用PYTHON画图 看股票/数字货币的趋势分析 带你直观理解指标 K线图

article/2025/10/28 17:49:09

用PYTHON画图 看股票/数字货币的趋势分析 带你直观理解指标

本文章将用PYTHON 画图 以比特币（BTC）为例 进行画图分析 （小白向）
Pycharm平台编写

所用到的python库

import requests
from lxml import etree
import math
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
from matplotlib.pylab import date2num
import datetime

pycharm 环境库

所用到的数据来源

数据从国外的coinmarketcap（需要科学上网）上提取2021.2.1-2022.2.3的数据
coinmarketcap
https://coinmarketcap.com/currencies/bitcoin/historical-data/?start=20210101&end=20220202)

数据我就直接放网盘了，怎么爬我后面再补吧 （不过没什么用当个过度就行不用特别了解）
链接：https://pan.baidu.com/s/1C3np-mnd-AAX_4u3XlnZ_A
提取码：7bxn

爬取的是HTML格式的，后面代码转化一下
数据一共包括7个元素
‘date’：日期
‘open’：开盘价
‘high’：当日最高价
‘low’：当日最低价
‘close’：收盘价
‘volume’：当日总交易额
‘Market Cap’：当日市值
在这里插入图片描述

with open("data.txt", "r") as f: rd = f.read()  
selector = etree.HTML(rd)url_infos = selector.xpath('//tr')data = []
for url_info in url_infos:l = []for i in range(7):d = url_info.xpath('td[%d+1]/text()' % i) if i == 0:l += delse:if d[0] == '-':d[0] = np.nanl += delse:d[0] = d[0].replace(',', '')d[0] = d[0].strip('$')d[0] = float(d[0])l += ddata.append(l)arr = np.array(data)
df = pd.DataFrame(arr)  df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'Market Cap'] 
df = df.astype({'open': 'float64', 'high': 'float64', 'low': 'float64', 'close': 'float64', 'volume': 'float64', 'Market Cap': 'float64'})
df = df.reindex(index=df.index[::-1])
df.head()  # 倒序
df.reset_index(drop=True, inplace=True)  # 逆序后 重设index
df.reset_index(inplace=True)  # 重设index,原来的index汇入DataFrame中
df['date']=pd.to_datetime(df['date'])
df = df.astype({'date': 'string'})
df.index = pd.to_datetime(df['date'])  # 设置index的值
print(df)
print(df.dtypes)
df['date'] = df['date'].apply(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d')))#转换日期格式
print(df.dtypes)
print(df)

输出结果如下
在这里插入图片描述

画 价格图 和 蜡烛图

价格图

先上效果图，后附可以直接运行的代码（数据用的是网盘的data.txt）
在这里插入图片描述
代码

from lxml import etree
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
from matplotlib.pylab import date2num
import datetimewith open("data.txt", "r") as f: rd = f.read()
selector = etree.HTML(rd)
url_infos = selector.xpath('//tr')
# 从data.txt中提取需要的数据
data = []
for url_info in url_infos:l = []# 获取单行数据并做初步处理for i in range(7):d = url_info.xpath('td[%d+1]/text()' % i)if i == 0:l += delse:if d[0] == '-':d[0] = np.nanl += delse:d[0] = d[0].replace(',', '')d[0] = d[0].strip('$')d[0] = float(d[0])l += ddata.append(l)arr = np.array(data)
df = pd.DataFrame(arr)  # 将数据转为DataFrame数据类型df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'Market Cap']  # 设置列标题
# df['date']=df['date'].map(pd.to_datetime)#转化日期格式df = df.astype({'open': 'float64', 'high': 'float64', 'low': 'float64', 'close': 'float64', 'volume': 'float64', 'Market Cap': 'float64'})
df = df.reindex(index=df.index[::-1])
df.head()  # 倒序
df.reset_index(drop=True, inplace=True)  # 逆序后 重设indexplt.rcParams['axes.unicode_minus'] = False# 解决坐标轴刻度负号乱码
plt.rcParams['font.sans-serif'] = ['Simhei']# 解决中文乱码问题df.reset_index(inplace=True)  # 重设index,原来的index汇入DataFrame中
df['date']=pd.to_datetime(df['date'])
df = df.astype({'date': 'string'})
df.index = pd.to_datetime(df['date'])  # 设置index的值
print(df)
print(df.dtypes)
df['date'] = df['date'].apply(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d')))#转换日期格式
print(df.dtypes)
print(df)fig, ax2 = plt.subplots(figsize=(1200 / 72, 480 / 72))
ax2.plot(df['date'], df['close'])
ax2.grid(True)
ax2.set_ylim(0, 70000)
fig.subplots_adjust(bottom=0.2)  ## 调整底部距离
ax2.xaxis_date()  ## 设置X轴刻度为日期时间
plt.yticks()  ## 设置Y轴刻度线
plt.xlabel(u"时间")  ##设置X轴标题
ax2.set_ylabel('收盘价')
plt.grid(True, 'major', 'both', ls='--', lw=.5, c='k', alpha=.3)  ##设置网格线
plt.show()

蜡烛图

这里就直接和价格图叠加到一起显示了
在这里插入图片描述
放大后是这个样子：
在这里插入图片描述

from lxml import etree
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
from matplotlib.pylab import date2num
import datetimewith open("data.txt", "r") as f: rd = f.read()
selector = etree.HTML(rd)
url_infos = selector.xpath('//tr')
# 从data.txt中提取需要的数据
data = []
for url_info in url_infos:l = []# 获取单行数据并做初步处理for i in range(7):d = url_info.xpath('td[%d+1]/text()' % i)if i == 0:l += delse:if d[0] == '-':d[0] = np.nanl += delse:d[0] = d[0].replace(',', '')d[0] = d[0].strip('$')d[0] = float(d[0])l += ddata.append(l)arr = np.array(data)
df = pd.DataFrame(arr)  # 将数据转为DataFrame数据类型df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'Market Cap']  # 设置列标题
# df['date']=df['date'].map(pd.to_datetime)#转化日期格式df = df.astype({'open': 'float64', 'high': 'float64', 'low': 'float64', 'close': 'float64', 'volume': 'float64', 'Market Cap': 'float64'})
df = df.reindex(index=df.index[::-1])
df.head()  # 倒序
df.reset_index(drop=True, inplace=True)  # 逆序后 重设indexplt.rcParams['axes.unicode_minus'] = False# 解决坐标轴刻度负号乱码
plt.rcParams['font.sans-serif'] = ['Simhei']# 解决中文乱码问题df.reset_index(inplace=True)  # 重设index,原来的index汇入DataFrame中
df['date']=pd.to_datetime(df['date'])
df = df.astype({'date': 'string'})
df.index = pd.to_datetime(df['date'])  # 设置index的值
print(df)
print(df.dtypes)
df['date'] = df['date'].apply(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d')))#转换日期格式
print(df.dtypes)
print(df)fig, ax1 = plt.subplots(figsize=(1200 / 72, 480 / 72))
da = df[['date', 'open', 'high', 'low', 'close']]
f = da[['date', 'open', 'high', 'low', 'close']].values
ax3 = ax1.twinx()
ax2 = ax1.twinx()
candlestick_ohlc(ax1, f, colordown='g', colorup='r', width=0.3, alpha=0.7)
ax3.bar(df['date'], df['volume'], width=0.6)
ax2.plot(df['date'], df['close'])
ax2.grid(True)
ax3.grid(True)
ax3.set_ylim(0, 500000000000)
ax1.set_ylim(0, 70000)
ax2.set_ylim(0, 70000)
ax1.set_ylabel('币价$')
fig.subplots_adjust(bottom=0.2)  ## 调整底部距离
ax1.xaxis_date()  ## 设置X轴刻度为日期时间
ax2.xaxis_date()  ## 设置X轴刻度为日期时间
ax3.xaxis_date()  ## 设置X轴刻度为日期时间
plt.yticks()  ## 设置Y轴刻度线
plt.xlabel(u"时间")  ##设置X轴标题
ax2.set_ylabel('收盘价/成交量')
plt.grid(True, 'major', 'both', ls='--', lw=.5, c='k', alpha=.3)  ##设置网格线
plt.show()

简单的分析趋势

这里用的是一个比较基础的指标：简单移动平均线 SMA（看均价用的）
具体可以参考这个文章：
https://zhuanlan.zhihu.com/p/422205612

打个比方：
一共有10天连续的收盘价：1 2 3 4 5 6 7 8 9 10
我需要话一个3SMA的线（就是3个周期的简单移动平均线）

那么我将得到一组后7天收盘价的 3SMA
（1+2+3）/3，（2+3+4）/3，…，（8+9+10）/3

现在我画一个 5SMA的图（红色的线）

在这里插入图片描述
在这里插入图片描述
计算5SMA的代码

step=5
dflen=len(df)
sma= {}
for i in range(step):sma[i]=0
for i in range(dflen-step):i+=stepsma[i]=0for j in range(step):j+=1sma[i] += df['close'][i-j]if j==step: sma[i]=sma[i]/step
sma = pd.DataFrame.from_dict(sma,orient='index',columns=['SMA'])
print(sma)

输出图片的完整代码

from lxml import etree
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
from matplotlib.pylab import date2num
import datetimewith open("data.txt", "r") as f: rd = f.read()
selector = etree.HTML(rd)
url_infos = selector.xpath('//tr')
# 从data.txt中提取需要的数据
data = []
for url_info in url_infos:l = []# 获取单行数据并做初步处理for i in range(7):d = url_info.xpath('td[%d+1]/text()' % i)if i == 0:l += delse:if d[0] == '-':d[0] = np.nanl += delse:d[0] = d[0].replace(',', '')d[0] = d[0].strip('$')d[0] = float(d[0])l += ddata.append(l)arr = np.array(data)
df = pd.DataFrame(arr)  # 将数据转为DataFrame数据类型df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'Market Cap']  # 设置列标题
# df['date']=df['date'].map(pd.to_datetime)#转化日期格式df = df.astype({'open': 'float64', 'high': 'float64', 'low': 'float64', 'close': 'float64', 'volume': 'float64', 'Market Cap': 'float64'})
df = df.reindex(index=df.index[::-1])
df.head()  # 倒序
df.reset_index(drop=True, inplace=True)  # 逆序后 重设indexplt.rcParams['axes.unicode_minus'] = False# 解决坐标轴刻度负号乱码
plt.rcParams['font.sans-serif'] = ['Simhei']# 解决中文乱码问题df.reset_index(inplace=True)  # 重设index,原来的index汇入DataFrame中
df['date']=pd.to_datetime(df['date'])
df = df.astype({'date': 'string'})
df.index = pd.to_datetime(df['date'])  # 设置index的值
print(df)
print(df.dtypes)
df['date'] = df['date'].apply(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d')))#转换日期格式
print(df.dtypes)
print(df)step=5
dflen=len(df)
sma= {}
for i in range(step):sma[i]=0
for i in range(dflen-step):i+=stepsma[i]=0for j in range(step):j+=1sma[i] += df['close'][i-j]if j==step: sma[i]=sma[i]/step
sma = pd.DataFrame.from_dict(sma,orient='index',columns=['SMA'])
print(sma)fig, ax1 = plt.subplots(figsize=(1200 / 72, 480 / 72))
da = df[['date', 'open', 'high', 'low', 'close']]
f = da[['date', 'open', 'high', 'low', 'close']].values
ax3 = ax1.twinx()
ax2 = ax1.twinx()
axsma=ax1.twinx()
candlestick_ohlc(ax1, f, colordown='g', colorup='r', width=0.3, alpha=0.7)
ax3.bar(df['date'], df['volume'], width=0.6)
ax2.plot(df['date'], df['close'])
axsma.plot(df['date'],sma['SMA'],color="r")
ax2.grid(True)
ax3.grid(True)
axsma.grid(True)
ax3.set_ylim(0, 500000000000)
ax1.set_ylim(0, 70000)
ax2.set_ylim(0, 70000)
axsma.set_ylim(0, 70000)
ax1.set_ylabel('币价$')
fig.subplots_adjust(bottom=0.2)  ## 调整底部距离
ax1.xaxis_date()  ## 设置X轴刻度为日期时间
ax2.xaxis_date()  ## 设置X轴刻度为日期时间
ax3.xaxis_date()  ## 设置X轴刻度为日期时间
axsma.xaxis_date()  ## 设置X轴刻度为日期时间
plt.yticks()  ## 设置Y轴刻度线
plt.xlabel(u"时间")  ##设置X轴标题
ax2.set_ylabel('收盘价/成交量/SMA')
plt.grid(True, 'major', 'both', ls='--', lw=.5, c='k', alpha=.3)  ##设置网格线
plt.show()

接下来把5SMA（红色） 、30SMA（黄色）、 60SMA（绿色） 反应到一张图上
2处黑色箭头显示的就是 股市里常说的一个金叉现象（不过我是个是SMA的）短线5SMA与长线60SMA底部向上交叉，一般这是一个买入信号（当时这是复盘，实战只能作为一个判断趋势的参考点）

最后分析一下这个2月3日后的BTC可能的走势
图片中可以看到 收盘价的线走在中、长期均价线的下方，总体会有向均价方向移动的趋势，买入机会应该就在60SMA于5SMA渐进时，估计就一两周吧 会有个交叉的趋势

看到这里应该理解了指标的作用 说是预测其实只是提供一些数据给你做判断，指标各种各样，各种股票 货币软件里都要各种指标的线 像是MA EMA BOLL SAR 的 欢迎各位一起来讨论分析，这篇文章也是一个小白入门文，让你理解 数据转化为图片的方式 K线图的理解

Q149021708

在这里插入图片描述

from lxml import etree
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
from matplotlib.pylab import date2num
import datetimewith open("data.txt", "r") as f: rd = f.read()
selector = etree.HTML(rd)
url_infos = selector.xpath('//tr')
# 从data.txt中提取需要的数据
data = []
for url_info in url_infos:l = []# 获取单行数据并做初步处理for i in range(7):d = url_info.xpath('td[%d+1]/text()' % i)if i == 0:l += delse:if d[0] == '-':d[0] = np.nanl += delse:d[0] = d[0].replace(',', '')d[0] = d[0].strip('$')d[0] = float(d[0])l += ddata.append(l)arr = np.array(data)
df = pd.DataFrame(arr)  # 将数据转为DataFrame数据类型df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'Market Cap']  # 设置列标题
# df['date']=df['date'].map(pd.to_datetime)#转化日期格式df = df.astype({'open': 'float64', 'high': 'float64', 'low': 'float64', 'close': 'float64', 'volume': 'float64', 'Market Cap': 'float64'})
df = df.reindex(index=df.index[::-1])
df.head()  # 倒序
df.reset_index(drop=True, inplace=True)  # 逆序后 重设indexplt.rcParams['axes.unicode_minus'] = False# 解决坐标轴刻度负号乱码
plt.rcParams['font.sans-serif'] = ['Simhei']# 解决中文乱码问题df.reset_index(inplace=True)  # 重设index,原来的index汇入DataFrame中
df['date']=pd.to_datetime(df['date'])
df = df.astype({'date': 'string'})
df.index = pd.to_datetime(df['date'])  # 设置index的值
print(df)
print(df.dtypes)
df['date'] = df['date'].apply(lambda x: date2num(datetime.datetime.strptime(x, '%Y-%m-%d')))#转换日期格式
print(df.dtypes)
print(df)step=5
dflen=len(df)
sma= {}
for i in range(step):sma[i]=0
for i in range(dflen-step):i+=stepsma[i]=0for j in range(step):j+=1sma[i] += df['close'][i-j]if j==step: sma[i]=sma[i]/step
sma = pd.DataFrame.from_dict(sma,orient='index',columns=['5SMA'])
print(sma)step=30
dflen=len(df)
sma30= {}
for i in range(step):sma30[i]=0
for i in range(dflen-step):i+=stepsma30[i]=0for j in range(step):j+=1sma30[i] += df['close'][i-j]if j==step: sma30[i]=sma30[i]/step
sma30 = pd.DataFrame.from_dict(sma30,orient='index',columns=['30SMA'])
print(sma30)step=60
dflen=len(df)
sma60= {}
for i in range(step):sma60[i]=0
for i in range(dflen-step):i+=stepsma60[i]=0for j in range(step):j+=1sma60[i] += df['close'][i-j]if j==step: sma60[i]=sma60[i]/step
sma60 = pd.DataFrame.from_dict(sma60,orient='index',columns=['60SMA'])
print(sma60)fig, ax1 = plt.subplots(figsize=(1200 / 72, 480 / 72))
da = df[['date', 'open', 'high', 'low', 'close']]
f = da[['date', 'open', 'high', 'low', 'close']].values
ax3 = ax1.twinx()
ax2 = ax1.twinx()
axsma=ax1.twinx()
axsma30=ax1.twinx()
axsma60=ax1.twinx()
candlestick_ohlc(ax1, f, colordown='g', colorup='r', width=0.3, alpha=0.7)
ax3.bar(df['date'], df['volume'], width=0.6)
ax2.plot(df['date'], df['close'])
axsma.plot(df['date'],sma['5SMA'],color="red")
axsma30.plot(df['date'],sma30['30SMA'],color="blue")
axsma60.plot(df['date'],sma60['60SMA'],color="green")
ax2.grid(True)
ax3.grid(True)
axsma.grid(True)
axsma30.grid(True)
axsma60.grid(True)
ax3.set_ylim(0, 500000000000)
ax1.set_ylim(0, 70000)
ax2.set_ylim(0, 70000)
axsma.set_ylim(0, 70000)
axsma30.set_ylim(0, 70000)
axsma60.set_ylim(0, 70000)
ax1.set_ylabel('币价$')
fig.subplots_adjust(bottom=0.2)  ## 调整底部距离
ax1.xaxis_date()  ## 设置X轴刻度为日期时间
ax2.xaxis_date()  ## 设置X轴刻度为日期时间
ax3.xaxis_date()  ## 设置X轴刻度为日期时间
axsma.xaxis_date()  ## 设置X轴刻度为日期时间
plt.yticks()  ## 设置Y轴刻度线
plt.xlabel(u"时间")  ##设置X轴标题
ax2.set_ylabel('收盘价/成交量/SMA')
plt.grid(True, 'major', 'both', ls='--', lw=.5, c='k', alpha=.3)  ##设置网格线
plt.show()

未完待续…


http://chatgpt.dhexx.cn/article/mjoMNIHv.shtml

相关文章

Plotly中绘制三种经典的股票交易图表（含视频讲解）

Plotly中绘制三种经典的股票交易图表（含视频讲解）

作者：Lemon 来源：Python数据之道 Plotly中绘制三种经典的 股票交易图表（含视频讲解） 大家好，我是 Lemon 。 背景 前一段时间， Lemon 发了一期视频，分享了 Plotly 和 Dash 在投资领域的应用案例。…
阅读更多...
如何在股票软件画波浪？波浪原理?初级应用画线

如何在股票软件画波浪？波浪原理?初级应用画线

如何在股票软件画波浪？波浪原理?初级应用画线 听语音 浏览：1|更新：2018-03-13 10:07|标签：股票 1 2 3 4 5 6 7 分步阅读 波浪理论最主要特征就是它的通用性，在股市中是一个十分重要的技术研究方向，一旦成…
阅读更多...
使用Python生成股票K线图

使用Python生成股票K线图

可视化股票数据，这里只做简单的处理，只显示k线图。选取的是海通证券（600837）2020年1月1日之后150个交易日的数据。这里代码不多，没有封装成方法，代码如下。数据是提前获取的，获取方法见&#xf…
阅读更多...
Python获取股票数据并绘制相应K线图，看这个就够了！

Python获取股票数据并绘制相应K线图，看这个就够了！

Python对股票的K线可视化 前言说明注意 数据获取Tushare获取股票数据获取医疗器械板块数据（代码部分）获取股票数据（代码部分） 数据预处理变量中文化（代码部分） K线绘制代码部分结果展示 写在最后 前言 说明…
阅读更多...
使用mpl_finance画股票K线图

使用mpl_finance画股票K线图

使用mpl_finance画股票K线图 前言正文 前言 今天给大家介绍一下如何利用 python 中的 mpl_finance 模块画股票K线图。 该模块在 matplotlib 2.0之前是叫做 matplotlib.finance 但此之后是叫做 mpl_finance。 详细介绍请看https://matplotlib.org/api/finance_api.html 。具体用…
阅读更多...
Python画图实战之画K线图【附带自动下载股票数据】

Python画图实战之画K线图【附带自动下载股票数据】

关于Python画图的基本知识可以先查看下面这篇文章Python画图（直方图、多张子图、二维图形、三维图形以及图中图）https://blog.csdn.net/weixin_41896770/article/details/119798960 对于股民来说，K线图是最常见的一种参考，使用Pyt…
阅读更多...
一步一步教你写股票走势图——K线图二（图表联动）

一步一步教你写股票走势图——K线图二（图表联动）

目录 一步一步教你写股票走势图——分时图一（概述） 一步一步教你写股票走势图——分时图二（自定义xy轴） 一步一步教你写股票走势图——分时图三（对齐图表、自定义柱状图高亮） 一步一步教你写股票走势图…
阅读更多...
如何对走势图进行画线分析

如何对走势图进行画线分析

现货黄金投资入门与技巧，如何都绕不开这个问题，那就是画线分析。画线分析是技术分析一个重要的流派，也是我们分析市场必不可少的手段，掌握画线的方法，对我们掌握现货黄金投资入门与技巧有很大的帮助。 一、支撑线和压力…
阅读更多...
使用Python绘制精美绝伦的股票行情K线图

使用Python绘制精美绝伦的股票行情K线图

PythonPyQt2.74 本文简单介绍了如何从Tushare获取某支股票的价格数据，并根据价格数据画出相应的日K线图。 # -*- coding: utf-8 -*-import sys import talib import numpy as np import pandas as pd import tushare as ts import datetime as dt import pyqtgraph …
阅读更多...
缠论 公式 自动画线 画笔 中枢 买卖点 源代码

缠论 公式 自动画线 画笔 中枢 买卖点 源代码

显示效果 跨级别区间套演示 板块演示 个股演示 期货演示 源码如下&#xff1a; {三角形中枢}时间:4;A:HHHV(H,时间*5) AND HHV(H,时间*5)>REF(HHV(H,时间*5),1);B:LLLV(L,时间*5) AND LLV(L,时间*5)<REF(LLV(L,时间*5),1);CC1:DRAWLINE(A,H,B,L,0);CC2:DRAWLINE(B,L,A,H…
阅读更多...
利用 python numpy +matplotlib 绘制股票k线图

利用 python numpy +matplotlib 绘制股票k线图

一、python numpy matplotlib 画股票k线图 # -- coding: utf-8 -- import requests import numpy as np from matplotlib import pyplot as plt from matplotlib import animationfig plt.figure(figsize(8,6), dpi72,facecolor"white") axes plt.subplot(1…
阅读更多...
一步一步教你写股票走势图——K线图三（添加均线）

一步一步教你写股票走势图——K线图三（添加均线）

目录 一步一步教你写股票走势图——分时图一&#xff08;概述&#xff09; 一步一步教你写股票走势图——分时图二&#xff08;自定义xy轴&#xff09; 一步一步教你写股票走势图——分时图三&#xff08;对齐图表、自定义柱状图高亮&#xff09; 一步一步教你写股票走势图…
阅读更多...
[逐笔数据分析工具分享]如何分析股票逐笔数据

[逐笔数据分析工具分享]如何分析股票逐笔数据

工具分享链接&#xff1a;https://pan.baidu.com/s/1fbDoPM2NzSBEn31gDBZnpQ 提取码&#xff1a;v0sm ​1. 配置stocklist.txt和datelist.txt stocklist为要分析的股票号码&#xff0c;可为任意个 datelist为要分析的日期&#xff0c;可为任意个 以上都为空时&#xff0c;则…
阅读更多...
【K线绘图】教你用python绘制带有买卖点的股票K线图（附送鳄鱼指标、顾比均线指标、dataframe格式化输出）

【K线绘图】教你用python绘制带有买卖点的股票K线图（附送鳄鱼指标、顾比均线指标、dataframe格式化输出）

提示&#xff1a;文章内买卖点不构成交易依据&#xff0c;请根据情况自行决策。 教你用python绘制带有买卖点的股票K线图&#xff08;附带鳄鱼指标、顾比均线指标、dataframe格式化输出&#xff09; 前言一、自己绘图&#xff0c;是不是疯了&#xff1f;二、分步说明1. 准备工作…
阅读更多...
股票K线图绘制

股票K线图绘制

股票K线图绘制 文章目录 股票K线图绘制前言一、股票K线图基础知识二、用Python绘制股票K线图总结 前言 提示&#xff1a;这里可以添加本文要记录的大概内容&#xff1a; 例如&#xff1a;随着人工智能的不断发展&#xff0c;机器学习这门技术也越来越重要&#xff0c;很多人都…
阅读更多...
屏幕画笔工具Pointofix，期货/股票复盘分析画线好工具

屏幕画笔工具Pointofix，期货/股票复盘分析画线好工具

工具介绍&#xff1a; Pointofix可以将K线图表定格在屏幕某一个画面上&#xff0c;然后可以使用工具趋势线、图形&#xff0c;放大某个细节等&#xff0c;是一款很好的复盘分析画线工具。 Pointofix使用功能&#xff1a; 1.高亮屏幕&#xff1a;手绘笔&#xff1b; 2.直线&…
阅读更多...
解决一个信号6问题(sig6,signal6,SIGABRT,double free or corruption (!prev))

解决一个信号6问题(sig6,signal6,SIGABRT,double free or corruption (!prev))

我遇到的信号6 99%都是由于数据越界导致&#xff0c;在memcpy的时候没有错误&#xff0c;在free的时候系统报SIGABRT。今天也不例外。代码是我写的&#xff0c;考虑不周&#xff0c;以后拷贝更多加小心。 上图中的data大小为1024&#xff0c;如果memcpy 1025各字节&#xff0c;…
阅读更多...
Thread 1:Program received signal:SIGABRT错误之一

Thread 1:Program received signal:SIGABRT错误之一

引起错误Thread 1:Program received signal:"SIGABRT"的可能情况很多 本文描述的是使用Tab Bar Controller时Tab Bar Item对应的View Controller在Attributes inspector中的NIB NAME与在identity inspector中的class设置的不对应引起的。 如图&#xff08;图片可能…
阅读更多...
Thread 1: signal SIGABRT问题解决

Thread 1: signal SIGABRT问题解决

解决办法是记住先前的操作&#xff0c;找到相关问题原因&#xff0c;比如控件关联。 如图打开 Show the Connections inspector把相关联的Outlet叉掉&#xff1a; 猜测&#xff1a;Thread 1: signal SIGABRT类型的错误&#xff0c;是某种具体的内部关联引发的错误&#xff0c…
阅读更多...
Android异常之SIGABRT

Android异常之SIGABRT

欢迎关注WX公众号&#xff1a; Android开发时出现这样的报错信息&#xff1a; # unknown(29937)SIGABRT #00 pc 0004a124 /system/lib/libc.so (tgkill12) [armeabi-v7a] 2 #01 pc 000478c3 /system/lib/libc.so (pthread_kill34) [armeabi-v7a] 3 #02 pc 0001d525 /system/li…
阅读更多...
推荐文章

Copyright @ 2022~2023