好的网站建设网,外贸网站示例,企业客户信息管理软件,绵阳观察怎么登录不上第七章 从文件加载数据很多时候#xff0c;我们想要绘制文件中的数据。 有许多类型的文件#xff0c;以及许多方法#xff0c;你可以使用它们从文件中提取数据来图形化。 在这里#xff0c;我们将展示几种方法。 首先#xff0c;我们将使用内置的csv模块加载CSV文件#…第七章 从文件加载数据很多时候我们想要绘制文件中的数据。 有许多类型的文件以及许多方法你可以使用它们从文件中提取数据来图形化。 在这里我们将展示几种方法。 首先我们将使用内置的csv模块加载CSV文件然后我们将展示如何使用 NumPy(第三方模块)加载文件。import matplotlib.pyplot as pltimport csvx []y []with open(example.txt,r) as csvfile: plots csv.reader(csvfile, delimiter,) for row in plots: x.append(int(row[0])) y.append(int(row[1]))plt.plot(x,y, labelLoaded from file!)plt.xlabel(x)plt.ylabel(y)plt.title(Interesting GraphCheck it out)plt.legend()plt.show()123456789101112131415161718这里我们打开样例文件包含以下数据1,52,33,44,75,46,37,58,79,410,412345678910接下来我们使用csv模块读取数据。 csv读取器自动按行分割文件然后使用我们选择的分隔符分割文件中的数据。 在我们的例子中这是一个逗号。 注意csv模块和csv reader不需要文件在字面上是一个.csv文件。 它可以是任何具有分隔数据的简单的文本文件。一旦我们这样做了我们将索引为 0 的元素存储到x列表将索引为 1 的元素存储到y列表中。 之后我们都设置好了准备绘图然后显示数据。虽然使用 CSV 模块是完全正常的但使用 NumPy 模块来加载我们的文件和数据可能对我们更有意义。 如果你没有 NumPy你需要按下面的步骤来获取它。 为了了解安装模块的更多信息请参阅 pip 教程。 大多数人应该都能打开命令行并执行pip install numpy。如果不能请参阅链接中的教程。一旦你安装了 NumPy你可以编写如下代码import matplotlib.pyplot as pltimport numpy as npx, y np.loadtxt(example.txt, delimiter,, unpackTrue)plt.plot(x,y, labelLoaded from file!)plt.xlabel(x)plt.ylabel(y)plt.title(Interesting GraphCheck it out)plt.legend()plt.show()1234567891011结果应该是相同的图表。 稍后当我们加载数据时我们可以利用 NumPy 为我们做一些更多的工作但这是教程未来的内容。 就像csv模块不需要一个特地的.csv一样loadtxt函数不要求文件是一个.txt文件它可以是一个.csv它甚至可以是一个 python 列表对象。第八章 从网络加载数据除了从文件加载数据另一个流行的数据源是互联网。 我们可以用各种各样的方式从互联网加载数据但对我们来说我们只是简单地读取网站的源代码然后通过简单的拆分来分离数据。import matplotlib.pyplot as pltimport numpy as npimport urllibimport matplotlib.dates as mdatesdef graph_data(stock): stock_price_url http://chartapi.finance.yahoo.com/instrument/1.0/stock/chartdata;typequote;range10y/csv source_code urllib.request.urlopen(stock_price_url).read().decode() stock_data [] split_source source_code.split() for line in split_source: split_line line.split(,) if len(split_line) 6: if values not in line: stock_data.append(line)1234567891011121314151617181920这里有很多步骤。首先我们看到import。 pyplot像往常一样导入然后导入了numpy然后是用于访问互联网的urllib然后导入了matplotlib.dates作为mdates它对于将日期戳转换为 matplotlib 可以理解的日期很有用。接下来我们开始构建我们的graph_data函数。在这里我们首先定义包含股票数据的网址。之后我们写一些urllib代码来访问该 URL然后使用.read读取源代码之后我们继续解码该数据。如果你使用 Python 2则不必使用decode。然后我们定义一个空列表这是我们将要放置股票数据的地方我们也开始使用split_source变量拆分数据以换行符拆分。现在如果你去看源代码用stock替换 URL 中的stock像 AAPL 那样你可以看到大多数页面数据确实是股票定价信息但有一些头信息我们需要过滤掉。为此我们使用一些基本的过滤检查它们来确保每行有 6 个数据点然后确保术语values不在行中。现在我们已经解析了数据并做好了准备。我们将使用 NumPydate, closep, highp, lowp, openp, volume np.loadtxt(stock_data, delimiter,, unpackTrue, # %Y full year. 2015 # %y partial year 15 # %m number month # %d number day # %H hours # %M minutes # %S seconds # 12-06-2014 # %m-%d-%Y converters{0: bytespdate2num(%Y%m%d)})12345678910111213我们在这里所做的是使用numpy的loadtxt函数并将这六个元素解构到六个变量。 这里的第一个参数是stock_data这是我们加载的数据。 然后我们指定delimiter(这里是逗号)然后我们指定我们确实想要在这里解包变量不是一个变量而是我们定义的这组变量。 最后我们使用可选的converters参数来指定我们要转换的元素(0)以及我们打算要怎么做。 我们传递一个名为bytespdate2num的函数它还不存在但我们下面会编写它。第九章 时间戳的转换本教程的重点是将来自 Yahoo finance API 的日期转换为 Matplotlib 可理解的日期。 为了实现它我们要写一个新的函数bytespdate2num。def bytespdate2num(fmt, encodingutf-8): strconverter mdates.strpdate2num(fmt) def bytesconverter(b): s b.decode(encoding) return strconverter(s) return bytesconverter123456此函数接受数据基于编码来解码数据然后返回它。将此应用于我们的程序的其余部分import matplotlib.pyplot as pltimport numpy as npimport urllibimport matplotlib.dates as mdatesdef bytespdate2num(fmt, encodingutf-8): strconverter mdates.strpdate2num(fmt) def bytesconverter(b): s b.decode(encoding) return strconverter(s) return bytesconverterdef graph_data(stock): stock_price_url http://chartapi.finance.yahoo.com/instrument/1.0/stock/chartdata;typequote;range10y/csv source_code urllib.request.urlopen(stock_price_url).read().decode() stock_data [] split_source source_code.split() for line in split_source: split_line line.split(,) if len(split_line) 6: if values not in line and labels not in line: stock_data.append(line) date, closep, highp, lowp, openp, volume np.loadtxt(stock_data, delimiter,, unpackTrue, # %Y full year. 2015 # %y partial year 15 # %m number month # %d number day # %H hours # %M minutes # %S seconds # 12-06-2014 # %m-%d-%Y converters{0: bytespdate2num(%Y%m%d)}) plt.plot_date(date, closep,-, labelPrice) plt.xlabel(Date) plt.ylabel(Price) plt.title(Interesting GraphCheck it out) plt.legend() plt.show()graph_data(TSLA)12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849如果你绘制 TSLA结果图应该看起来像这样
