本文含 8890 字，37 图表截屏
建议阅读 46 分钟
0
引言
本文是 Python 系列的 Cufflinks 补充篇。整套 Python 盘一盘系列目录如下：
Cufflinks 对于做数据分析的同学简直就是神器，可以让他们把注意力放在分析过程上，同时又能产出漂亮的可视图。
Cufflinks 可以不严谨的分解成 DataFrame、Figure 和 iplot，如下图所示：
其中
DataFrame：代表 pandas 的数据帧
Figure：代表可绘制图形，比如 bar、box、histogram 等等
iplot：代表绘制方法，其中有很多参数可进行配置，调节符合适当风格的可视图
由此可知，Cufflinks 直接在 DataFrame 上画图，而 DataFrame 是最基本的数据格式，因此很方便；Figure 只是设定图形，而 iplot 才真正的把图给画出来。
本贴结构如下，第一章解释 iplot() 函数的参数含义，当你明晰所有参数该怎么用时，你会发现用 Cufflinks 画图真的再简单不过了。第二章就“随意”画些图看看效果 (如以下视频所示)。
首先引入 Cufflinks 包，并设置离线模式画图。
import cufflinks as cf
cf.set_config_file(offline=True)
1
iplot 函数 API
用一个词形容 Cufflinks 的 API 就是优雅，所有绘图实现都写在一个函数 iplot() 里。查看其函数签名可用以下语句：
df = pd.DataFrame()
help(df.iplot)
绘图函数 iplot()是一招鲜吃遍天，常用参数的解释如下。尽管内容枯燥，建议一定认真读完，细节在魔鬼，读得越细就能实现越精巧的图。
kind：字符串格式，用于设置图的种类，具体值包括
散点图 scatter、柱状图 bar、箱形图 box、差异图 spread、比率图 ratio、热力图 heatmap、平面图 surface、直方图 histogram、气泡图 bubble、三维气泡图 bubble3d、三维散点图 scatter3d、地理散点图 scattergeo、K线图 ohlc、蜡烛图 candle、饼状图 pie、地图 choroplet
title, xTitle, yTitle, zTitle：字符串格式，用于设置图表标题、x 轴、y 轴和 z 轴标题 (只适用 3D 图)
theme：字符串格式，用于设置主题风格，可用 cf.getThemes() 查看，具体值包括
ggplot, pearl, solar, space, white, polar, henanigans
colors：字典、列表或字符串格式，用于设置颜色
字典：{column:color} 按数据帧中的列标签设置颜色
列表：[color] 对每条轨迹按顺序的设置颜色
字符串：具体颜色的英文名称，适用于所有轨迹
colorscale：字符串格式，用于设置色阶，具体名称可用 cf.colors.scale() 查看，如下图所示。在颜色字符串前加 – 前缀可以反转色阶。举例 “accent” 和 “-accent” 的色阶顺序正好相反。
fill：布尔格式，用于填充轨迹 (trace) 和坐标轴之间的空白。
width：字典、列表或整数格式，用于设置轨迹宽度
字典：{column:value} 按数据帧中的列标签设置宽度
列表：[value] 对每条轨迹按顺序的设置宽度
整数：具体数值，适用于所有轨迹
dash：字典、列表或字符串格式，用于设置轨迹风格
字典：{column:value} 按数据帧中的列标签设置风格
列表：[value] 对每条轨迹按顺序的设置风格
字符串：具体风格的名称，适用于所有轨迹
具体选项有实线 solid、虚线 dash、虚点 dashdot、点 dot
mode：字典、列表或字符串格式，用于设置轨迹模式
字典：{column:value} 按数据帧中的列标签设置模式
列表：[value] 对每条轨迹按顺序的设置模式
字符串：具体模式的名称，适用于所有轨迹
具体选项有折线 lines、散点 markers、折线加散点 lines+markers、折线加文字lines+text、散点加文字 markers+text、折线加散点和文字 lines+markers+text
interpolation：字典、列表或字符串格式，用于设置插值方法
字典：{column:value} 按数据帧中的列标签设置插值方法
列表：[value] 对每条轨迹按顺序的设置插值方法
字符串：具体插值方法的名称，适用于所有轨迹
具体选项有线性 linear、三次样条 spline、 阶梯 hv 或 vh 或 vhv 或 hvh。
symbol：字典、列表或字符串格式，用于设置标记类型，仅当 mode 含 marker 才适用
字典：{column:value} 按数据帧中的列标签设置标记类型
列表：[value] 对每条轨迹按顺序的设置标记类型
字符串：具体标记类型的名称，适用于所有轨迹
具体选项有圆形 circle、圆形加点 circle-dot、菱形 diamond、方形 square 等。
size：字符串或整数格式，用于设置标记大小，仅当 mode 含 marker 才适用。
barmode：字符串格式，用于设置柱状类型，仅当 kind = bar 才适用，具体选项有分组 group、堆叠 stack、重叠 overlay。
sortbars：布尔格式，用于递减排列柱状，仅当 kind = bar 才适用。
bargap：浮点数格式，值在0和 1 之间，用于设置柱状的间隔，仅当 kind = bar 或 historgram 才适用。
bargroupgap：浮点数格式，值在 0和 1 之间，用于设置柱状分组的间隔，仅当 kind = bar 或 historgram 才适用。
bins：整数或元组格式，仅当 kind = historgram 才适用
整数：设置桶个数
元组：(start, end, size) 设置起始点、终止点、和桶的大小
histnorm：字符串格式，仅当 kind = historgram 才适用。具体选项有
频率 frequency (桶高等于计数)
百分比 percent (桶高等于每桶中计数占总数的比例)
概率 probability (桶高等于概率，桶宽为 1)
密度 density (桶高等于计数除以桶宽，使得桶面积加起来等于桶的总数)
概率密度 probability density (桶高等于概率除以桶宽，使得桶面积加起来等于 1)
histfunc：字符串格式，用于设置桶函数，仅当 kind = historgram 才适用。具体选项有计数函数 count、求和函数 sum、平均函数 avg、最小值函数 min、最大值函数 max。
orientation：字符串格式，用于设置形状的排放方式，h 代表水平 v 代表竖直，仅当 kind = bar 或 histogram 或 box 才适用
boxpoints：布尔或字符串格式，用于在箱形图中显示数据，仅当 kind = box 才适用，具体选项有离群值 outliers、全部 all、可疑离群值 suspectedoutliers、不显示False。
annotations：字典格式 {x_point: text}，用于在点 x_point 上标注 text。
keys：列表格式，指定数据帧中的一组列标签用于排序。
bestfit：布尔或列表格式，用于拟合数据。
布尔：True 对所有列的数据都做拟合
列表：[columns] 对列表中包含列的数据做拟合
bestfit_colors：字典或列表格式，用于设定数据拟合线的颜色。
字典：{column:color} 按数据帧中的列标签设置颜色
列表：[color] 对每条轨迹按顺序的设置颜色
categories：字符串格式，数据帧中用于区分类别的列标签
x：字符串格式，数据帧中用于 x 轴变量的列标签
y：字符串格式，数据帧中用于 y 轴变量的列标签
z：字符串格式，数据帧中用于 z 轴变量的列标签 (只适用 3D 图)
text：字符串格式，数据帧用于显示文字的列标签
gridcolor：字符串格式，用于设定网格颜色
zerolinecolor：字符串格式，用于设定零线颜色
labels：字符串格式，将数据帧中的里列标签设为饼状图每块的标签，仅当 kind = pie 才适用。
values：字符串格式，将数据帧中的列数据的值设为饼状图每块的面积，仅当 kind = pie 才适用。
secondary_y：字符串格式，数据帧中用于第二个 y 轴变量的列标签
secondary_y_title：字符串格式，用于设置第二个 y 轴标题
subplots：布尔格式，如果 True 则画子图
shape：元组格式 (rows, cols)，仅当 subplots= True 才适用，
error_x：整数或浮点数格式，用于设置 x 轴变量的误差值
error_y：整数或浮点数格式，用于设置 y 轴变量的误差值
error_type：字符串格式，用于设定误差条形的类型，具体选项有 data、constant、percent、sqrt、continuous、continuous_percent。
最后将图存成不同数据格式的布尔型参数：
asFrame：如果 True 则将图的成分存成序列
asDate：如果 True 则将时间存成 DatetimeIndex
asFigure：如果 True 则将图存成 Plotly 图格式
asImage：如果 True 则将图存成 PNG 格式
asPlot：如果 True 则将图在浏览器打开
asUrl：如果 True 则将返回网址 (online 模式) 或返回本地路径 (offline 模式)
认真读参数含义！认真读参数含义！认真读参数含义！读完你就发现“诶，我怎么会用 Cufflinks 画各式各样的图了”。
2
用 iplot 画图
数据
首先用 YahooFinancials API 来下载四个股票的 2020 年到 2021年的最新数据，安装该 API 用一行代码：
pip install yahoofinancials
数据的描述如下
起始日：2020-01-01
终止日：2021-01-26
四只股票：FUTU、NIO、FUBO，DAO
下面代码就是从 API 获取数据：
该 API 返回结果 stock_daily 是「字典」格式，样子非常丑陋，将上面的「原始数据」转换成 DataFrame，代码如下：
第 3 行完全是为了 YahooFinancial 里面的输入格式准备的。如果 Asset 是加密货币，直接用其股票代码；如果 Asset 是汇率，一般参数写成 EURUSD 或 USDJPY
如果是 EURUSD，转换成 EURUSD=X
如果是 USDJPY，转换成 JPY=X
第 6 行定义好开盘价、收盘价、最低价和最高价的标签。
第 7 行获取出一个「字典」格式的数据。
第 8, 9 行用列表解析式 (list comprehension) 将日期和价格获取出来。
第 11 到 13 行定义一个 DataFrame
值为第 9 行得到的 price 列表
行标签为第 8 行得到的 index 列表
列标签为第 6 行定义好的 columns 列表
处理过后，将每个股票的收盘价合并成一个数据帧，打印其首尾三行得到：
df = pd.DataFrame()
for code in stock_code:
data = data_converter( stock_daily, code, 'EQ' )
df[code] = data['close']
df.index = pd.to_datetime(df.index)
df.head(3).append(df.tail(3))
接下来画图，代码简单到已经不需要额外文字解释了，对比着参数设置一下子就能找出图中相对应特征。
可视图
四只股票价格折线图，在 x 轴、y 轴和图上列出标题。
df.iplot( kind='line',
xTitle='日期',
yTitle='价格',
title='四只股票表现' )
由于股票价格量纲不同，有时候多只股票放在一起比较效果很差，比如你加入 AMZN，大概 3200 多，这样那些价格只有几十的股票折线几乎像一条水平线。下面做了标准化，将起始日的价格设为 100，再进行比较。
df.div(df.iloc[0,:]).mul(100).iplot( kind='line',
xTitle='日期',
yTitle='标准化后价格',
title='四只股票表现' )
画 FUTU 和 NIO 日收益率的散点图。注意参数 color 和 symbol 的用法 (以字典个格式传入参数值)。
df[['FUTU','NIO']].pct_change().iplot(kind='scatter', mode='markers', size=8,
color={'FUTU':'pink', 'NIO':'red'},
symbol={'FUTU':'diamond', 'NIO':'circle'},
xTitle='FUTU', yTitle='NIO', title='日收益率散点图')
画 FUTU 和 NIO 价格的差异图。
df[['FUBO','NIO']].iplot(kind='spread',
xTitle='日期',
yTitle='价格',
title='FUBO 和 NIO 价格差异图')
画 FUTU 和 NIO 价格的比率图。
df[['FUBO','NIO']].iplot(kind='ratio',
xTitle='日期',
yTitle='价格',
title='FUBO 和 NIO 价格比率图')
画四只股票日收益率的分组直方图。注意参数 barmode 和 histnorm 的用法。
df.pct_change().iplot(kind='histogram',
barmode='group', histnorm='probability',
xTitle='日收益率', yTitle='概率', title='四只股票日收益率分组直方图')
画四只股票日收益率的堆叠直方图。注意参数 barmode 设为 stack。
df.pct_change().iplot(kind='histogram',
barmode='stack',
xTitle='日收益率', yTitle='概率', title='四只股票日收益率堆叠直方图')
下面四图分别画四只股票日收益率的直箱形图，前三个都是竖直展示箱 (参数 orirentation ='v')，并展示全部数据点、只展示离群点，和只展示可疑离群点，最后一天按水平展示箱 (参数 orirentation ='h')。
df.pct_change().iplot(kind='box',
orientation='v', boxpoints='all',
xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')
df.pct_change().iplot(kind='box',
orientation='v', boxpoints='outliers',
xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')
df.pct_change().iplot(kind='box',
orientation='v', boxpoints='suspectedoutliers',
xTitle='股票', yTitle='日收益率', title='四只股票日收益率箱形图')
df.pct_change().iplot(kind='box',
orientation='h',
xTitle='日收益率', yTitle='股票', title='四只股票日收益率箱形图')
画四只股票按季度收益率的柱状图。按季度用 rsample('Q') 来分组；计算累计收益用 apply() 将 np.prod(1+x)-1 应用到每组中所有的数据。
df.pct_change().resample('Q').apply(lambda x: np.prod(1+x)-1).\
iplot(kind='bar',
xTitle='季度',
yTitle='收益率',
title='四只股票季度收益率柱状图')
画 NIO 和 DAO 的折线+拟合图，只需设置 bestfit 为 True，此外还可用 colors 和 bestfit_colors 设置折线和拟合线的颜色。
df[['NIO','DAO']].iplot( kind='scatter',
bestfit=True,
colors=['blue','red'],
bestfit_colors=['blue','red'],
xTitle='日期', yTitle='价格', title='最优线性拟合' )
画图四只股票月收益率的气泡图。代码稍微有些复杂，但还是能一行流写出 (尽管有几个断行)。如何 resample 计算累计收益率前面已经讲了就不重复了，关键是先用 pd.melt() 将宽表变成长表，使其用三列 date, code 和 value，然后分别设为气泡的 x 轴数据、y 轴数据、和气泡大小。最后用 code 来区分不同股票的月收益率，即用不同颜色区分。
pd.melt( df.pct_change()
.resample('M')
.apply(lambda x: np.prod(1+x)-1)
.reset_index(), id_vars=['date'], var_name='code' )\
.iplot( kind='bubble',
x='value', y='date', size='value',
categories='code',
xTitle='收益率', yTitle='日期', title='四只股票月度收益率气泡图' )
回顾上面 iplot() 函数签名中，还有 **kwargs 参数，比如添加水平线 (hline) 和竖直线 (vline)。
df[['FUTU']].iplot(hline=[40,60],
vline=['2020-11-19'],
xTitle='价格', yTitle='日期', title='FUTU 股价')
可用字典格式进一步设置水平线和竖直线的特征。
df[['FUTU']].iplot(hline=[dict(y=40,color='blue',width=10),
dict(y=60,color='green',dash='dash')],
vline=['2020-11-19'],
xTitle='价格', yTitle='日期', title='FUTU 股价')
同理，可添加水平块 (hspan) 和竖直块 (vspan)。
df[['FUTU']].iplot(hspan=[(40,60)],
vspan=[('2020-11-19','2021-01-01')],
xTitle='价格', yTitle='日期', title='FUTU 股价')
可用字典格式进一步设置水平块和竖直块的特征。
df[['FUTU']].iplot(hspan={'y0':40, 'y1':60, 'color':'black', 'fill':False},
vspan={'x0':'2020-11-19', 'x1':'2021-01-01', 'color':'blue', 'fill':True, 'opacity':0.2},
xTitle='价格', yTitle='日期', title='FUTU 股价')
画子图也可以实现，将 subplots 设为 True 即可。
df.iplot( subplots=True,
subplot_titles=True,
legend=False,
xTitle='日期', yTitle='价格', title='四只股票价格')
显式设定多图的布局也容易，用 shape 参数。
df.pct_change()[-30:].iplot( subplots=True,
shape=(4,1),
shared_xaxes=True,
vertical_spacing=.02,
fill=True,
xTitle='日期', title='四只股票日收益率')
如果多图的布局不规则怎么办？如果每个子图的类型不一样怎么办？
好办！分四步：
将具体的子图一个个按顺序放入 cf.figures() 里
创建布局，用 cf.tools.get_base_layout()
设定每个子图占布局的位置，用 cf.subplots() 并设置 specs
最后 cf.iplot() 画图即可
3
总结
Cufflinks 很简单，一行 iplot 流
Cufflinks 不简单，细节在魔鬼
熟读函数 API，很快能学会
Python 付费精品视频课
8 节 Python 数据分析 (NumPy/Pandas/Scipy) 课：
11 节 Python 基础课：
今年还会出 Python 三个系列：
数据可视化 (Matplotlib/Seaborn/Bokeh/Plotly/PyEcharts)
机器学习 (Scikit Learn/Scikit Plot)
深度学习 (Keras)