資料視覺化分析Matplotlib
簡單總結
關聯分析、數值比較：散點圖、曲線圖
分佈分析：灰度圖、密度圖
涉及分類的分析：柱狀圖、箱式圖
1。Matplotlib基礎知識
使用Python進行資料分析並可視化離不開的一個重要包，matplotlib。這是一個開源的包，裡面有非常豐富的視覺化圖形處理。官方文件 Matplotlib，裡面有詳細的介紹，以及圖形種類。
本文主要是學習Matplotlib的基本使用方法，需要使用到更多的方法是可以詳細的閱讀官方文件。
安裝
a。使用 pip install -U matplotlib b。安裝Anaconda 自帶這個包
匯入包
import matplotlib。pyplot as plt
%matplotlib inline #魔法命令列，使用是能直接再輸出行顯示圖形
幾種基本圖形繪製
x = np。linspace（0， 2， 100）
plt。plot（x， x， label=‘linear’）
plt。plot（x， x**2， label=‘quadratic’）
plt。plot（x， x**3， label=‘cubic’）
plt。xlabel（‘x label’）
plt。ylabel（‘y label’）
plt。title（“Simple Plot”）
plt。legend（）
plt。show（）
def my_plotter（ax， data1， data2， param_dict）：
“”“
A helper function to make a graph
Parameters
——————
ax ： Axes
The axes to draw to
data1 ： array
The x data
data2 ： array
The y data
param_dict ： dict
Dictionary of kwargs to pass to ax。plot
Returns
————-
out ： list
list of artists added
”“”
out = ax。plot（data1， data2， **param_dict）
return out
# which you would then use as：
data1， data2， data3， data4 = np。random。randn（4， 100）
fig， ax = plt。subplots（1， 1）
my_plotter（ax， data1， data2， {‘marker’： ‘x’}）
子圖集
fig， （ax1， ax2） = plt。subplots（1， 2）
my_plotter（ax1， data1， data2， {‘marker’： ‘x’}）
my_plotter（ax2， data3， data4， {‘marker’： ‘o’}）
import numpy as np
import matplotlib。pyplot as plt
N = 5
menMeans = （20， 35， 30， 35， 27）
womenMeans = （25， 32， 34， 20， 25）
menStd = （2， 3， 4， 1， 2）
womenStd = （3， 5， 2， 3， 3）
ind = np。arange（N） # the x locations for the groups
width = 0。35 # the width of the bars： can also be len（x） sequence
p1 = plt。bar（ind， menMeans， width， yerr=menStd）
p2 = plt。bar（ind， womenMeans， width，
bottom=menMeans， yerr=womenStd）
plt。ylabel（‘Scores’）
plt。title（‘Scores by group and gender’）
plt。xticks（ind， （‘G1’， ‘G2’， ‘G3’， ‘G4’， ‘G5’））
plt。yticks（np。arange（0， 81， 10））
plt。legend（（p1［0］， p2［0］）， （‘Men’， ‘Women’））
plt。show（）
def scatterplot（x_data， y_data， x_label， y_label， title）：
fig， ax = plt。subplots（）
ax。scatter（x_data， y_data， s = 10， color = ‘#539caf’， alpha = 0。75）
ax。set_title（title）
ax。set_xlabel（x_label）
ax。set_ylabel（y_label）
scatterplot（x_data = daily_data［‘temp’］
， y_data = daily_data［‘cnt’］
， x_label = ‘Normalized temperature （C）’
， y_label = ‘Check outs’
， title = ‘Number of Check Outs vs Temperature’）
import numpy as np
import matplotlib。pyplot as plt
men_means， men_std = （20， 35， 30， 35， 27）， （2， 3， 4， 1， 2）
women_means， women_std = （25， 32， 34， 20， 25）， （3， 5， 2， 3， 3）
ind = np。arange（len（men_means）） # the x locations for the groups
width = 0。35 # the width of the bars
fig， ax = plt。subplots（）
rects1 = ax。bar（ind - width/2， men_means， width， yerr=men_std，
color=‘SkyBlue’， label=‘Men’）
rects2 = ax。bar（ind + width/2， women_means， width， yerr=women_std，
color=‘IndianRed’， label=‘Women’）
# Add some text for labels， title and custom x-axis tick labels， etc。
ax。set_ylabel（‘Scores’）
ax。set_title（‘Scores by group and gender’）
ax。set_xticks（ind）
ax。set_xticklabels（（‘G1’， ‘G2’， ‘G3’， ‘G4’， ‘G5’））
ax。legend（）
def autolabel（rects， xpos=‘center’）：
“”“
Attach a text label above each bar in *rects*， displaying its height。
*xpos* indicates which side to place the text w。r。t。 the center of
the bar。 It can be one of the following {‘center’， ‘right’， ‘left’}。
”“”
xpos = xpos。lower（） # normalize the case of the parameter
ha = {‘center’： ‘center’， ‘right’： ‘left’， ‘left’： ‘right’}
offset = {‘center’： 0。5， ‘right’： 0。57， ‘left’： 0。43} # x_txt = x + w*off
for rect in rects：
height = rect。get_height（）
ax。text（rect。get_x（） + rect。get_width（）*offset［xpos］， 1。01*height，
‘{}’。format（height）， ha=ha［xpos］， va=‘bottom’）
autolabel（rects1， “left”）
autolabel（rects2， “right”）
plt。show（）
2。 GAFAJA股票資料視覺化分析
（谷歌，亞馬遜，Facebook，蘋果，京東，阿里巴巴）幾大網際網路科技巨頭的股票資料，可以直接從雅虎財經網站上下載，選擇一年的資料進行分析。根據分析我們可以看到科技大佬也隨著2018年經濟不景氣，受到了很大的影響。但是這也許對很多人來說又是一個最佳的投資時期！不過還是有一家公司做到了從年初到年末漲了24。3％得優秀業績。我們來看看是哪家？
資料下載地址：根據公司名字搜尋一下，然後選擇Historcal Data，設定查詢期間，apply，然後download。
#coding：utf-8
%
matplotlib
inline
import
pandas
as
pd
import
numpy
as
np
import
matplotlib。pyplot
as
plt
appDF
=
pd
。
read_csv
（
r
“Downloads\AAPL。csv”
）
fbDF
=
pd
。
read_csv
（
r
“Downloads\FB。csv”
）
jdDF
=
pd
。
read_csv
（
r
“Downloads\JD。csv”
）
babaDF
=
pd
。
read_csv
（
r
“Downloads\BABA。csv”
）
amznDF
=
pd
。
read_csv
（
r
“Downloads\AMZN。csv”
）
googleDF
=
pd
。
read_csv
（
r
“Downloads\GOOGL。csv”
）
APPLE
appDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
appDF
［
‘Date’
］
=
pd
。
to_datetime
（
appDF
［
‘Date’
］）
# change datatype
appDF
。
set_index
（
appDF
。
Date
，
inplace
=
True
）
# reset index
appDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
appDF
。
info
（）
<
class
‘
pandas
。
core
。
frame
。
DataFrame
’>
DatetimeIndex
：
250
entries
，
2018
-
01
-
02
to
2018
-
12
-
28
Data
columns
（
total
7
columns
）：
Date
250
non
-
null
datetime64
［
ns
］
Open
250
non
-
null
float64
High
250
non
-
null
float64
Low
250
non
-
null
float64
Close
250
non
-
null
float64
Adj
Close
250
non
-
null
float64
Volume
250
non
-
null
int64
dtypes
：
datetime64
［
ns
］（
1
），
float64
（
5
），
int64
（
1
）
memory
usage
：
15。6
KB
appDF
。
describe
（）
Open High Low Close Adj Close Volume count 250。000000 250。000000 250。000000 250。000000 250。000000 2。500000e+02 mean 189。233760 191。120640 187。306320 189。178680 187。908454 3。401187e+07 std 20。456809 20。528269 20。387978 20。539151 20。836598 1。465514e+07 min 148。149994 151。550003 146。589996 146。830002 146。830002 1。251390e+07 25% 173。452503 174。962498 172。080002 173。472500 171。660324 2。351965e+07 50% 186。319999 187。534996 184。965003 186。180001 185。077881 3。161740e+07 75% 207。840000 209。437500 205。937496 207。875003 206。795952 4。077780e+07 max 230。779999 233。470001 229。779999 232。070007 231。263092 9。624670e+07
‘’‘
定義函式
函式功能：計算股票漲跌幅=（現在股價-買入價格）/買入價格
輸入引數：column是收盤價這一列的資料
返回資料：漲跌幅
’‘’
def
change
（
column
）：
#買入價格
buyPrice
=
column
［
0
］
#現在股價
#column。size是總共資料條數，序號是從0開始的，所以最後一條資料的序號是總數目-1
curPrice
=
column
［
column
。
size
-
1
］
#累計漲跌幅
priceChange
=
（
curPrice
-
buyPrice
）
/
buyPrice
#判斷股票是上漲，還是下跌
if
（
priceChange
>
0
）：
（
‘股票累計上漲=’
，
priceChange
*
100
，
‘%’
）
elif
（
priceChange
==
0
）：
（
‘股票累沒有變化=’
，
priceChange
*
100
，
‘%’
）
else
：
（
‘股票累計下跌’
，
priceChange
*
100
，
‘%’
）
#返回資料
return
priceChange
closeCol
=
appDF
［
‘Close’
］
appChange
=
change
（
closeCol
）
股票累計下跌
-
9。305700374599455
%
fbDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
fbDF
［
‘Date’
］
=
pd
。
to_datetime
（
fbDF
［
‘Date’
］）
# change datatype
fbDF
。
set_index
（
fbDF
。
Date
，
inplace
=
True
）
# reset index
fbDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
fbDF
。
describe
（）
Open High Low Close Adj Close Volume count 250。000000 250。000000 250。000000 250。000000 250。000000 2。500000e+02 mean 171。621040 173。769240 169。460560 171。672640 171。672640 2。766240e+07 std 19。595486 19。305557 19。958815 19。852291 19。852291 1。920073e+07 min 123。099998 129。740005 123。019997 124。059998 124。059998 9。588600e+06 25% 157。847503 160。939995 156。077495 158。142494 158。142494 1。779380e+07 50% 175。010002 177。040001 172。875000 174。794998 174。794998 2。179760e+07 75% 184。922493 186。510006 183。424996 185。289998 185。289998 3。031708e+07 max 215。720001 218。619995 214。270004 217。500000 217。500000 1。698037e+08
closeCol
=
fbDF
［
‘Close’
］
fbChange
=
change
（
closeCol
）
股票累計下跌
-
26。57920931076187
%
JingDong
jdDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
jdDF
［
‘Date’
］
=
pd
。
to_datetime
（
jdDF
［
‘Date’
］）
# change datatype
jdDF
。
set_index
（
jdDF
。
Date
，
inplace
=
True
）
# reset index
jdDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
closeCol
=
jdDF
［
‘Close’
］
jdChange
=
change
（
closeCol
）
股票累計下跌
-
49。838263628425686
%
Alibaba
babaDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
babaDF
［
‘Date’
］
=
pd
。
to_datetime
（
babaDF
［
‘Date’
］）
# change datatype
babaDF
。
set_index
（
babaDF
。
Date
，
inplace
=
True
）
# reset index
babaDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
closeCol
=
babaDF
［
‘Close’
］
babaChange
=
change
（
closeCol
）
股票累計下跌
-
24。26354448996062
%
AMAZON
amznDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
amznDF
［
‘Date’
］
=
pd
。
to_datetime
（
amznDF
［
‘Date’
］）
# change datatype
amznDF
。
set_index
（
amznDF
。
Date
，
inplace
=
True
）
# reset index
amznDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
closeCol
=
amznDF
［
‘Close’
］
amznChange
=
change
（
closeCol
）
股票累計上漲
=
24。306776862206565
%
（
amznDF
。
Close
［
-
1
］
-
amznDF
。
Close
［
0
］）
/
amznDF
。
Close
［
0
］
*
100
# amazon
24。306776862206565
amznDF
。
head
（
1
）
Date Open High Low Close Adj Close Volume Date 2018-01-02 2018-01-02 1172。0 1190。0 1170。51001 1189。01001 1189。01001 2694500
amznDF
。
tail
（
1
）
Date Open High Low Close Adj Close Volume Date 2018-12-28 2018-12-28 1473。349976 1513。469971 1449。0 1478。02002 1478。02002 8825600
googleDF
。
dtypes
Date
object
Open
float64
High
float64
Low
float64
Close
float64
Adj
Close
float64
Volume
int64
dtype
：
object
googleDF
［
‘Date’
］
=
pd
。
to_datetime
（
googleDF
［
‘Date’
］）
# change datatype
googleDF
。
set_index
（
googleDF
。
Date
，
inplace
=
True
）
# reset index
googleDF
。
index
DatetimeIndex
（［
‘2018-01-02’
，
‘2018-01-03’
，
‘2018-01-04’
，
‘2018-01-05’
，
‘2018-01-08’
，
‘2018-01-09’
，
‘2018-01-10’
，
‘2018-01-11’
，
‘2018-01-12’
，
‘2018-01-16’
，
。。。
‘2018-12-14’
，
‘2018-12-17’
，
‘2018-12-18’
，
‘2018-12-19’
，
‘2018-12-20’
，
‘2018-12-21’
，
‘2018-12-24’
，
‘2018-12-26’
，
‘2018-12-27’
，
‘2018-12-28’
］，
dtype
=
‘datetime64［ns］’
，
name
=
‘Date’
，
length
=
250
，
freq
=
None
）
closeCol
=
googleDF
［
‘Close’
］
googleChange
=
change
（
closeCol
）
股票累計下跌
-
2。472014607028055
%
babaDF
。
plot
（
x
=
babaDF
。
index
，
y
=
‘Close’
）
#x座標軸文字
plt
。
xlabel
（
‘時間’
）
#y座標軸文字
plt
。
ylabel
（
‘股價（美元）’
）
#圖片標題
plt
。
title
（
‘2018年阿里巴巴股價走勢’
）
#顯示網格
plt
。
grid
（
True
）
#顯示圖形
plt
。
show
（）
babaDF
。
plot
（
x
=
‘Volume’
，
y
=
‘Close’
，
kind
=
‘scatter’
）
#x座標軸文字
plt
。
xlabel
（
‘成交量’
）
#y座標軸文字
plt
。
ylabel
（
‘股價（美元）’
）
#圖片標題
plt
。
title
（
‘成交量和股價’
）
#顯示網格
plt
。
grid
（
True
）
#顯示圖形
plt
。
show
（）
babaDF
。
corr
（）
Open High Low Close Adj Close Volume Open 1。000000 0。995051 0。993075 0。985336 0。985336 -0。133665 High 0。995051 1。000000 0。994309 0。993553 0。993553 -0。106145 Low 0。993075 0。994309 1。000000 0。994654 0。994654 -0。168921 Close 0。985336 0。993553 0。994654 1。000000 1。000000 -0。145040 Adj Close 0。985336 0。993553 0。994654 1。000000 1。000000 -0。145040 Volume -0。133665 -0。106145 -0。168921 -0。145040 -0。145040 1。000000
#繪製谷歌的畫紙1
ax1
=
googleDF
。
plot
（
x
=
googleDF
。
index
，
y
=
‘Close’
，
label
=
‘谷歌’
）
#透過指定畫紙ax，在同一張畫紙上繪圖
#亞馬遜
amznDF
。
plot
（
ax
=
ax1
，
x
=
amznDF
。
index
，
y
=
‘Close’
，
label
=
‘亞馬遜’
）
fbDF
。
plot
（
ax
=
ax1
，
x
=
fbDF
。
index
，
y
=
‘Close’
，
label
=
‘Facebook’
）
#蘋果
appDF
。
plot
（
ax
=
ax1
，
x
=
appDF
。
index
，
y
=
‘Close’
，
label
=
‘蘋果’
）
#阿里巴巴
babaDF
。
plot
（
ax
=
ax1
，
x
=
babaDF
。
index
，
y
=
‘Close’
，
label
=
‘阿里巴巴’
）
#騰訊
jdDF
。
plot
（
ax
=
ax1
，
x
=
jdDF
。
index
，
y
=
‘Close’
，
label
=
‘京東’
）
#x座標軸文字
plt
。
xlabel
（
‘時間’
）
#y座標軸文字
plt
。
ylabel
（
‘股價（美元）’
）
#圖片標題
plt
。
title
（
‘2018年GAFATA股價累計漲幅比較’
）
#顯示網格
plt
。
grid
（
True
）
plt
。
show
（）
#繪製谷歌的畫紙1
ax2
=
googleDF
。
plot
（
x
=
googleDF
。
index
，
y
=
‘Close’
，
label
=
‘谷歌’
）
#透過指定畫紙ax，在同一張畫紙上繪圖
#亞馬遜
amznDF
。
plot
（
ax
=
ax2
，
x
=
amznDF
。
index
，
y
=
‘Close’
，
label
=
‘亞馬遜’
）
plt
。
xlabel
（
‘時間’
）
#y座標軸文字
plt
。
ylabel
（
‘股價（美元）’
）
#圖片標題
plt
。
title
（
‘2018年GAFATA股價累計漲幅比較’
）
#顯示網格
plt
。
grid
（
True
）
plt
。
show
（）
ax3
=
fbDF
。
plot
（
x
=
fbDF
。
index
，
y
=
‘Close’
，
label
=
‘Facebook’
）
#蘋果
appDF
。
plot
（
ax
=
ax3
，
x
=
appDF
。
index
，
y
=
‘Close’
，
label
=
‘蘋果’
）
#阿里巴巴
babaDF
。
plot
（
ax
=
ax3
，
x
=
babaDF
。
index
，
y
=
‘Close’
，
label
=
‘阿里巴巴’
）
#騰訊
jdDF
。
plot
（
ax
=
ax3
，
x
=
jdDF
。
index
，
y
=
‘Close’
，
label
=
‘京東’
）
#x座標軸文字
plt
。
xlabel
（
‘時間’
）
#y座標軸文字
plt
。
ylabel
（
‘股價（美元）’
）
#圖片標題
plt
。
title
（
‘2018年GAFATA股價累計漲幅比較’
）
#顯示網格
plt
。
grid
（
True
）
plt
。
show
（）
#6家公司股票收盤價平均值
gafataMeanList
=
［
googleDF
［
‘Close’
］
。
mean
（），
#谷歌
amznDF
［
‘Close’
］
。
mean
（），
#亞馬遜
fbDF
［
‘Close’
］
。
mean
（），
appDF
［
‘Close’
］
。
mean
（），
#蘋果
babaDF
［
‘Close’
］
。
mean
（），
#阿里巴巴
jdDF
［
‘Close’
］
。
mean
（）
#騰訊
］
#建立pandas一維陣列Series
gafataMeanSer
=
pd
。
Series
（
gafataMeanList
，
index
=
［
‘谷歌’
，
‘亞馬遜’
，
‘Facebook’
，
‘蘋果’
，
‘阿里巴巴’
，
‘騰訊’
］）
gafataMeanSer
。
plot
（
kind
=
‘bar’
，
label
=
‘GAFAJA’
）
#圖片標題
plt
。
title
（
‘2018年GAFAJA股價平均值’
）
#x座標軸文字
plt
。
xlabel
（
‘公司名稱’
）
#y座標軸文字
plt
。
ylabel
（
‘股價平均值（美元）’
）
plt
。
grid
（
True
）
plt
。
show
（）
#存放6家公司的收盤價
closeDf
=
pd
。
DataFrame
（）
#合併6家公司的收盤價
closeDf
=
pd
。
concat
（［
closeDf
，
googleDF
［
‘Close’
］，
#谷歌
amznDF
［
‘Close’
］，
#亞馬遜
fbDF
［
‘Close’
］，
appDF
［
‘Close’
］，
#蘋果
babaDF
［
‘Close’
］，
#阿里巴巴
jdDF
［
‘Close’
］
#JD
］，
axis
=
1
）
#重新命名列名為公司名稱
closeDf
。
columns
=
［
‘谷歌’
，
‘亞馬遜’
，
‘Facebook’
，
‘APPLE’
，
‘阿里巴巴’
，
‘JD’
］
closeDf
。
head
（）
谷歌 亞馬遜 Facebook APPLE 阿里巴巴 JD Date 2018-01-02 1073。209961 1189。010010 181。419998 172。259995 183。649994 43。279999 2018-01-03 1091。520020 1204。199951 184。669998 172。229996 184。000000 43。509998 2018-01-04 1095。760010 1209。589966 184。330002 173。029999 185。710007 43。669998 2018-01-05 1110。290039 1229。140015 186。850006 175。000000 190。699997 45。639999 2018-01-08 1114。209961 1246。869995 188。279999 174。350006 190。330002 46。099998
closeDf
。
plot
（
kind
=
‘box’
）
plt
。
grid
（
True
）
plt
。
show
（）
股票總結：在2018年，京東的表現最差，股票總計快跌了一半，總市值還剩300億。亞馬遜表現最好，上漲24。3％，總市值7200多億。其他幾個股票都下行了！蘋果在去年最好的市值達到了一萬億，現在7400多億。
