Python可视化在量化交易中的应用(17)_Seaborn核密度曲线图_sns.kdeplot 返回核密度数值

Seaborn中核密度图的绘制方法

seaborn中绘制核密度图使用的是sns.kdeplot()函数：
sns.kdeplot(x,y,shade,vertical,kernel,bw,gridsize=200,cut=3,clip,legend,cumulative,shade_lowest,cbar,cbar_ax,cbar_kws,ax,weights,hue,palette,hue_order,hue_norm,multiple=‘layer’,common_norm,common_grid,levels=10,thresh=0.05,bw_method=‘scott’,bw_adjust=1,log_scale,color,fill,data,data2,**kwargs,)

关键参数说明：

x：用于绘制核密度估计图的一维数据，可以是列表、数组或Series。
y：用于绘制二维核密度估计图的第二维数据，可以是列表、数组或Series。
shade：指定是否填充核密度曲线下的区域，默认为True。
vertical：指定是否绘制垂直核密度估计图，默认为False。
kernel：指定核函数的类型，默认为’gau’，即高斯核函数。
bw：指定核密度估计的带宽。可以是标量，也可以是一个字符串，用于选择自动确定带宽的方法。
gridsize：指定绘制核密度估计图时的网格大小，默认为200。
cut：指定在绘制二维核密度估计图时剪切数据的值，默认为3。
clip：指定是否对估计的密度进行裁剪，默认为False。
legend：指定是否显示图例，默认为False。
cumulative：指定是否绘制累积密度函数图，默认为False。
shade_lowest：指定是否填充最低密度区域，默认为False。
cbar：指定是否显示颜色条，默认为False。
cbar_ax：指定颜色条的轴对象。
cbar_kws：传递给颜色条绘图函数的其他关键字参数。
ax：指定绘图的轴对象。
weights：指定数据点的权重。
hue：用于对数据进行分组的变量名，根据该变量的不同取值，会以不同的颜色显示在图中。

palette：用于指定颜色调色板的名称或颜色列表。
hue_order：用于指定hue变量取值的顺序。
hue_norm：用于对hue变量进行归一化的对象。
multiple：指定多个核密度估计图的绘制方式，默认为’layer’，表示在同一轴上绘制多个核密度估计图。
common_norm：指定是否使用共同的密度估计规范，默认为False。
common_grid：指定是否使用共同的网格规范，默认为False。
levels：指定绘制等高线的数量，默认为10。
thresh：指定绘制等高线时的阈值，默认为0.05。
bw_method：指定带宽选择方法的名称或标量，默认为’scott’。
bw_adjust：指定带宽的调整因子，默认为1。
log_scale：指定是否使用对数刻度，默认为False。
color：指定绘图的颜色。
fill：指定是否填充核密度曲线下的区域，默认为True。
data：用于绘图的数据集，可以是DataFrame或数组。
data2：用于绘制二维核密度估计图的第二个数据集，可以是DataFrame或数组。
**kwargs：其他可选参数，用于传递给底层绘图函数。

案例展示：

使用seaborn绘制平安银行股票交易开盘价、收盘价、最高价、最低价的核密度图形。通过观察核密度图形，可以帮助投资者了解价格或收益等数据的分布情况，有助于了解数据的中心趋势、峰度和偏度等统计特征，以及是否存在异常值或离群点，为投资决策提供依据。
代码如下：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
# 设置为默认字体
plt.rcParams['font.family'] = 'SimHei'
# 显示负数
plt.rcParams['axes.unicode_minus'] = False

# 导入数据
df = pd.read_excel("2023年一季度A股日线行情.xlsx")

# 将日期列转化为日期格式
df["trade_date"] = df["trade_date"].astype("str").apply(lambda x:x[:4]+"-"+x[4:6]+"-"+x[6:])
# 将日期列转换为日期类型，并设置为索引列
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)

# 筛选2023年3月的行情数据
start_date = '2023-03-01'
end_date = '2023-03-31'
df = df.loc[start_date:end_date]

# 筛选中国平安的3月股票交易数据
stock = df[df['ts_code']=='000001.SZ']

# 筛选出开盘价、收盘价、最高价、最低价
stock = stock[['open','close','high','low']]

# 设置图形大小
fig, ax = plt.subplots(figsize=(10, 6))
# 绘制核密度曲线图
sns.kdeplot(data=stock, ax=ax, fill='coolwarm', shade=True)
plt.xlabel('Price') 
# 设置y轴标签
plt.ylabel('Frequency')  
# 设置图标题
plt.title('Stock Price Fluctuation')  
# 显示图形
plt.show()  

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

代码运行效果如下图所示：

图5.3.9 开盘价、收盘价、最高价、最低价核密度图形展示
同时，我们也可以使用核密度图形观察特征值与特征值之间的分布情况，比如，可以分别观察开盘价与收盘价、最高价与最低价之间的关系。
在上述代码的基础上补充以下代码：

# 创建一个2x2的子图布局
fig, ax = plt.subplots(1, 2, figsize=(10, 5))

# 使用Seaborn绘制等高线图
sns.kdeplot(stock['open'],stock['close'], shade=True,fill = True, ax = ax[0])
sns.kdeplot(stock['high'],stock['low'], shade=True,fill = True, ax = ax[1])

# 显示图形
plt.show()
1
2
3
4
5
6
7
8
9

代码运行效果如下图所示：