据提交人称：
通过plt的表现，我们可以知道plt可以实现很多东西，比如数据可视化，比如解释重点，比如显示区间，比如写直方图，可以让我们更形象、具体、准确的找到数据信息，表达意思。
事实上，我们必须知道一些关于plt库或其他库的事情：
通读或操作一遍或几遍，掌握专有名词和记录笔记，剩下的交给百度。其实不难。难的是如何布局，通过合理的布局和标记，让自己的意思表达清楚。从这个角度来说，我们从自己实际简单的业务中去培养，或者借鉴别人的案例，调整自己的思路，都是有好处的。
读书只是帮助我们进行更专业、更系统的搜索，也为我们在需要建立新业务时提供了一种思维方式，通过基础来启发我们的思维。不要害怕错误或困难。毕竟百度上能遇到的问题基本都有。
勇于开拓思维，举一反三。
是给文的。
系列文章：
Python股票量化交易入门实战01
Python股票量化交易到入门级实战02
import pandas as PD import numpy as NP import time import matplotlib . py plot as pltplt . rcparams[' font . sans-serif ']=[' sim hei ']#用于正常显示中文标签plt。RC params[' axes . unicode _ MINUS ']=false #用于正常显示负号FIG=PLT。图(FIG size=(12，8))AX=FIG Add _ Subplot(111)AX。HIST (NP。随机的。Normal ( Scale=1，size=1000)，bins=50，density=false，color=' r') #这里需要注意的是，ax.hist只接受一条数据，不能接受多条数据。Ax.set_xlabel('样本值'，fontsize=15)ax.set_ylabel('频率'，fontsize=15)ax.set_title('正态分布直方图'，font size=25)PLT . show()010-699。
5.2.7K线图的绘制：
在上面的两个案例中，我们现在可以建立成交量的展会和涨跌幅.的展会，我们将通过candlestics2_ochl()函数绘制k线。
import pandas as PD import numpy as NP import time import matplotlib . py plot as plt PLT . rcparams[' font . sans-serif ']=[' sim hei ']#用于正常显示中文标签PLT。RC params[' axes . unicode _ MINUS ']=false #用于正常显示负号FIG=PLT。图(FIG size=(8，6))AX=FIG Add _ Subplot(111)#导入数据，数据预处理DF=PD。阅读_ CSV
df['date'])df=df.sort_values(by='date')#截取数据，数据太长无法显示df=df[-20:]df=df.reset_index(drop=True)#引入新函数import mpl_finance as mpf#书本用的list格式，笔者尝试用了一下series，这样子可以减少格式的转换。mpf.candlestick2_ohlc(ax,df['open'],df['high'],df['low'],df['close'],width=0.5, colorup='r',colordown='g')#推导式，格式化时间data_index=[p.strftime("%Y-%m-%d ") for p in df['date']]#长度ax.set_xlim(0,10)#间隔ax.set_xticks(np.arange(0,10))#接收list格式，一个参数。ax.set_xticklabels(data_index,rotation=45)ax.set_xlabel('日期',fontsize=5)ax.set_ylabel('价格',fontsize=15)ax.set_title('日k线图',fontsize=15)plt.show()
浦发银行的走势
略
5.4多子图对象的创建和布局：
这里我们来将个股的数据进行可视化，任务为展示浦发银行的K线图走势，均线走势以及成交量。
import matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport mplfinance as mpfplt.rcParams['font.family'] = 'sans-serif'plt.rcParams['font.sans-serif'] = 'SimHei'#导入数据df=pd.read_csv('sh600000.csv')df['date']=pd.to_datetime(df['date'],format='%Y-%m-%d')df=df.sort_values(by='date')# df.index=df.pop('date')df=df.set_index('date')df=df['2017':'2019']#设计成这个样子，就可以进行封装，调参，测试了。df=df[[ 'open', 'high', 'low', 'close','volume']]#因为，mpf会自动识别这五个参数，所以为了防止报错，就取这几个数，防止报错。#设置参数my_color = mpf.make_marketcolors(up='red',#上涨时为红色 down='green',#下跌时为绿色 edge='i',#隐藏k线边缘 volume='in',#成交量用同样的颜色 inherit=True)#设置网格my_style = mpf.make_mpf_style(gridaxis='both',#设置网格 gridstyle='-.', y_on_right=True, marketcolors=my_color)#生成3条均线df["sma5"] = df["close"].rolling(5).mean()df["sma10"] = df["close"].rolling(10).mean()df["sma30"] = df["close"].rolling(30).mean()#精确小数点，提高计算精度df=df.round(2)#初始化信号df['sign']=0#生成信号for i in range(1,len(df)): if df.sma5.iloc[i]>df.sma10.iloc[i] and df.sma5.iloc[i-1]<df.sma10.iloc[i-1]: df.sign.iloc[i]=1 if df.sma5.iloc[i]<df.sma10.iloc[i] and df.sma5.iloc[i - 1]>df.sma10.iloc[i - 1]: df.sign.iloc[i] =-1#生成买点位置df['buysign']=df[df['sign']>0]['sign']#生成卖点位置df['sellsign']=df[df['sign']<0]['sign']#将均线，买点，卖点信号设置好，然后准备传参add_plot=[mpf.make_addplot(df[['sma5','sma10']]), mpf.make_addplot(df['buysign'],scatter=True,markersize=80,marker='^',color='r'), mpf.make_addplot(df['sellsign'],scatter=True,markersize=80,marker='v',color='g')]#接受设置好的参数mpf.plot(df,type='candle', addplot=add_plot, style=my_style, volume=True,#展示成交量副图 figratio=(2,1),#设置图片大小 figscale=5)效果图：
感悟：
