seaborn 在金融数据可视化中的应用

《python与量化投资从基础到实战》学习笔记 tips:如果没时间阅读，可收藏本文或者直接滑动到文末获取本项目代码下载链接

seaborn库是以matplotlib为基础，同时支持numpy、pandas数据结构以及scipy和statsmodels的统计结果。

seaborn的主要功能有：

• 内置主题

• 丰富的调色板，更好的显示数据信息

• 对变量分布进行了可视化

• 数据矩阵可视化，并使用聚类算法发现这些矩阵中的结构

• 对自变量和因变量之间的线性回归结果进行可视化

• 绘制统计时间序列，并将其不确定性可视化

• 构建高级、抽象的网格图，可轻松将复杂问题可视化

1. 主题管理

seaborn的抢眼的亮点是内置了经过美化的主题，无序调制参数即可绘制漂亮的可视化。

接下来，引入seaborn模块，sns.set_style(style)可以设置主题，

style参数可以传入字典或者 "darkgrid","whitegrid","dark","white","ticks"

seaborn的sns.set context(context, font scale)函数的context一共有四种内置主题（paper、talk、poster、notebook），font_scale负责字体大小。

2.调色板

seaborn拥有丰富的调色板，大致分为循环、渐变、混合三类，利用sns.set palette(palette, n colors=None, desat=None)函数来进行设置。

• palette： seaborn颜色风格

• ncolors: 整数型，绘制的颜色种类

• desat: 每种颜色的去饱和度比例

3.分布图

seaborn除了提供更美观的可视化，还提供辅助图形，使我们更快捷的得到可视化的结果。先看看最简单的正太分布直方图，在seaborn中，sns.distplot类似于matplotlib中的hist函数，但还提供了kde和rug参数选择是否显示核密度估计和边际毛毯图。

相比于matplotlib，使用seaborn画出的图更加美观。使用sns.joinplot()函数还可以更细致的显示两个变量之间的关系

sns.joinplot(x, y, data, kind):

• x:横坐标轴，dataframe中的列名

• y:纵坐标轴，dataframe中的列名

• data: dataframe数据

• kind: “scatter” | “reg” | “resid” | “kde” | “hex”

4.矩阵图

在金融领域中，我们常常需要利用heatmap将各种历史表现可视化。我们看看个股票月份的收益率汇总

5. 结构网络图

结构网络图可以帮助我们更直观的获取各变量之间的关系，如果使用matplotlib，不得不需要使用for循环，实现过程比较繁琐。而seaborn让这一切只需要一行代码即可实现。这里我们用sns.pairplot()

对角线是各个股票自身的对数收益率，学到这里有没有爱上python，喜欢上seaborn。