咖啡价格分析

Posted 2022-08-29 lanxiaofang

一、数据概览

咖啡是一种用烘焙过的咖啡豆、咖啡属某些开花植物的浆果种子调制而成的饮料。 从咖啡果实中分离出种子，生产出一种稳定的、未经烘焙的生咖啡。 然后将种子进行烘焙，这一过程将它们转化为一种可消费的产品:焙烤咖啡，将其磨成细颗粒，通常在热水中浸泡，然后过滤，形成一杯咖啡。

咖啡价格数据从2000年1月2022年5月。

在本例中我们使用pandas、pyplot、seaborn进行数据可视化，绘制折线图、柱状图、散点图，我们可以观察1、日、月、季度、年 咖啡价格，Open-High-Low-Close-Vol每日咖啡价格，Open\\High\\Low\\Close\\Vol，Low-Close,High-Close,Open-Close关系。

plt.plot() kind的参数：

1. "area"用于面积图。
2. "bar"用于垂直条形图。
3. "barh"用于水平条形图。
4. "box"用于箱形图。
5. "hexbin"用于六边形图。
6. "hist"用于直方图。
7. "kde"用于核密度估计图。
8. "density"是"kde"的别名。
9. "line"用于折线图。
10. "pie"用于饼图。
11. "scatter"用于散点图

二、数据预处理

import pandas as pd

df = pd.read_csv(./data/coffee.csv)
# df.info()

# print(df.shape)  # (5671, 7)

# print(df.describe())
# print(df.columns) #Index([Date, Open, High, Low, Close, Volume, Currency], dtype=object)
# print(len(df.Date.unique())) #5671
# print(df.Currency.unique()) #[USD]

三、数据可视化

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams[font.sans-serif] = [SimHei]  # 显示中文标签
plt.rcParams[axes.unicode_minus] = False

df = pd.read_csv(./data/coffee.csv)

df.Date = pd.to_datetime(df.Date, yearfirst=True)
df.set_index(Date, inplace=True)

1、日、月、季度、年 咖啡价格

fig, axes = plt.subplots(2, 2, figsize=[15, 7])
fig.suptitle(咖啡价格, size=24)

# 每天的价格
axes[0, 0].plot(df.Close.resample(D).mean())
axes[0, 0].set_title("日", size=16)

# 每个月的价格
axes[0, 1].plot(df.Close.resample(M).mean())
axes[0, 1].set_title("月", size=16)
# 每个季度的价格
axes[1, 0].plot(df.Close.resample(Q).mean())
axes[1, 0].set_title(季度, size=16)

# 每年的价格
axes[1, 1].plot(df.Close.resample(A).mean())
axes[1, 1].set_title(年, size=16)

plt.tight_layout()
plt.show()

2、Open-High-Low-Close-Vol每日咖啡价格

df["Vol"] = df["Volume"] / 100
df["Open"].plot(label="Open", color="#00A505", linewidth=1, figsize=(15, 5))
df["High"].plot(label="High", color="#F54974", linewidth=1, figsize=(15, 5))
df["Low"].plot(label="Low", color="#E8C0FD", linewidth=1, figsize=(15, 5))
df["Close"].plot(label="Close", color="#1CACDB", linewidth=0.75, figsize=(15, 5))
df["Vol"].plot(label="Volume", color="#0000C0", alpha=0.55, linewidth=0.75, figsize=(15, 5))

plt.grid(axis="y", color="#000000")
plt.title("Open-High-Low-Close-Vol每日咖啡价格")
plt.xlabel("年")
plt.ylabel("USD")
plt.legend(loc=2)
plt.savefig(r.\\result\\Open-High-Low-Close-Vol每日咖啡价格.png)
plt.show()

3、Open\\High\\Low\\Close\\Vol

def sns_displotbins(df, x, bins):
    sns.displot(df, x=x, bins=bins)
    plt.title(x)
    plt.tight_layout()
    plt.show()


def sns_displot(df, x):
    sns.displot(df, x=x)
    plt.title(x)
    plt.tight_layout()
    plt.show()


sns_displotbins(df, Open, 10)
# sns_displotbins(df, High, 10)
# sns_displotbins(df, Low, 10)
# sns_displotbins(df, Close, 10)
# sns_displotbins(df, Volume, 10)

sns_displot(df, Open)
# sns_displot(df, High)
# sns_displot(df, Low)
# sns_displot(df, Close)
# sns_displot(df, Volume)

4、Low-Close,High-Close,Open-Close关系

df.plot(x="Low", y="Close", kind="scatter", color="#1CD89D", alpha=0.3)  # 散点图
plt.xlabel("Low")
plt.ylabel("Close")
plt.show()

df.plot(x="High", y="Close", kind="scatter", color="#0ABF04", alpha=0.5)  # 核密度估计图
plt.xlabel("High")
plt.ylabel("Close")
plt.show()

df.plot(x="Open", y="Close", kind=scatter, color="#ED5894", alpha=0.5)  # 折线图
plt.xlabel("Open")
plt.ylabel("Close")
plt.show()