该系列视频已经搬运至bilibili： 点击查看

欢迎来到Python for Finance教程系列的第3部分。在本教程中，我们将使用我们的股票数据进一步分解一些基本的数据操作和可视化。我们将要使用的开始代码(在前面的教程中已经介绍过)是：

import datetime as dt

import matplotlib.pyplot as plt

from matplotlib import style

import pandas as pd

import pandas_datareader.data as web

style.use('ggplot')

df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0)

pandas模块配备了一系列可以利用的内置功能，以及创建自定义pandas功能的方法。稍后我们将介绍一些自定义函数，但现在让我们对这些数据执行一个非常常见的操作：移动平均线moving averages。

简单移动平均线的想法是花时间窗口，并计算该窗口中的平均价格。然后我们把这个窗口转过一段时间，然后再做一次。在我们的例子中，我们将执行100日均线(100ma)。因此，这将采用当前价格，并将过去99天的价格加起来除以100，然后确定当前的100日均线。然后我们移动窗户超过1天，然后再做同样的事情。在pandas中这样做很简单：

df['100ma'] = df['Adj Close'].rolling(window=100).mean()

做df ['100ma']允许我们重新定义包含现有列的内容(如果我们有一个名为“100ma”的)，或者创建一个新列，这就是我们在这里所做的。我们说df ['100ma']列等同于应用滚动方法的df ['Adj Close']列，窗口为100，这个窗口将是一个平均值( )(平均)操作。

现在，我们可以这样做：

print(df.head())

Date Open High Low Close Volume \

Date

2010-06-29 2010-06-29 19.000000 25.00 17.540001 23.889999 18766300

2010-06-30 2010-06-30 25.790001 30.42 23.299999 23.830000 17187100

2010-07-01 2010-07-01 25.000000 25.92 20.270000 21.959999 8218800

2010-07-02 2010-07-02 23.000000 23.10 18.709999 19.200001 5139800

2010-07-06 2010-07-06 20.000000 20.00 15.830000 16.110001 6866900

Adj Close 100ma

Date

2010-06-29 23.889999 NaN

2010-06-30 23.830000 NaN

2010-07-01 21.959999 NaN

2010-07-02 19.200001 NaN

2010-07-06 16.110001 NaN

发生了什么？ 在100ma列下，我们只看到NaN。 我们选择了100个移动平均线，理论上需要100个之前的数据点进行计算，所以我们在前100行中不会有任何数据。 NaN的意思是“Not a Number”。 在Pandas，你可以决定做许多事情与缺失的数据，但现在，让我们实际上只是改变最小周期参数：

df['100ma'] = df['Adj Close'].rolling(window=100,min_periods=0).mean()

print(df.head())

Date Open High Low Close Volume \

Date

2010-06-29 2010-06-29 19.000000 25.00 17.540001 23.889999 18766300

2010-06-30 2010-06-30 25.790001 30.42 23.299999 23.830000 17187100

2010-07-01 2010-07-01 25.000000 25.92 20.270000 21.959999 8218800

2010-07-02 2010-07-02 23.000000 23.10 18.709999 19.200001 5139800

2010-07-06 2010-07-06 20.000000 20.00 15.830000 16.110001 6866900

Adj Close 100ma

Date

2010-06-29 23.889999 23.889999

2010-06-30 23.830000 23.860000

2010-07-01 21.959999 23.226666

2010-07-02 19.200001 22.220000

2010-07-06 16.110001 20.998000

看吧，现在生效了，现在我们想看看它！ 但是我们已经看到了简单的图表，稍微复杂一点的东西呢？

ax1 = plt.subplot2grid((6,1), (0,0), rowspan=5, colspan=1)

ax2 = plt.subplot2grid((6,1), (5,0), rowspan=1, colspan=1,sharex=ax1)

基本上，我们说我们要创建两个子图，并且这两个子图都会像6x1网格一样工作，我们有6行1列。 第一个子图从该网格上的(0,0)开始，跨越5行，并跨越1列。 下一个轴也位于6x1网格上，但它始于(5,0)，跨越1行和1列。 第二个轴也有sharex = ax1，这意味着ax2将始终将其x轴与ax1的x轴对齐，反之亦然。 现在我们只是制作我们的地块：

ax1.plot(df.index, df['Adj Close'])

ax1.plot(df.index, df['100ma'])

ax2.bar(df.index, df['Volume'])

plt.show()

综上，我们绘制了第一轴上的close和100ma，第二轴上的volume。 我们的结果：

完整的代码到目前为止：

import datetime as dt

import matplotlib.pyplot as plt

from matplotlib import style

import pandas as pd

import pandas_datareader.data as web

style.use('ggplot')

df = pd.read_csv('tsla.csv', parse_dates=True, index_col=0)

df['100ma'] = df['Adj Close'].rolling(window=100, min_periods=0).mean()

print(df.head())

ax1 = plt.subplot2grid((6,1), (0,0), rowspan=5, colspan=1)

ax2 = plt.subplot2grid((6,1), (5,0), rowspan=1, colspan=1, sharex=ax1)

ax1.plot(df.index, df['Adj Close'])

ax1.plot(df.index, df['100ma'])

ax2.bar(df.index, df['Volume'])

plt.show()

在接下来的几节教程中，我们将学习如何通过Pandas数据重采样制作烛台图形，并学习更多关于使用Matplotlib的知识。