用matplotlib制作的比较满意的蜡烛图

2D图形制作包, 功能强大, 习练了很久, 终于搞定了一个比较满意的脚本.

特点:

使用方面要非常简单

绘制出来的图要非常的满意, 具有如下的特点

时间和空间的比例尺需要固定, 就是说图件的大小需要依据数据的长度和价格的变动幅度自动调整, 至少时间轴上应该如此.

时间轴的刻度: 对于日线图而言, 年/月/日/星期几 都应该一目了然.

Y轴: 对数刻度, 10%等比刻度线, 刻度值的标签应该能反应绝对的股价, 支持双Y轴(右侧的Y轴度量大盘的变化)

蜡烛非白即黑, 只要两种颜色(包括边界线)

分辨率要足够高, 至少300DPI, 方便原样(无伸缩)打印

应该支持非常方便地抽取子集, 然后制图

版本持续升级:

2017.12 的备忘录

在以前的函数式代码的基础上, OOP方式重构代码, 方便以后扩展功能, 也让程序运行得更健硕

结果展示

主块代码

绘图模块的代码

结果展示:

png file from my github:

gif file from my cnblogs:

主代码块:

# -*- coding: utf-8 -*-

u''' 研究K线形态: 从单个K线做起, 然后K线组合, 然后K线形态

# 1. 定义两个实例

# 2. 加载数据

# 3. 前复权处理

# 4. 计算指标

# 5. 形态研究之: 提取与显示

# 6. 绘图 主图+成交量图

'''

import amipy as ami

import plotter as pl

import pattern as pa

reload(pa)

reload(ami)

context = ami.Context('600699.SH') # 000911

#context = ami.Context('002242.SZ') # 000911

stk = ami.Stock(context)

stk.grab_data_tdxlday(context, num_days=None)

stk.load_tdx_qx()

stk.qfq()

stk.ma20 = ami.TTR.sma(stk.ohlc.close, 20)

stk.cyc61 = ami.TTR.sma(stk.ohlc.close, 120)

pattern = pa.Pattern(stk)

pattern.study_csyx(roc1=0.3/100)

#subset = slice(-250*3, None) # '2017-07' '2017'

subset = slice(-120,None) # '2017-07' '2017'

plotter = pl.Plotter(context,stk,subset,quanxi=None)

# plotter.plot_candle_vol()

#plotter.plot_candle_vol(savefig=True)

#plotter.plot_timing(timing=pattern.csyx)

#plotter.plot_timing(timing=pattern.szx)

plotter.plot_timing(timing=pattern.upgap, savefig=True)

#plotter.plot_timing(timing=pattern.dngap)

绘图代码:

# -*- coding: utf-8 -*-

#import sys

import numpy as np

import pandas as pd

import datetime

import matplotlib

import matplotlib.pyplot as plt

from matplotlib.ticker import (

FixedLocator,

#MultipleLocator,

#LogLocator,

#NullFormatter,

FuncFormatter,

#LogFormatter

)

from matplotlib.font_manager import FontProperties

from matplotlib.text import Text

myfont = FontProperties(fname=r"c:\windows\fonts\msyh.ttf") #size可不用指定

matplotlib.rcParams['axes.unicode_minus'] = False

#import amipy as ami

import ttr as TTR

#==============================================================================

# Python中的作用域及global用法 - Summer_cool - 博客园

# https://www.cnblogs.com/summer-cool/p/3884595.html

#

# 函数定义了本地作用域，而模块定义的是全局作用域。

# 如果想要在函数内定义全局作用域，需要加上global修饰符。

#

# 变量名解析：LEGB原则

# 当在函数中使用未认证的变量名时，Python搜索４个作用域:

# [本地作用域(L-local)(函数内部声明但没有使用global的变量)，

# 之后是上一层结构def或者lambda的本地作用域(E-enclosure),

# 之后是全局作用域(G-global)(函数中使用global声明的变量或在模块层声明的变量)，

# 最后是内置作用域(B)(即python的内置类和函数等)］

# 并且在第一处能够找到这个变量名的地方停下来。

# 如果变量名在整个的搜索过程中都没有找到，Python就会报错。

#

# 补：上面的变量规则只适用于简单对象，当出现引用对象的属性时，则有另一套搜索规则:

# 属性引用搜索一个或多个对象，而不是作用域，并且有可能涉及到所谓的"继承"

# 补2:global修饰符在python里的一个独特现象:

# 在模块层面定义的变量(无需global修饰)，

# 如果在函数中没有再定义同名变量，可以在函数中当做全局变量使用.

# 如果在函数中要对它重新赋值的话, 则必须在本函数中事先声明为全局变量, 否则会抛出异常.

#

# #先声明全局本函数里用到的全局变量: 图表, 上下文, 股票对象

# #使用global语句可以清楚地表明变量是在外面的块定义的, 而且在本函数内

# #可以使用或者修改这些变量(前提是必须先声明为全局变量, 以便告诉python

# #解释器这些变量是全局的(主块和函数块共有的)已经是在外部--主代码块里--定义好了的,

# # 或者是本代码块要传递到主代码块里的变量).

#==============================================================================

class Plotter(object):

u'''

Plotter class to make picture of stock's ohlcv data

'''

# define class var

ptype_dict={

'lday':u'日',

'lc5':u'五分钟'} # 这里声明的变量, 不用加global修饰符, 也是全局变量

def __init__(self, context, stk, subset, quanxi=None):

self.context = context

self.stk = stk

self.subset = subset

self.quanxi = quanxi

self.fig = None

self.ax1 = self.ax2 = self.ax3 = None

self.candle_colors = None

self.length = None

self.x = None

def plot_candle_only(self, savefig=False):

u'''仅绘制主图

'''

self.layout(volume_bars=False)

self.candles()

self.primary_curves()

self.savfig(savefig)

#fig #在ipython console里显示整个图表

def plot_candle_vol(self, savefig=False):

u'''主图+成交量图

'''

self.layout(volume_bars=True)

self.candles()

self.primary_curves()

self.vol_bars()

self.savfig(savefig)

pass

def plot_timing(self, timing=None, savefig=False):

u'''画图: timing之K线性形态

candles + (MA20, MA120) + 形态标注

volume bar

para:

timing: Series,

note: str, {'csyx', 'szx', etc}, 长上影线, 十字星等

'''

self.layout(volume_bars=True)

self.candles()

self.primary_curves()

self.vol_bars()

self.annotate(timing)

self.savfig(savefig)

def layout(self, volume_bars=True):

u'''

'''

if volume_bars:

self.fig, (self.ax1, self.ax2) = plt.subplots(2, 1, sharex=True, gridspec_kw={'height_ratios': [3,1]} )

else:

self.fig,self.ax1 = plt.subplots(1,1)

#res = fig, ax1

#return res

def candles(self,

col_func=None):

u'''

subset:

slice object, slice(start,stop,step)

that is:

slice(100)

slice(-100,None)

slice(100,200)

slice(-200,-100,2)

'2011-09'

'2017'

'''

def default_col_func(index, open1, close, low, high):

return 'black' if open1[index] > close[index] else 'white' # r g b cyan black white

subset=self.subset

col_func= col_func or default_col_func

ohlc = self.stk.ohlc[subset] if self.subset else self.stk.ohlc

open1,high,low,close = ohlc.open, ohlc.high, ohlc.low, ohlc.close

self.length = length = len(close)

self.x = x = np.arange(length)

candle_colors = [col_func(i, open1, close, low, high) for i in x]

self.candle_colors = candle_colors

# 计算出 每日的开盘价/收盘价里的最大值和最小值

oc_min = pd.concat([open1, close], axis=1).min(axis=1)

oc_max = pd.concat([open1, close], axis=1).max(axis=1)

#candles = ax1.bar(x, oc_max-oc_min, bottom=oc_min, color=candle_colors, linewidth=0)

#lines = ax1.vlines(x + 0.4, low, high, color=candle_colors, linewidth=1)

candles = self.ax1.bar(x-0.4, oc_max-oc_min, bottom=oc_min, color=candle_colors, linewidth=0.2, edgecolor='black')

shadlines_up = self.ax1.vlines(x, oc_max, high, color=['black']* length, linewidth=0.3)

shadlines_dn = self.ax1.vlines(x, low, oc_min, color=['black']* length, linewidth=0.3)

#print candles.__class__, shadlines_up.__class__, shadlines_dn.__class__

isinstance(candles, matplotlib.container.BarContainer) == True

isinstance(shadlines_dn, matplotlib.collections.LineCollection)

isinstance(shadlines_up, matplotlib.collections.LineCollection)

self.custom_figure()

self.custom_yaxis()

pass

def primary_curves(self): #subset=None):

#ohlc = stk.ohlc[subset] if subset else stk.ohlc

#close = ohlc.close

subset = self.subset

if (isinstance(self.stk.ma20, pd.Series) and isinstance(self.stk.cyc61, pd.Series)):

ma20 = self.stk.ma20[subset] if subset else self.stk.ma20

cyc61 = self.stk.cyc61[subset] if subset else self.stk.cyc61

indicators = [ma20, cyc61]

x=self.x

for ind in indicators:

self.ax1.plot(x, ind, 'o-', lw=0.1, markersize=0.7, markeredgewidth=0.1, label=ind.name) #带圆圈标记的实线

self.ax1.legend()

self.custom_xaxis(ax=self.ax1)

def secondary_curves(self, ax):

# ohlc = stk.ohlc[subset] if subset else stk.ohlc

pass

def vol_bars(self):

u'''

'''

subset = self.subset

ohlc = self.stk.ohlc[subset] if subset else self.stk.ohlc

volume = ohlc['volume']

#open1,high,low,close = ohlc.open, ohlc.high, ohlc.low, ohlc.close

x = self.x

volume_scale = None

scaled_volume = volume

if volume.max() > 1000*1000:

volume_scale = u'百万股' #'M'

scaled_volume = volume / 1000.0/1000.0

elif volume.max() > 1000:

volume_scale = u'千股'

scaled_volume = volume / 1000.0

self.ax2.bar(x-0.4, scaled_volume, color=self.candle_colors, linewidth=0.2, edgecolor='black')

volume_title = 'Volume'

if volume_scale:

volume_title = 'Volume (%s)' % volume_scale

#ax2.set_title(volume_title) # 太难看了

self.ax2.set_ylabel(volume_title, fontdict=None)

self.ax2.xaxis.grid(False)

#plt.setp(ax.get_xticklabels(minor=False), fontsize=6)

self.custom_xaxis(self.ax2)

pass

def annotate(self, timing):

u'''在主图上标注给定的K线形态:

param:

timing: event of Series of k-pattern

note: str, 对应于事件的标注文本

example:

>>> plotter.annotate(csyx) #长上影线

'''

#ax=plt.gca()

#xx = self.action.p_DJR.index

c = self.stk.ohlc.close[self.subset] if self.subset else self.stk.ohlc.close

self.timing = timing[self.subset] if self.subset else timing

ptn_dt = c[self.timing].index # True 逻辑选择 选出长上影线的时机(日期索引)

note = self.note = self.timing.name[:3]

ax = self.ax1

xx = map(lambda dt: c.index.get_loc(dt), ptn_dt)

yy = c * 1.1

#strings = self.action['value'].values.astype(str)

#strings = self.action['bonus'].values.astype(str)

#strings = map(lambda x: u'派'+str(x), strings)

for i,x in enumerate(xx):

#ax.text(x, yy[i], strings[i])

print i, c.index[x], x, yy[x], c[x]

ax.annotate(note, xy=(x, yy[x]*1.05/1.1), xytext=(x, yy[x]+0.0),

arrowprops=dict(

facecolor='black',

color='red',

#shrink=0.05,

arrowstyle='->',

),)

def custom_yaxis(self):

u'''

# 设定 Y 轴上的刻度

#==================================================================================================================================================

python - Matplotlib log scale tick label number formatting - Stack Overflow

https://stackoverflow.com/questions/21920233/matplotlib-log-scale-tick-label-number-formatting

每个坐标轴都有7大属性:

ax1.set_yscale, ylim, ylabel, yticks, yticklabels, ybound, ymargin

'''

#use_expo=True;

expbase=1.1 # 2 e 10

yaxis= self.ax1.get_yaxis()

isinstance(yaxis, matplotlib.axis.YAxis)

self.ax1.set_yscale(value='log', basey=expbase)

pass

def custom_figure(self):

u''' '''

# 依据绘图数据的长度和时间轴的比例尺(比如1:16)确定图表的长度:

#fig = plt.gcf()

#fig.set_size_inches(18.5, 10.5)

self.fig.set_size_inches(self.length/16.0, 6) # /18 /20 /16 diff time-scales

title = u'%s(%s)%s周期蜡烛图'%(self.context.name, self.context.symbol, self.ptype_dict[self.context.ptype])

self.ax1.set_title(title)

pass

def custom_xaxis(self, ax):

u'''

'''

subset = self.subset

ohlc = self.stk.ohlc[subset] if subset else self.stk.ohlc

close = ohlc.close

length = self.length # len(close)

ax.set_xlim(-2, length+10)

xaxis= ax.get_xaxis()

yaxis= ax.get_yaxis()

# 设定 X 轴上的主刻度/次刻度位置

#==================================================================================================================================================

mdindex, wdindex, sdindex= self.ohlc_find_idx_fdim(close)

xMajorLocator= FixedLocator(np.array(mdindex)) # 针对主刻度,实例化一个"固定式刻度定位"

xMinorLocator= FixedLocator(np.array(wdindex)) # 确定 X 轴的 MinorLocator

# 确定 X 轴的 MajorFormatter 和 MinorFormatter

# 自定义的刻度格式(应该是一个function)

datelist = close.index.date.tolist()

def x_major_formatter_1(idx, pos=None):

u'''

格式函数的功能: idx 是位置location, 依据位置, 返回对应的日期刻度标签

'''

#return datelist[idx].strftime('%Y-%m-%d')

return datelist[idx].strftime('%m\n%Y')

def x_major_formatter_2(idx, pos=None):

return datelist[idx].strftime('\n\n%m\n%Y')

def x_minor_formatter_1(idx, pos=None):

#return datelist[idx].strftime(u'一\n%d') # 周一

return datelist[idx].strftime(u'M\n%d') # 周一

def x_minor_formatter_2(idx, pos=None):

return datelist[idx].strftime('%m-%d')

xMajorFormatter_1 = FuncFormatter(x_major_formatter_1)

xMajorFormatter_2 = FuncFormatter(x_major_formatter_2)

xMinorFormatter_1 = FuncFormatter(x_minor_formatter_1)

# 设定 X 轴的 Locator 和 Formatter

xaxis.set_major_locator(xMajorLocator)

xaxis.set_minor_locator(xMinorLocator)

xaxis.set_major_formatter(xMajorFormatter_1)

if self.ax2 is None:

xaxis.set_major_formatter(xMajorFormatter_2)

xaxis.set_minor_formatter(xMinorFormatter_1)

if self.ax2 is None: # 仅绘制主图

# 设定不显示的刻度标签:

if ax==self.ax1:

plt.setp(ax.get_xticklabels(minor=False), visible=True) #主刻度标签 可见

plt.setp(ax.get_xticklabels(minor=True), visible=True) #次刻度标签 可见

elif ((self.ax1 != None) and (self.ax2 != None)): # case of 主图+成交量图

if ax==self.ax2:

plt.setp(ax.get_xticklabels(minor=True), visible=False) #次刻度标签 隐藏

elif ax==self.ax1:

plt.setp(ax.get_xticklabels(minor=False), visible=False) #主刻度标签 隐藏

# 设定 X 轴主刻度和次刻度标签的样式(字体大小)

for malabel in ax.get_xticklabels(minor=False):

malabel.set_fontsize(12) # 6号也太小了

#malabel.set_horizontalalignment('right')

#malabel.set_rotation('45')

# if ax == ax1 or ax2:

for milabel in ax.get_xticklabels(minor=True):

milabel.set_fontsize(12) # 5 太小了

#milabel.set_horizontalalignment('right')

#milabel.set_rotation('45')

#milabel.set_fontdict=myfont

#milabel.set_fontproperties=myfont

#milabel.set_prop=myfont

# 设置两个坐标轴上的 grid

#==================================================================================================================================================

#xaxis_2.grid(True, 'major', color='0.3', linestyle='solid', linewidth=0.2)

xaxis.grid(True, 'major', color='0.3', linestyle='dotted', linewidth=0.3)

xaxis.grid(True, 'minor', color='0.3', linestyle='dotted', linewidth=0.1)

#yaxis_2.grid(True, 'major', color='0.3', linestyle='dashed', linewidth=0.2)

yaxis.grid(True, 'major', color='0.3', linestyle='dotted', linewidth=0.1)

yaxis.grid(True, 'minor', color='0.3', linestyle='dotted', linewidth=0.1)

yaxis.get_major_ticks()[2].label = \

Text(0,28.1024,u'28.10 $\\mathdefault{1.1^{35}}$')

def ohlc_find_idx_fdim(self, ohlc):

u'''

功能: index of first trading-day in month

------

- 获取每个月的第一个交易日的下标(又称0轴索引).

从数据框的时间索引里提取对应的日期, 然后检索出下标.

- 另外, 也获取每个交易周的第一个交易日的下标

输入:

- ohlc: pandas数据框

返回:

- list

例子:

-------

>>> mdindex, wdindex, sdindex= ohlc_find_idx_fdim(ohlc_last60)

'''

#datelist= [ datetime.date(int(ys), int(ms), int(ds)) for ys, ms, ds in [ dstr.split('-') for dstr in pdata[u'日期'] ] ]

#last60 = ohlc[-250:]

last60 = ohlc

datelist = last60.index.date.tolist()

# 确定 X 轴的 MajorLocator

mdindex= [] # 每个月第一个交易日在所有日期列表中的 index, 月日期索引

years= set([d.year for d in datelist]) # 所有的交易年份

for y in sorted(years):

months= set([d.month for d in datelist if d.year == y]) # 当年所有的交易月份

for m in sorted(months):

monthday= min([dt for dt in datelist if dt.year==y and dt.month==m]) # 当月的第一个交易日

mdindex.append(datelist.index(monthday))

wdindex =[] # weekday index, 每周的第一个交易日的索引

for y in sorted(years):

weeknum= set([int(d.strftime('%U')) for d in datelist if d.year==y])

for w in sorted(weeknum):

wd= min([dt for dt in datelist if dt.year==y and int(dt.strftime('%U'))==w])

wdindex.append(datelist.index(wd))

#==============================================================================

# wdindex= [] # 每周第一个交易日在所有日期列表中的 index, 每周的第一个交易日的索引

# for d in datelist:

# if d.weekday() == 0: wdindex.append(datelist.index(d))

#

#==============================================================================

# === 检索每个季末交易日的下标: sdindex: end of season day index ===

# 对ndarray or list 进行逻辑运输时, 需要用np.logical_or()方法才是正确的方法:

#filter1= (months==3) or (months==6)

#filter1= (months==3).tolist() or (months==6).tolist()

#ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

dt= last60.index.date # 得到ndarray of date,

# dti= last60.index # 得到pd.ts.index.DtetimeIndex of date,

months= last60.index.month #得到ndarray of month, 取值范围为: 1~12

# nextbar_m= last60.index.shift(1, freq='D').month # 当移动时间下标时, 数据的频率不能为空

# 这样做还是有问题的, pd的做法是: 引用未来1 Day的日期, 也就是当前的日期+1day的日期

# 比如: 当前的日期是 2016-12-30, 2017-01-03

# .shift(1)的日期是: 2016-12-31, 2017-01-04

# ==> 误判了4季末的日期变更线坐标位置

# 解决办法: 应该让freq= 'per index bar', 查询一下pd的doc吧...

# 变通办法: .drop first element value or .delete(0) the first location

# and then .insert one value at end, to make the same length

# 变通办法之: 用 freq='BQ', 来生成一个dtindex:

# pd.date_range(start=mi[0], end=mi[-1], freq='BQ') # BQbusiness quarter endfrequency

# Time Series / Date functionality — pandas 0.19.2 documentation

# http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases

#

# === 还有更简洁的办法: 就是dti.quarter属性直接提供了第几个季节 ===

i_index= last60.index.delete(0)

i_index= i_index.insert(-1, last60.index[-1]) # -1 表示最后一个下标位置

nextbar_m= i_index.month #

endMar= np.logical_and(months==3, nextbar_m==4)

endJun= np.logical_and(months==6, nextbar_m==7)

endSep= np.logical_and(months==9, nextbar_m==10)

endDec= np.logical_and(months==12, nextbar_m==1)

tmp1= np.logical_or(endMar, endJun)

tmp2= np.logical_or(endSep, endDec)

mask= np.logical_or(tmp1, tmp2)

sdindex= [dt.tolist().index(i) for i in dt[mask] ]

#print u'\n==> 季节变更坐标线:'

#print u' 每个季末的x轴的位置下标: %r' % sdindex

#print u' 每个季末的x轴的位置时间: %r' % last60.index[sdindex]

return mdindex, wdindex, sdindex

def savfig(self, savefig=False):

if savefig:

now = datetime.datetime.now()

now_s = now.strftime('%Y%m%d_%H%M%S_')

microsec = str(now.microsecond)

#fn= '%s_%s_%s.pdf' %(context.name, now_s, microsec )

#fig.savefig(fn, dpi=300)

#print u'\n==> 该pdf文件被创建: %s' %fn

fn= '%s_%s_%s.png' %(self.context.name, now_s, microsec )

self.fig.savefig(fn, dpi=300)

print u'\n==> 该png文件被创建: %s' %fn

pass

if __name__ == '__main__':

pass

代码(2017.11)

主块代码

绘图模块的代码

结果展示

结果展示1:

结果展示2:

主块代码: test1_load.py

# -*- coding: utf-8 -*-

import pandas as pd

import amipy as ami

reload(ami)

import do_plot as dp

reload(dp)

#context = ami.Context('600699.SH')

context = ami.Context('000911.SZ')

stk = ami.Stock(context) #None,None)

stk.grab_data_tdxlday(context, num_days=None)

stk.ohlc = stk.ohlc_raw

stk.ma20 = ami.TTR.sma(stk.ohlc.close, 20)

stk.cyc61 = ami.TTR.sma(stk.ohlc.close, 120)

subset = slice(-120,None) # '2017-07' '2017'

subset = '2017' #slice(-120,None) # '2017-07' '2017'

datas = (context, stk, subset)

# 仅绘制主图

#dp.plot_candle_only(datas)

# 主图+成交量图

dp.plot_candle_vol(datas)

绘图模块代码 do_plot.py

# -*- coding: utf-8 -*-

#import sys

import numpy as np

import pandas as pd

import matplotlib

import matplotlib.pyplot as plt

from matplotlib.ticker import (

FixedLocator,

#MultipleLocator,

#LogLocator,

#NullFormatter,

FuncFormatter,

#LogFormatter

)

from matplotlib.font_manager import FontProperties

myfont = FontProperties(fname=r"c:\windows\fonts\msyh.ttf") #size可不用指定

matplotlib.rcParams['axes.unicode_minus'] = False

#import amipy as ami

#==============================================================================

# Python中的作用域及global用法 - Summer_cool - 博客园

# https://www.cnblogs.com/summer-cool/p/3884595.html

#

# 函数定义了本地作用域，而模块定义的是全局作用域。

# 如果想要在函数内定义全局作用域，需要加上global修饰符。

#

# 变量名解析：LEGB原则

# 当在函数中使用未认证的变量名时，Python搜索４个作用域:

# [本地作用域(L-local)(函数内部声明但没有使用global的变量)，

# 之后是上一层结构def或者lambda的本地作用域(E-enclosure),

# 之后是全局作用域(G-global)(函数中使用global声明的变量或在模块层声明的变量)，

# 最后是内置作用域(B)(即python的内置类和函数等)］

# 并且在第一处能够找到这个变量名的地方停下来。

# 如果变量名在整个的搜索过程中都没有找到，Python就会报错。

#

# 补：上面的变量规则只适用于简单对象，当出现引用对象的属性时，则有另一套搜索规则:

# 属性引用搜索一个或多个对象，而不是作用域，并且有可能涉及到所谓的"继承"

# 补2:global修饰符在python里的一个独特现象:

# 在模块层面定义的变量(无需global修饰)，

# 如果在函数中没有再定义同名变量，可以在函数中当做全局变量使用.

# 如果在函数中要对它重新赋值的话, 则必须在本函数中事先声明为全局变量, 否则会抛出异常.

#

# #先声明全局本函数里用到的全局变量: 图表, 上下文, 股票对象

# #使用global语句可以清楚地表明变量是在外面的块定义的, 而且在本函数内

# #可以使用或者修改这些变量(前提是必须先声明为全局变量, 以便告诉python

# #解释器这些变量是全局的(主块和函数块共有的)已经是在外部--主代码块里--定义好了的,

# # 或者是本代码块要传递到主代码块里的变量).

#==============================================================================

global fig, ax1, ax2, ax3 # 模块级变量名, 分别代表: 整个图表, 子图1/2/3

global context, stk, subset # 模块级变量名

global candle_colors, length

ax2=ax3=None #初始化 ax2/ax3 子图实例为None,

#fig和ax1可以不用初始化, 因为调用layout()后总是要返回fig和ax1的

ptype_dict={

'lday':u'日',

'lc5':u'五分钟'} # 这里声明的变量, 不用加global修饰符, 也是全局变量

def layout(volume_bars=True):

u'''

'''

global fig, ax1, ax2, ax3

if volume_bars:

fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True, gridspec_kw={'height_ratios': [3,1]} )

res = fig, (ax1,ax2)

else:

fig,ax1 = plt.subplots(1,1)

res = fig, ax1

return res

def candles(

#subset=None,

col_func=None):

u'''

subset:

slice object, slice(start,stop,step)

that is:

slice(100)

slice(-100,None)

slice(100,200)

slice(-200,-100,2)

'2011-09'

'2017'

'''

global context, stk, subset

global candle_colors # 可能会被以后的函数所用到(比如画成交量柱子)

global length

def default_col_func(index, open1, close, low, high):

return 'black' if open1[index] > close[index] else 'white' # r g b cyan black white

col_func= col_func or default_col_func

ohlc = stk.ohlc[subset] if subset else stk.ohlc

open1,high,low,close = ohlc.open, ohlc.high, ohlc.low, ohlc.close

length = len(close)

x = np.arange(length)

candle_colors = [col_func(i, open1, close, low, high) for i in x]

# 计算出 每日的开盘价/收盘价里的最大值和最小值

oc_min = pd.concat([open1, close], axis=1).min(axis=1)

oc_max = pd.concat([open1, close], axis=1).max(axis=1)

#candles = ax1.bar(x, oc_max-oc_min, bottom=oc_min, color=candle_colors, linewidth=0)

#lines = ax1.vlines(x + 0.4, low, high, color=candle_colors, linewidth=1)

candles = ax1.bar(x-0.4, oc_max-oc_min, bottom=oc_min, color=candle_colors, linewidth=0.2, edgecolor='black')

shadlines_up = ax1.vlines(x, oc_max, high, color=['black']* length, linewidth=0.3)

shadlines_dn = ax1.vlines(x, low, oc_min, color=['black']* length, linewidth=0.3)

#print candles.__class__, shadlines_up.__class__, shadlines_dn.__class__

isinstance(candles, matplotlib.container.BarContainer) == True

isinstance(shadlines_dn, matplotlib.collections.LineCollection)

isinstance(shadlines_up, matplotlib.collections.LineCollection)

custom_figure()

custom_yaxis()

pass

def primary_curves(): #subset=None):

#ohlc = stk.ohlc[subset] if subset else stk.ohlc

#close = ohlc.close

if (isinstance(stk.ma20, pd.Series) and isinstance(stk.cyc61, pd.Series)):

ma20 = stk.ma20[subset] if subset else stk.ma20

cyc61 = stk.cyc61[subset] if subset else stk.cyc61

length = len(ma20)

x = np.arange(length)

indicators = [ma20, cyc61]

for ind in indicators:

ax1.plot(x, ind, 'o-', lw=0.1, markersize=0.7, markeredgewidth=0.1, label=ind.name) #带圆圈标记的实线

ax1.legend()

custom_xaxis(ax=ax1)

def secondary_curves(ax,subset=None):

# ohlc = stk.ohlc[subset] if subset else stk.ohlc

pass

def vol_bars():

u'''

'''

global stk, subset

ohlc = stk.ohlc[subset] if subset else stk.ohlc

volume = ohlc['volume']

#open1,high,low,close = ohlc.open, ohlc.high, ohlc.low, ohlc.close

x = np.arange(length)

volume_scale = None

scaled_volume = volume

if volume.max() > 1000*1000:

volume_scale = u'百万股' #'M'

scaled_volume = volume / 1000.0/1000.0

elif volume.max() > 1000:

volume_scale = u'千股'

scaled_volume = volume / 1000.0

ax2.bar(x-0.4, scaled_volume, color=candle_colors, linewidth=0.2, edgecolor='black')

volume_title = 'Volume'

if volume_scale:

volume_title = 'Volume (%s)' % volume_scale

ax2.set_title(volume_title)

ax2.xaxis.grid(False)

#plt.setp(ax.get_xticklabels(minor=False), fontsize=6)

custom_xaxis(ax2)

pass

def custom_yaxis():

u'''

# 设定 Y 轴上的刻度

#==================================================================================================================================================

python - Matplotlib log scale tick label number formatting - Stack Overflow

https://stackoverflow.com/questions/21920233/matplotlib-log-scale-tick-label-number-formatting

'''

#use_expo=True;

expbase=1.1 # 2 e 10

yaxis= ax1.get_yaxis()

isinstance(yaxis, matplotlib.axis.YAxis)

ax1.set_yscale(value='log', basey=expbase)

pass

def custom_figure():

u''' '''

# 依据绘图数据的长度和时间轴的比例尺(比如1:16)确定图表的长度:

#fig = plt.gcf()

#fig.set_size_inches(18.5, 10.5)

fig.set_size_inches(length/16.0, 6) # /18 /20 /16 diff time-scales

title = u'%s(%s)%s周期蜡烛图'%(context.name, context.symbol, ptype_dict[context.ptype])

ax1.set_title(title)

pass

def custom_xaxis(ax):

u'''

'''

global ax1, ax2, ax3

ohlc = stk.ohlc[subset] if subset else stk.ohlc

close = ohlc.close

#length = len(close)

ax.set_xlim(-2, length+10)

xaxis= ax.get_xaxis()

yaxis= ax.get_yaxis()

# 设定 X 轴上的主刻度/次刻度位置

#==================================================================================================================================================

mdindex, wdindex, sdindex= ohlc_find_idx_fdim(close)

xMajorLocator= FixedLocator(np.array(mdindex)) # 针对主刻度,实例化一个"固定式刻度定位"

xMinorLocator= FixedLocator(np.array(wdindex)) # 确定 X 轴的 MinorLocator

# 确定 X 轴的 MajorFormatter 和 MinorFormatter

# 自定义的刻度格式(应该是一个function)

datelist = close.index.date.tolist()

def x_major_formatter_1(idx, pos=None):

u'''

格式函数的功能: idx 是位置location, 依据位置, 返回对应的日期刻度标签

'''

#return datelist[idx].strftime('%Y-%m-%d')

return datelist[idx].strftime('%m\n%Y')

def x_major_formatter_2(idx, pos=None):

return datelist[idx].strftime('\n\n%m\n%Y')

def x_minor_formatter_1(idx, pos=None):

#return datelist[idx].strftime(u'一\n%d') # 周一

return datelist[idx].strftime(u'M\n%d') # 周一

def x_minor_formatter_2(idx, pos=None):

return datelist[idx].strftime('%m-%d')

xMajorFormatter_1 = FuncFormatter(x_major_formatter_1)

xMajorFormatter_2 = FuncFormatter(x_major_formatter_2)

xMinorFormatter_1 = FuncFormatter(x_minor_formatter_1)

# 设定 X 轴的 Locator 和 Formatter

xaxis.set_major_locator(xMajorLocator)

xaxis.set_minor_locator(xMinorLocator)

xaxis.set_major_formatter(xMajorFormatter_1)

if ax2 is None:

xaxis.set_major_formatter(xMajorFormatter_2)

xaxis.set_minor_formatter(xMinorFormatter_1)

if ax2 is None: # 仅绘制主图

# 设定不显示的刻度标签:

if ax==ax1:

plt.setp(ax.get_xticklabels(minor=False), visible=True) #主刻度标签 可见

plt.setp(ax.get_xticklabels(minor=True), visible=True) #次刻度标签 可见

elif ((ax1 != None) and (ax2 != None)): # case of 主图+成交量图

if ax==ax2:

plt.setp(ax.get_xticklabels(minor=True), visible=False) #次刻度标签 隐藏

elif ax==ax1:

plt.setp(ax.get_xticklabels(minor=False), visible=False) #主刻度标签 隐藏

# 设定 X 轴主刻度和次刻度标签的样式(字体大小)

for malabel in ax.get_xticklabels(minor=False):

malabel.set_fontsize(12) # 6号也太小了

#malabel.set_horizontalalignment('right')

#malabel.set_rotation('45')

# if ax == ax1 or ax2:

for milabel in ax.get_xticklabels(minor=True):

milabel.set_fontsize(12) # 5 太小了

#milabel.set_horizontalalignment('right')

#milabel.set_rotation('45')

#milabel.set_fontdict=myfont

#milabel.set_fontproperties=myfont

#milabel.set_prop=myfont

# 设置两个坐标轴上的 grid

#==================================================================================================================================================

#xaxis_2.grid(True, 'major', color='0.3', linestyle='solid', linewidth=0.2)

xaxis.grid(True, 'major', color='0.3', linestyle='dotted', linewidth=0.3)

xaxis.grid(True, 'minor', color='0.3', linestyle='dotted', linewidth=0.1)

#yaxis_2.grid(True, 'major', color='0.3', linestyle='dashed', linewidth=0.2)

yaxis.grid(True, 'major', color='0.3', linestyle='dotted', linewidth=0.1)

yaxis.grid(True, 'minor', color='0.3', linestyle='dotted', linewidth=0.1)

def ohlc_find_idx_fdim(ohlc):

u'''

功能: index of first trading-day in month

------

- 获取每个月的第一个交易日的下标(又称0轴索引).

从数据框的时间索引里提取对应的日期, 然后检索出下标.

- 另外, 也获取每个交易周的第一个交易日的下标

输入:

- ohlc: pandas数据框

返回:

- list

例子:

-------

>>> mdindex, wdindex, sdindex= ohlc_find_idx_fdim(ohlc_last60)

'''

#datelist= [ datetime.date(int(ys), int(ms), int(ds)) for ys, ms, ds in [ dstr.split('-') for dstr in pdata[u'日期'] ] ]

last60 = ohlc[-250:]

datelist = last60.index.date.tolist()

# 确定 X 轴的 MajorLocator

mdindex= [] # 每个月第一个交易日在所有日期列表中的 index, 月日期索引

years= set([d.year for d in datelist]) # 所有的交易年份

for y in sorted(years):

months= set([d.month for d in datelist if d.year == y]) # 当年所有的交易月份

for m in sorted(months):

monthday= min([dt for dt in datelist if dt.year==y and dt.month==m]) # 当月的第一个交易日

mdindex.append(datelist.index(monthday))

wdindex =[] # weekday index, 每周的第一个交易日的索引

for y in sorted(years):

weeknum= set([int(d.strftime('%U')) for d in datelist if d.year==y])

for w in sorted(weeknum):

wd= min([dt for dt in datelist if dt.year==y and int(dt.strftime('%U'))==w])

wdindex.append(datelist.index(wd))

#==============================================================================

# wdindex= [] # 每周第一个交易日在所有日期列表中的 index, 每周的第一个交易日的索引

# for d in datelist:

# if d.weekday() == 0: wdindex.append(datelist.index(d))

#

#==============================================================================

# === 检索每个季末交易日的下标: sdindex: end of season day index ===

# 对ndarray or list 进行逻辑运输时, 需要用np.logical_or()方法才是正确的方法:

#filter1= (months==3) or (months==6)

#filter1= (months==3).tolist() or (months==6).tolist()

#ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

dt= last60.index.date # 得到ndarray of date,

# dti= last60.index # 得到pd.ts.index.DtetimeIndex of date,

months= last60.index.month #得到ndarray of month, 取值范围为: 1~12

# nextbar_m= last60.index.shift(1, freq='D').month # 当移动时间下标时, 数据的频率不能为空

# 这样做还是有问题的, pd的做法是: 引用未来1 Day的日期, 也就是当前的日期+1day的日期

# 比如: 当前的日期是 2016-12-30, 2017-01-03

# .shift(1)的日期是: 2016-12-31, 2017-01-04

# ==> 误判了4季末的日期变更线坐标位置

# 解决办法: 应该让freq= 'per index bar', 查询一下pd的doc吧...

# 变通办法: .drop first element value or .delete(0) the first location

# and then .insert one value at end, to make the same length

# 变通办法之: 用 freq='BQ', 来生成一个dtindex:

# pd.date_range(start=mi[0], end=mi[-1], freq='BQ') # BQbusiness quarter endfrequency

# Time Series / Date functionality — pandas 0.19.2 documentation

# http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases

#

# === 还有更简洁的办法: 就是dti.quarter属性直接提供了第几个季节 ===

i_index= last60.index.delete(0)

i_index= i_index.insert(-1, last60.index[-1]) # -1 表示最后一个下标位置

nextbar_m= i_index.month #

endMar= np.logical_and(months==3, nextbar_m==4)

endJun= np.logical_and(months==6, nextbar_m==7)

endSep= np.logical_and(months==9, nextbar_m==10)

endDec= np.logical_and(months==12, nextbar_m==1)

tmp1= np.logical_or(endMar, endJun)

tmp2= np.logical_or(endSep, endDec)

mask= np.logical_or(tmp1, tmp2)

sdindex= [dt.tolist().index(i) for i in dt[mask] ]

#print u'\n==> 季节变更坐标线:'

#print u' 每个季末的x轴的位置下标: %r' % sdindex

#print u' 每个季末的x轴的位置时间: %r' % last60.index[sdindex]

return mdindex, wdindex, sdindex

def plot_candle_only(datas):

u'''仅绘制主图

'''

global context, stk, subset

global fig, ax1, ax2, ax3

global candle_colors, length

context, stk, subset = datas

layout(volume_bars=False)

candles()

primary_curves()

#fig #在ipython console里显示整个图表

def plot_candle_vol(datas):

u'''主图+成交量图

'''

global context, stk, subset

global fig, ax1, ax2, ax3

global candle_colors, length

context, stk, subset = datas

layout(volume_bars=True)

candles()

primary_curves()

vol_bars()

pass

if __name__ == '__main__':

pass

[Swift通天遁地]三、手势与图表-(8)制作股市中常用的蜡烛图表

★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★➤微信公众号:山青咏芝(shanqingyongzhi)➤博客园地址:山青咏芝(https://www.cnblogs. ...

arcgis制作风或水流速流向图

制作风或水流速流向图 风速风向图或流速流向图相信大家都已经见过不少,但不知道有多少人会制作这样炫的专题图,下面这边文章向我们展示了当基本数据U和V矢量被存储时,怎样计算风或水流的速度和方向和对其进行符 ...

分支-15. 日K蜡烛图

/* * Main.c * 分支-15. 日K蜡烛图 * Created on: 2014年6月18日 * Author: Boomkeeper ****测试通过***** */ #include & ...

使用JavaScript制作一个好看的轮播图

目录 使用JavaScript制作出好看的轮播图效果 准备材料 1.图片若干张(包括轮播图和按钮的图片) 2.将按钮的图片应用到按钮上的CSS样式文件 3.实现轮播和点击跳转的JavaScript代码 ...

用CSS伪类制作一个不断旋转的八卦图？

前言 介绍一下如何制作一个不断旋转的八卦图.快速预览代码及效果,点击:八卦图 代码如下: HTML部分

...

Python+Matplotlib制作动画

注: 在"实验设计与数据处理"的课后作业中,有一个数据可视化的作业,利用课程上学习的某种方法找一个二维函数的最大值,并将这个寻找的过程可视化.在作业里面利用了Matplotlib的 ...

Python 绘图与可视化 matplotlib 制作Gif动图

参考链接:https://blog.csdn.net/theonegis/article/details/51037850 官方文档:https://matplotlib.org/3.1.0/api/ ...

matplotlib制作图表数据

import matplotlib.pyplot as plt import matplotlib fig=plt.figure() labels=['陆地','海洋'] data=[29,71] p ...

python+matplotlib制作雷达图3例分析和pandas读取csv操作

1.例一 图1 代码1 #第1步:导出模块 import numpy as np import matplotlib.pyplot as plt from matplotlib import font ...

随机推荐

frameset子窗口获取父窗口失败原因？

报错信息: arrow.html:44 Uncaught SecurityError: Blocked a frame with origin "null" from access ...

第八篇、UITableView常用功能(左滑出现多个按钮，多选删除等)

1.左滑动出现多个按钮 /** * 只要实现了这个方法,左滑出现按钮的功能就有了 (一旦左滑出现了N个按钮,tableView就进入了编辑模式, tableView.editing = YES) */ ...

Spark2.0编译

Spark2.0编译 1 前言 Spark2.0正式版于今天正式发布,本文基于CDH5.0.2的Spark编译. 2 编译步骤 #2.1 下载源码 wget https://github.com/ap ...

【Vue】详解Vue生命周期

Vue实例的生命周期全过程(图) (这里的红边圆角矩形内的都是对应的Vue实例的钩子函数) 在beforeCreate和created钩子函数间的生命周期 在beforeCreate和created之 ...

Python_字符串格式化

#冒泡排序 array = [1,2,3,6,5,4] for i in range(len(array)): for j in range(i): if array[j] > array[j ...

Nginx+Keepalived双机热备

一.Keepalived Keepalived是保证集群高可用的服务软件.网络中优先级高的节点为master负责响应VIP的ARP包,将VIP和MAC地址映射关系告诉网络内其他主机,还会以多播的形式向 ...

Rope整理(可持久化神器)

rope是什么?STL的内置的可持久化的数组.其最为方便的就是可以O1复制原来的数组.事实上rope的内置实现也是平衡树,由于只需要复制根结点,O1可以做到复制历史版本. 然而这个东西常数特大,不开O ...

[转]Spring事务<tx:annotation-driven/>

在使用SpringMVC的时候,配置文件中我们经常看到 annotation-driven 这样的注解,其含义就是支持注解,一般根据前缀 tx.mvc 等也能很直白的理解出来分别的作用.

Django model字段类型(转)

AutoField     一个 IntegerField, 添加记录时它会自动增长. 你通常不需要直接使用这个字段; 如果你不指定主键的话,系统会自动添加一个主键字段到你的 model.(参阅 _自 ...

20155325 2016-2017-2 《Java程序设计》第6周学习总结

教材学习内容总结 分类 输入流&输出流 字节流&字符流 节点流&处理流 核心方法 Input Stream int read(byte[]b,int off,int len) ...