看上图的 BABA 和 APPL，没看到数字很难看出那个面积大。但绝大多数人是感官动物，图形和数字肯定先选择看图形，这个时候用柱状图 (bar chart) 来代替饼状图，每个市值成分大小一目了然 (好图就是能让用户能最快的抓住核心信息)。

为色盲用户考虑
世界上有 1/12 的男人和 1/200 的女人都有不同程度的色盲症状。因此当你将结果展示给重要客户时，最好考虑到这一点，我相信对方会非常欣赏你这种「同理心」。
幸运的是，Matplotlib 里面有专门为色盲考虑的色彩风格，首先用下列语句看查看所有的色彩风格。

print(plt.style.available)

不难发现 seaborn-colorblind
和 tableau-colorblind10
就是我们所需要的。下面我们看看不同色彩风格下的「饼状图」和「柱状图」。

plt.style.use('ggplot')

plt.style.use('seaborn-colorblind')

plt.style.use('tableau-colorblind10')

4
总结
本贴的思路非常清晰：

• 第一章了解 Matplotlib 的绘图逻辑，以及里面包含的画图元素以及它们之间的层级。
• 第二章深度学 Matplotlib，只研究折线图，通过研究它的属性，一步步改进图的尺寸、像素、线条颜色宽度风格、坐标轴边界、刻度标签、图例、多图、多坐标系、标注、透明度等等，画出了一幅美图。

• 第三章广度学 Matplotlib，通过数据的
  分布
  
  、
  联系
  
  、
  比较
  
  和
  构成
  
  研究了直方图、散点图、折线图和饼状图，最后还为用户着想 (习惯、色盲等等) 画出更能有效表达信息的图。

我们现在处于一个大数据的时代，制图能力现在和写作能力一样重要。任何人现在都可以用各种制图工具或者编程语言来画图，但是很少人懂得画出好图。
好图不是指的绚烂的颜色 (fancy colors) 和复杂的层级 (complex layers)，当一张图里的信息能够以最清晰和有效的方式传递给使用者，那么这张图就是好图。
——本文完——

今日 留言主题
：

说说你读完本文感受？

或者一句激励自己的话？

（字数不少于15字）

说明：最近每日留言赠书暂停一段时间

不过，留言打卡30天进福利群

还在继续，等你～