📊 一图胜千言

“一图胜千言” —— 尤其当你要面对成百上千只股票的时序数据时，一张精心设计的图表，往往比十张统计表格更能揭示规律。

在 Python 量化分析中，可视化不是“画漂亮图”那么简单，它是你探索数据、验证假设、甚至向他人传递交易逻辑的关键手段。
主要使用两个黄金组合：Matplotlib 与 Seaborn。

---

🧱 Matplotlib 与 Seaborn

• Matplotlib 是 Python 最底层的绘图库，它提供了完整的画布、坐标轴、图例等基础元素，灵活度极高，但做一张好看的统计图往往需要几十行配置代码。
• Seaborn 是建立在 Matplotlib 之上的高级接口，它把散点图、箱线图、热力图等统计图表封装成一行函数，同时自带优雅的颜色主题和分组处理能力。

简单说：先用 Seaborn 快速出图，再用 Matplotlib 微调细节 —— 推荐的实战套路。

---

🦸 Seaborn

下表清晰归纳了 Seaborn 最常用的能力。

序号	能力分类	具体说明	一行代码示例
1	统计图形开箱即用	散点图、折线图、直方图、箱线图、小提琴图等，无需手动组装	sns.scatterplot(x='列1', y='列2', data=df)
2	美观主题一键切换	darkgrid、whitegrid、dark、white、ticks 五种风格，瞬间改变图表气质	sns.set_style("whitegrid")
3	内置经典数据集	tips（小费）、iris（鸢尾花）、flights（航班）等，便于练手和演示	tips = sns.load_dataset("tips")
4	分类数据自动分组	根据类别变量自动分配颜色、分组绘制柱状图/箱线图，并生成图例	sns.barplot(x='day', y='total_bill', hue='sex', data=tips)
5	矩阵数据热力图 ⭐	将相关性矩阵可视化为“温度图”，颜色越深代表相关性越强，量化分析中的神器	sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
6	分面网格绘图	按一个或两个类别变量生成子图矩阵，轻松对比不同子集的数据分布	sns.relplot(x='x', y='y', col='category', data=df)

⭐ 热力图在量化中的经典场景：
持有一个股票池，想检查它们是否“同涨同跌”。计算每日收益率矩阵的相关系数，然后画一张热力图——颜色越深（正相关）表示两只股票走势越同步。如果你发现大部分股票之间相关系数都接近 +0.8，那说明你的组合分散化程度很低，一旦市场回调，所有持仓都会一起下跌。热力图就是“分散度体检报告”。

---

🐮 实战：绘制贵州茅台收盘价走势图

import yfinance as yf
import seaborn as sns
import matplotlib.pyplot as plt

# 1️⃣ 下载贵州茅台（A股代码 600519.SS）的历史数据
maotai_data = yf.download("600519.SS", start="2020-01-01", end="2023-01-01")

# 2️⃣ 提取收盘价列 —— 注意 yfinance 返回的是 MultiIndex 列（含 'Close' 层级）
#    直接用 maotai_data['Close'] 得到一个 Series，索引是日期，值就是收盘价
closing_prices = maotai_data['Close']

# 3️⃣ 检查数据：closing_prices 是一个 Pandas Series，索引为日期，值是一维数组
#    不再需要 .values.flatten()，因为 Series 本身就是一维的。
#    如果直接用 maotai_data[('Close', '600519.SS')] 也可以，但更推荐上述写法。

# 4️⃣ 用 Seaborn 绘制折线图，美观且省心
plt.figure(figsize=(12, 6))                     # 设置画布大小（宽12英寸，高6英寸）
sns.lineplot(
    x=closing_prices.index,                     # x轴为日期索引
    y=closing_prices.values,                    # y轴为收盘价数值（一维）
    label='茅台收盘价',
    color='#2E86C1'                             # 自定义一种沉稳的蓝色
)

# 5️⃣ 添加标题和轴标签（Seaborn 不会自动生成中文标题，需手动设置）
plt.title('贵州茅台 (600519.SS) 收盘价走势 (2020-2022)', fontsize=16)
plt.xlabel('日期', fontsize=12)
plt.ylabel('收盘价 (人民币元)', fontsize=12)
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)      # 添加网格，辅助读数
plt.tight_layout()                              # 自动调整边距，防止标签被裁剪
plt.show()

🔍 关键细节解读

• 新版 yfinance（>=0.2.0）默认返回的 DataFrame 列是 MultiIndex，例如 ('Close', '600519.SS')。但当我们直接取 maotai_data['Close'] 时，Pandas 会自动降维成一个普通的 Series，索引不变，值就是收盘价。
• 如果遇到报错 ValueError: y must be a 1D array，多半是因为你传入了二维 DataFrame，此时用 .squeeze() 或 .values.ravel() 压平即可。
• 手动加了 grid 和 tight_layout，这是 Matplotlib 的补充修饰，体现了“Seaborn 出图 + Matplotlib 微调”。

---

🗺️ 图表选型速查：面对不同数据，该画什么图？

很多同学拿到数据后第一反应是“我该画什么图”？下面这张速查表覆盖了量化分析中最常见的场景，并附上选择理由和典型应用。

你想要揭示的信息	推荐图表类型	Seaborn / Matplotlib 函数	量化场景举例
📈 价格/净值随时间的变化趋势	折线图	sns.lineplot 或 plt.plot	展示某只股票或策略的累计收益曲线
🔥 多只股票收益率之间的相关性	热力图	sns.heatmap(df.corr())	检查股票池内联动性，优化分散化配置
📊 收益率分布形态（是否对称、肥尾）	直方图 + KDE 密度曲线	sns.histplot 或 sns.kdeplot	判断收益是否近似正态，识别极端风险
📦 分组数据的分布对比（如行业、月份）	箱线图 / 小提琴图	sns.boxplot 或 sns.violinplot	对比不同行业板块的月度收益率中位数和离散度
🔗 两个变量之间的关系（如个股 vs 大盘）	散点图 + 回归线	sns.scatterplot 或 sns.regplot	计算 Beta 系数（个股收益与市场收益的线性关系）
🧮 成交量与价格配合情况	柱状图（成交量）+ 折线图（价格）	plt.bar + plt.twinx()	量价配合分析，观察放量上涨或缩量下跌等形态
🕯️ 每日开盘/收盘/最高/最低四价信息	K 线图（蜡烛图）	pyecharts.Kline 或 mplfinance	日内多空力量博弈，识别支撑/阻力位
🧩 多个子集的对比（如不同市场、不同策略）	分面网格图	sns.relplot 或 sns.catplot 的 col/row 参数	同时对比 A 股、港股、美股在同一时期的走势差异

💡 选型小贴士：

• 先问自己“我想从数据中看到什么”——是趋势、分布、还是关系？
• 再问“我的数据有几个维度”（比如时间、类别、数值），匹配上表即可。

---

✨ 总结

Seaborn 用更少的代码，得到更专业的统计图表。在量化研究中，它能帮你快速完成探索性数据分析（EDA），让你把更多精力放在策略逻辑上，而不是调色板和刻度线。

如果你已经熟悉 Matplotlib，那么 Seaborn 会让你如虎添翼；如果你是新手，那就从 Seaborn 开始，它平缓的学习曲线会让你迅速爱上数据可视化。🎨