本篇文章给大家分享的是有关Python可视化的折线图是怎样的，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
摘要： 利用matplotlib绘制横轴为日期格式的折线图时，存在不少技巧。本文借助Tushare包返回的股票数据，介绍日期型折线图绘制的方法。
回顾：
Python数据处理分析(1)：日期型数据处理
折线图绘制的数据源，采用Tushare包获取上市公司基本数据表，格式如下：
1import pandas as pd
2data = pd.read('get_stock_basics.csv',encoding = 'utf8')
3print(data.head())
4
5ts_code symbol name list_status list_date is_hs
6000001.SZ 1 平安银行 L 19910403 S
7000002.SZ 2 万科A L 19910129 S
8000004.SZ 4 国农科技 L 19910114 N
9000005.SZ 5 世纪星源 L 19901210 N
然后利用resample和to.period方法汇总各年度的上市公司数量数据，格式为Pandas.Series数组。
1# 汇总各年上市公司数量
2data = data.set_index(['list_date'])
3data = data.resample('AS').count()['ts_code']
4data = data.to_period('A')
5print(data.head())
6print(data.tail())
7# 结果如下：
8list_date
91990 7
101991 4
111992 37
121993 106
131994 99
14...
15list_date
162014 124
172015 223
182016 227
192017 438
202018 78
首先，我们可以直接利用pandas的数组Series绘制折线图：
1import matplotlib.pyplot as plt
2plt.style.use('ggplot') # 设置绘图风格
3fig = plt.figure(figsize = (10,6)) # 设置图框的大小
4ax1 = fig.add_subplot(1,1,1)
5data.plot() # 绘制折线图
6
7# 设置标题及横纵坐标轴标题
8colors1 = '#6D6D6D' #设置标题颜色为灰色
9plt.title('历年中国内地上市公司数量变化',color = colors1,fontsize = 18)
10plt.xlabel('年份')
11plt.ylabel('数量(家)')
12plt.show()
可以发现，图中存在两个问题：一是缺少数值标签，二是横坐标年份被自动分割了。我们希望能够添加上数值标签，然后坐标轴显示每一年的年份值。接下来，需要采用新的方法重新绘制折线图。
1# 创建x,y轴标签
2x = np.arange(0,len(data),1)
3 ax1.plot(x,data.values, #x、y坐标
4 color = '#C42022', #折线图颜色为红色
5 marker = 'o',markersize = 4 #标记形状、大小设置
6 )
7ax1.set_xticks(x) # 设置x轴标签为自然数序列
8ax1.set_xticklabels(data.index) # 更改x轴标签值为年份
9plt.xticks(rotation=90) # 旋转90度，不至太拥挤
10
11for x,y in zip(x,data.values):
12 plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors1,fontsize = 10 )
13 # '%.0f' %y 设置标签格式不带小数
14# 设置标题及横纵坐标轴标题
15plt.title('历年中国内地上市公司数量变化',color = colors1,fontsize = 18)
16plt.xlabel('年份')
17plt.ylabel('数量(家)')
18# plt.savefig('stock.png',bbox_inches = 'tight',dpi = 300)
19plt.show()
完善后的折线图如下：
可以看到，x轴逐年的数据都显示并且数值标签也添加上了。
上面介绍了一元折线图的绘制，当需要绘制多元折线图时，方法也很简单，只要重复绘图函数即可。这里我们以二元折线图为例，绘制国内两家知名地产公司万科和保利地产2017年的市值变化对比折线图。
数据源仍然采用tushare包的pro.daily_basic()接口，该接口能够返回股票的每日股市数据，其中包括每日市值total_mv。我们需获得的两只股票分别是万科地产(000002.SZ)和保利地产(600048.SH)，下面就来获取两只股票2017年的市值数据。
1import tushare as ts
2ts.set_token('你的token') # 官网注册后可以获得
3pro = ts.pro_api()
4def get_stock():
5 lst = []
6 ts_codes = ['000002.SZ', '600048.SH']
7 for ts_code in ts_codes:
8 data = pro.daily_basic(
9 ts_code=ts_code, start_date='20170101', end_date='20180101')
10 print(lst)
11 reutrn lst
12 # 结果如下，total_mv为当日市值（万元）：
13 #万科地产数据
14 ts_code trade_date close … total_mv circ_mv
150 000002.SZ 20171229 31.06 … 3.43E+07 3.02E+07
161 000002.SZ 20171228 30.7 … 3.39E+07 2.98E+07
172 000002.SZ 20171227 30.79 … 3.40E+07 2.99E+07
183 000002.SZ 20171226 30.5 … 3.37E+07 2.96E+07
194 000002.SZ 20171225 30.37 … 3.35E+07 2.95E+07
20
21 #保利地产数据
22 ts_code trade_date close … total_mv circ_mv
230 600048.SH 20171229 14.15 … 1.68E+07 1.66E+07
241 600048.SH 20171228 13.71 … 1.63E+07 1.61E+07
252 600048.SH 20171227 13.65 … 1.62E+07 1.60E+07
263 600048.SH 20171226 13.85 … 1.64E+07 1.63E+07
274 600048.SH 20171225 13.55 … 1.61E+07 1.59E+07
下面对数据作进一步修改，从DataFrame中提取total_mv列，index设置为日期,再利用resample和pd.to_period方法按月汇总市值数据。
1data['trade_date'] = pd.to_datetime(data['trade_date'])
2# 设置index为日期
3data = data.set_index(data['trade_date']).sort_index(ascending=True)
4# 按月汇总和显示
5data = data.resample('m')
6data = data.to_period()
7# 市值改为亿元
8market_value = data['total_mv']/10000
9
10# 二者结果分别如下，万科地产：
112017-01 2291.973270
122017-02 2286.331037
132017-03 2306.894790
142017-04 2266.337906
152017-05 2131.053098
162017-06 2457.716659
172017-07 2686.982164
182017-08 2524.462077
192017-09 2904.085487
202017-10 2976.999550
212017-11 3263.374043
222017-12 3317.107474
23# 保利地产：
242017-01 1089.008286
252017-02 1120.023350
262017-03 1145.731640
272017-04 1153.760435
282017-05 1108.230609
292017-06 1157.276044
302017-07 1244.966905
312017-08 1203.580209
322017-09 1290.706606
332017-10 1244.438756
342017-11 1336.661916
352017-12 1531.150616
利用上面的Series数据就可以作图了。
1# 设置绘图风格
2plt.style.use('ggplot')
3fig = plt.figure(figsize = (10,6))
4colors1 = '#6D6D6D' #标题颜色
5
6# data1万科，data2保利
7data1 = lst[0]
8data2 = lst[1]
9# 绘制第一条折线图
10data1.plot(
11color = '#C42022', #折线图颜色
12marker = 'o',markersize = 4, #标记形状、大小设置
13label = '万科'
14)
15# 绘制第二条折线图
16data2.plot(
17color = '#4191C0', #折线图颜色
18marker = 'o',markersize = 4, #标记形状、大小设置
19label = '保利'
20)
21# 还可以绘制更多条
22# 设置标题及横纵坐标轴标题
23plt.title('2017年万科与保利地产市值对比',color = colors1,fontsize = 18)
24plt.xlabel('月份')
25plt.ylabel('市值(亿元)')
26plt.savefig('stock1.png',bbox_inches = 'tight',dpi = 300)
27plt.legend() # 显示图例
28plt.show()
绘图结果如下：
如果想添加数值标签，则可以使用下面的代码：
1# 绘制第一条折线图
2# 创建x,y轴标签
3x = np.arange(0,len(data1),1)
4ax1.plot(x,data1.values, #x、y坐标
5color = '#C42022', #折线图颜色红色
6marker = 'o',markersize = 4, #标记形状、大小设置
7label = '万科'
8)
9ax1.set_xticks(x) # 设置x轴标签
10ax1.set_xticklabels(data1.index) # 设置x轴标签值
11# plt.xticks(rotation=90)
12for x,y in zip(x,data1.values):
13 plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors1,fontsize = 10 )
14 # '%.0f' %y 设置标签格式不带小数
15
16# 绘制第二条折线图
17x = np.arange(0,len(data2),1)
18
19ax1.plot(x,data2.values, #x、y坐标
20color = '#4191C0', #折线图颜色蓝色
21marker = 'o',markersize = 4, #标记形状、大小设置
22label = '保利'
23)
24ax1.set_xticks(x) # 设置x轴标签
25ax1.set_xticklabels(data2.index) # 设置x轴标签值
26# plt.xticks(rotation=90)
27for x,y in zip(x,data2.values):
28 plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors1,fontsize = 10 )
29 # '%.0f' %y 设置标签格式不带小数
30
31# 设置标题及横纵坐标轴标题
32plt.title('2017年万科与保利地产市值对比',color = colors1,fontsize = 18)
33plt.xlabel('月份')
34plt.ylabel('市值(亿元)')
35
36plt.savefig('stock1.png',bbox_inches = 'tight',dpi = 300)
37plt.legend() # 显示图例
38plt.show()
结果如下图所示：
可以看到，两只股票市值从2017年初开始一直在上涨，万科的市值是保利的2倍左右。
以上就是Python可视化的折线图是怎样的，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联-成都网站建设公司行业资讯频道。