作者：许胜利 Python爱好者社区专栏作者

博客专栏：许胜利的博客专栏

1.信息可视化

因为人对图像信息的解析效率比文字更高，所以可视化可以使数据更为直观，便于理解，使决策变得高效，所以信息可视化就显得尤为重要。

1.尝试做一个折线图

df.plot()方法的函数说明

DataFrame还可以用于对列进行灵活处理的选项

用折线图对比各个指数的实时的开盘点位，并设置图像大小

df['open'].plot(kind='line', figsize=[5,5], legend=True, title='code')

# 如果需要加入折线，设置参数grid=True即可

df['open'].plot(kind='line', figsize=[10,5], legend=True, title='code', grid=True)

2.绘制移动平均线获取上证指数5.21日分笔历史数据

import tushare as ts

df = ts.get_tick_data('000001', date='2018-05-21')

返回值说明：time：时间

price：成交价格

change：价格变动

volume：成交手

amount：成交金额(元)

type：买卖类型【买盘、卖盘、中性盘】

绘制当日前20条数据成交金额变动折线图

df = df.head(200)

df['amount'].plot(kind='line', figsize=[15,3], legend=True, title='code', grid=True)

绘制移动平均线

移动平均线，Moving Average，简称MA，MA是用统计分析的方法，将一定时期内的证券价格(指数)加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。

DataFrame.rolling(*window*，*min_periods = None*，*center = False*，

*win_type = None*，*on = None*，*axis = 0*，*closed = None *)[[source]]

参数说明：window：int或偏移量移动窗口的大小，这仅适用于日期时间类型的索引。

min_periods：int，默认无窗口中需要有最小数量的观测数据(否则结果为NA)。对于由偏移量指定的窗口，这将默认为1。

center：布尔值，默认为False将标签设置在窗口的中心。

win_type：字符串，默认无提供一个窗口类型。如果None，所有点均匀加权。

on：字符串，可选用于计算滚动窗口的DataFrame列，而不是索引

closed：字符串，默认无在'右'，'左'，'双'或'既非'端点上关闭间隔。

axis： 轴，int或字符串，默认为0

df['mvg2']=df['amount'].rolling(window=2).mean()

df[['amount', 'mvg2']].plot(kind='line',figsize=[10,5])

3.绘制直方图我们找出5.21号14:55 - 14:57 这两分钟内的上证指数数据，观察它的成交金额变化

df.ix[(df.time>='14:55:00')&(df.time<='14:57:00'),'amount'].plot(kind='bar', figsize=[10,5], legend=True, title='amount')

4.绘制圆饼图

import tushare

# 获取大盘指数实时行情列表

df = ts.get_index()

df['diff'] = df['close'] - df['open']

df['rise'] = df['diff'] > 0 # 涨

df['fall'] = df['diff'] < 0 # 跌

# counterclock 布尔值，可选参数，默认为：None。指定指针方向，顺时针或者逆时针

# startangle浮点类型，可选参数，默认：None。如果不是None，从x轴逆时针旋转饼图的开始角度。

df[['rise', 'fall']].sum().plot(kind='pie', figsize=[5,5], counterclock=True,

startangle=90, legend=True, title='diff')