Python学习之路15-下载数据

摘要：本节中将绘制幅图像收盘折线图，收盘价对数变换，收盘价月日均值，收盘价周日均值，收盘价星期均值。对数变换是常用的处理方法之一。

《Python编程：从入门到实践》笔记。
本篇是Python数据处理的第二篇，本篇将使用网上下载的数据，对这些数据进行可视化。

本篇将访问并可视化以两种常见格式存储的数据：CSV和JSON：

使用Python的csv模块来处理以CSV（逗号分隔的值）格式存储的天气数据，找出两个不同地区在一段时间内的最高温度和最低温度；

使用json模块来访问以JSON格式存储的交易收盘价数据。

本文数据均可从图书官网下载( http://www.ituring.com.cn/boo... )。

新建一个项目，将文件death_valley_2014.csv复制到项目根目录，并新建highs_lows.py文件，改程序读取加州死亡谷2014年的温度数据，提取出每天的最高和最低气温，并绘制出折线图：

import csv
from datetime import datetime
from matplotlib import pyplot as plt

filename = "death_valley_2014.csv"
with open(filename) as f:
    reader = csv.reader(f)
    header_row = next(reader)

    dates, highs, lows = [], [], []
    for row in reader:
        try:
            current_date = datetime.strptime(row[0], "%Y-%m-%d")
            high = int(row[1])
            low = int(row[3])
        except ValueError:
            print(current_date, "missing data")
        else:
            dates.append(current_date)
            highs.append(high)
            lows.append(low)

fig = plt.figure(dpi=141, figsize=(10, 6))
# 绘制最高气温折线图
plt.plot(dates, highs, c="red")
# 绘制最低气温折线图
plt.plot(dates, lows, c="blue")
# 填充两个折现之间的空间，alpha为透明度，0为全透明，1为不透明
plt.fill_between(dates, highs, lows, facecolor="blue", alpha=0.1)
plt.title("Daily high and low temperatures - 2014
Death Valley, CA", fontsize=20)
plt.xlabel("", fontsize=16)
# 自动排版x轴的日期数据，避免重叠
fig.autofmt_xdate()
plt.ylabel("Temperature(F)", fontsize=16)
plt.tick_params(axis="both", which="major", labelsize=16)

plt.show()

代码现将文件打开，然后通过csv.reader()函数创建一个CSV文件阅读器，参数就是刚才打开的文件；通过next()函数读取文件的一行，并自动将数据转换为列表；然后通过一个for循环读取全部数据。for循环中还添加了错误检查，以防文件中数据丢失等问题造成程序终止。我们还通过fill_between()函数将两个折现之间的区域着色。最后得到的图像如下：

同时我们还得到了一条信息输出：

2014-02-16 00:00:00 missing data

即该日的数据丢失了。

现将将btc_close_2017.json拷贝到项目根目录下。本节中将绘制5幅图像：收盘折线图，收盘价对数变换，收盘价月日均值，收盘价周日均值，收盘价星期均值。均使用Pygal绘制。

import json
import pygal

# 将数据加载到一个列表中,列表中的元素是字典
filename = "btc_close_2017.json"
with open(filename) as f:
    btc_data = json.load(f)

dates, months, weeks, weekdays, close = [], [], [], [], []
for btc_dict in btc_data:
    dates.append(btc_dict["date"])
    months.append(int(btc_dict["month"]))
    weeks.append(int(btc_dict["week"]))
    weekdays.append(btc_dict["weekday"])
    close.append(int(float(btc_dict["close"])))

# x轴坐标上的刻度顺时针旋转20度
line_chart = pygal.Line(x_label_rotation=20, show_minor_x_labels=False)
line_chart.title = "收盘价(¥)"
line_chart.x_labels = dates
N = 20  # x轴坐标每隔20天显示一次
line_chart.x_labels_major = dates[::N]
line_chart.add("收盘价", close)
line_chart.render_to_file("收盘价折线图(¥).svg")

最后得到的图像如下：

从上图可以看出，收盘价基本呈指数增长，但其中有一些相似的波动（3,6,9月）。尽管这些波动被增长的趋势掩盖了，但也许其中有周期性。为了验证周期性的假设，需要首先将非线性的趋势消除。对数变换是常用的处理方法之一。我们使用Python标准库中的math模块来解决此问题。

-- snip --
import math

line_chart = pygal.Line(x_label_rotation=20, show_minor_x_labels=False)
line_chart.title = "收盘价对数变换(¥)"
line_chart.x_labels = dates
N = 20  # x轴坐标每隔20天显示一次
line_chart.x_labels_major = dates[::N]
# 对数变换
close_log = [math.log10(_) for _ in close]
line_chart.add("log收盘价", close_log)
line_chart.render_to_file("收盘价对数变换折线图(¥).svg")

得到了如下图像：

可以看出，3,6,9月都出现了剧烈的波动。下面再看看收盘价的月日均值和周日均值。

在继续新的代码之前，需要补充一些知识：对于zip()函数，它将多个列表按照元素的位置组成新的列表，而新列表的元素是元组。如下：

# 代码
a = [1, 2, 3]
b = [4, 5, 6]
c = [7, 8, 9, 10]
zipped_1 = zip(a,b)
zipped_2 = zip(a, b, c)
print(zipped_1)
print(list(zipped_1))
print(list(zipped_2))

# 结果

[(1, 4), (2, 5), (3, 6)]
[(1, 4, 7), (2, 5, 8), (3, 6, 9)]

在python2中，zip()直接返回一个列表，但在python3中，zip()返回一个可迭代的zip对象，这里我们将其转化为列表。也在前面加星号对zip对象进行“解压”（解包）：

# 代码：
print(*zipped_1)

# 结果：
(1, 4) (2, 5) (3, 6)

星号不止能对zip对象进行解包，还可以对list等类型进行解包。

我们还会用到groupby()函数，但在使用该函数之前，需要对列表进行排序。我们使用sorted()函数进行排序，python3中sorted()函数默认按照元素顺序进行比较，比如这里的列表的元素是元组，则sorted()先比较元组中第一个元素的值，再比较第二个元素的值，如下：

# 代码：
test = [(1, 5), (1, 4), (1, 3), (1, 2), (2, 3)]
print(sorted(test))

# 结果：
[(1, 2), (1, 3), (1, 4), (1, 5), (2, 3)]

接下来通过groupby()函数对这些数据进行分组，通过关键字参数key=itemgetter(0)指定根据列表元素（即元组）的第一个值进行分组。也可以将这里的itemgetter()函数替换为lambda表达式，如等价的lambda表达式为lambda x: x[0]。在python3中，groupby()返回一个可迭代的groupby对象，如果将其转换成list，list中的每个元素的第二个值也是个可迭代对象：

# 代码：
test = [(1, 5), (1, 4), (1, 3), (1, 2), (2, 4), (2, 3), (3, 5)]
temp = groupby(sorted(test), key=itemgetter(0))
print(temp)
print(list(temp))
for a, b in temp:
    print(list(b))

# 结果：

[(1, ), 
 (2, ), 
 (3, )]
[(1, 2), (1, 3), (1, 4), (1, 5)]
[(2, 3), (2, 4)]
[(3, 5)]

从上面的for循环的结果来看，可以将groupby()返回的对象看做一个字典，该字典的键为上面的key的值，该字典的值为还没分组时列表中的部分元素（可能组成了列表，也可能组成了元组）。

现在言归正传，回到主线。

绘制2017年前11个月的日均值，前49周的日均值，以及每周中各天（Monday~Sunday）的日均值。首先我们需要封装一些代码：

from itertools import groupby
from operator import itemgetter

def draw_line(x_data, y_data, title, y_legend):
    xy_map = []
    # 本段见后面解释
    for x, y in groupby(sorted(zip(x_data, y_data)), key=itemgetter(0)):
        y_list = [v for _, v in y]
        xy_map.append([x, sum(y_list) / len(y_list)])
    x_unique, y_mean = [*zip(*xy_map)]
    line_chart = pygal.Line()
    line_chart.title = title
    line_chart.x_labels = x_unique
    line_chart.add(y_legend, y_mean)
    line_chart.render_to_file(title + ".svg")
    return line_chart

本段代码有些绕。从前面的介绍可以知道，for循环中的变量y相当于一个list，这个list的元素是tuple，tuple的第一个元素是x_data中的值，不再重复需要，所以取第二个值组成list，即第8行代码。xy_map是个list对象，而它的元素也是list，即它是一个二维数组。注意第10行的操作，*xy_map将list进行解包，zip()函数将解包后的元素再次打包成一个zip对象，如果将其看做list对象，则这个对象含有两个tuple元素，然后将这个zip对象也解包，最外面再套一层list，得到一个含两个tuple元素的list，最后再平行赋值。为了更具体的体现这段操作，下面用一些简单数据进行模拟：

# 代码：
temp = [[1, 2], [3, 4], [5, 6]]
x, y = [*zip(*temp)]
print(x)
print(y)

# 结果：
(1, 3, 5)
(2, 4, 6)

最后，终于到了画图阶段：

-- 读取文件内容的代码和前面一样 --
idx_month = dates.index("2017-12-01")
line_chart_month = draw_line(months[:idx_month], close[:idx_month], 
                             "收盘价月日均值（¥）", "月日均值")

得到的结果如下：

2017年的第一周从2017年1月2日开始，第49周周日是2017年12月10日。

-- 读取文件内容的代码和前面一样 --
idx_week = dates.index("2017-12-11")
line_chart_week = draw_line(weeks[1:idx_week], close[1:idx_week], 
                            "收盘价周日均值（¥）", "周日均值")

结果如下：

如果直接用weekdays这个列表生成图表，由于该列表存储的是字符串，排序的时候是按ASCII码进行排序，最后生成的图表星期的顺序会出错，所以将其转换成数字。

idx_week = dates.index("2017-12-11")
wd = ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday",
      "Sunday"]
weekdays_int = [wd.index(w) + 1 for w in weekdays[1:idx_week]]
line_chart_weekday = draw_line(weekdays_int, close[1:idx_week], 
                               "收盘价星期均值（¥）", "星期均值")
line_chart_weekday.x_labels = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
line_chart_weekday.render_to_file("收盘价星期均值（¥）.svg")

最后的结果如下：

最后我们将五张表整合到一个文件中，做成一个仪表盘：

with open("收盘价Dashboard.html", "w", encoding="utf8") as html_file:
    title = "
"
    html_file.write(title)
    for svg in [
        "收盘价折线图（¥）.svg", "收盘价对数变换折线图（¥）.svg", "收盘价月日均值（¥）.svg",
        "收盘价周日均值（¥）.svg", "收盘价星期均值（¥）.svg"
    ]:
        html_file.write(
            "    
".format(svg))
    html_file.write("")

效果如下：

这是将浏览器放大后的效果，默认100%的话这五张图都在同一行，且非常小。

本篇中主要内容有：

如何使用网上的数据集；

如何处理CSV和JSON文件，以及如何提取你感兴趣的数据；

如何使用matplotlib来处理以往的天气数据，包括如何使用datetime模块，以及如何在同一个图表中绘制多个数据系列；

如何json模块来访问JSON格式存储的交易收盘价数据，并使用Pygal绘制图形以探索价格变化的周期性，以及如何将Pygal图形组合成数据仪表盘。

下一篇将从网上采集数据并对其进行可视化。

迎大家关注我的微信公众号"代码港" & 个人网站 www.vpointer.net ~