当前位置： 首页 > news >正文

【数据可视化-41】15年NVDA， AAPL， MSFT， GOOGL AMZ股票数据集可视化分析

news 来源：原创 2025/4/29 7:42:00

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

【数据可视化-41】15年NVDA， AAPL， MSFT， GOOGL & AMZ股票数据集可视化分析

    • 一、引言
    • 二、数据探索
      • 2.1 数据集介绍
      • 2.2 数据清洗探索
    • 三、单维度特征可视化
      • 3.1 各股票收盘价分布
      • 3.2 各股票交易量分布
    • 四、时间序列分析
      • 4.1 各股票收盘价趋势
      • 4.2 各股票最高价与最低价趋势
    • 五、多维度特征分析
      • 5.1 开盘价与收盘价关系
      • 5.2 收盘价与交易量关系
      • 5.3 多股票对比分析（以交易量为例）
    • 六、完整代码

一、引言

  在金融市场分析中，数据可视化是揭示股票趋势、探索市场模式的强大工具。本文将利用包含15年期股票数据的数据集，涵盖NVDA、AAPL、MSFT、GOOGL和AMZN五支股票，从多个维度进行可视化分析，深入探讨各股票价格走势及相互关系。以下分析包括完整的Python代码实现，可供读者参考和复现。

二、数据探索

2.1 数据集介绍

该数据集包含以下变量：

  • Date：交易日期
  • Close_AAPL：苹果收盘价
  • Close_AMZN：亚马逊收盘价
  • Close_GOOGL：谷歌收盘价
  • Close_MSFT：微软收盘价
  • Close_NVDA：英伟达收盘价
  • High_AAPL：苹果最高价
  • High_AMZN：亚马逊最高价
  • High_GOOGL：谷歌最高价
  • High_MSFT：微软最高价
  • High_NVDA：英伟达最高价
  • Low_AAPL：苹果最低价
  • Low_AMZN：亚马逊最低价
  • Low_GOOGL：谷歌最低价
  • Low_MSFT：微软最低价
  • Low_NVDA：英伟达最低价
  • Open_AAPL：苹果开盘价
  • Open_AMZN：亚马逊开盘价
  • Open_GOOGL：谷歌开盘价
  • Open_MSFT：微软开盘价
  • Open_NVDA：英伟达开盘价
  • Volume_AAPL：苹果交易量
  • Volume_AMZN：亚马逊交易量
  • Volume_GOOGL：谷歌交易量
  • Volume_MSFT：微软交易量
  • Volume_NVDA：英伟达交易量

2.2 数据清洗探索

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
df = pd.read_csv('stock_data.csv')  # 请替换为实际文件路径# 查看数据基本信息
print(df.info())

在这里插入图片描述

  从数据基本信息可发现：

  • 数据共26个维度，包含类别型和数值类型，只有Date字段为类别型。
  • 数据一共存在3774条数据记录，无缺失值的存在。

三、单维度特征可视化

3.1 各股票收盘价分布

plt.figure(figsize=(12, 6))
for stock in ['Close_AAPL', 'Close_AMZN', 'Close_GOOGL', 'Close_MSFT', 'Close_NVDA']:sns.kdeplot(df[stock], label=stock.split('_')[1])
plt.title('Distribution of Closing Prices')
plt.xlabel('Price')
plt.ylabel('Density')
plt.legend()
plt.show()

3.2 各股票交易量分布

plt.figure(figsize=(12, 6))
for stock in ['Volume_AAPL', 'Volume_AMZN', 'Volume_GOOGL', 'Volume_MSFT', 'Volume_NVDA']:sns.histplot(df[stock], bins=30, kde=True, label=stock.split('_')[1])
plt.title('Distribution of Trading Volumes')
plt.xlabel('Volume')
plt.ylabel('Count')
plt.legend()
plt.show()

四、时间序列分析

4.1 各股票收盘价趋势

plt.figure(figsize=(14, 8))
for stock in ['Close_AAPL', 'Close_AMZN', 'Close_GOOGL', 'Close_MSFT', 'Close_NVDA']:sns.lineplot(x='Date', y=stock, data=df, label=stock.split('_')[1])
plt.title('Stock Price Trends Over 15 Years')
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.legend()
plt.tight_layout()
plt.show()

4.2 各股票最高价与最低价趋势

stocks = ['AAPL', 'AMZN', 'GOOGL', 'MSFT', 'NVDA']
plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.lineplot(x='Date', y=f'High_{stock}', data=df, label='High')sns.lineplot(x='Date', y=f'Low_{stock}', data=df, label='Low')plt.title(f'{stock} High vs Low Prices')plt.xlabel('Date')plt.ylabel('Price')
plt.tight_layout()
plt.show()

五、多维度特征分析

5.1 开盘价与收盘价关系

plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.scatterplot(x=f'Open_{stock}', y=f'Close_{stock}', data=df, alpha=0.7)plt.title(f'{stock} Open vs Close Prices')plt.xlabel('Open Price')plt.ylabel('Close Price')
plt.tight_layout()
plt.show()

5.2 收盘价与交易量关系

plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.scatterplot(x=f'Close_{stock}', y=f'Volume_{stock}', data=df, alpha=0.7)plt.title(f'{stock} Closing Price vs Trading Volume')plt.xlabel('Closing Price')plt.ylabel('Volume')
plt.tight_layout()
plt.show()

5.3 多股票对比分析（以交易量为例）

plt.figure(figsize=(14, 8))
for stock in stocks:sns.lineplot(x='Date', y=f'Volume_{stock}', data=df, label=stock)
plt.title('Comparison of Stock Volume Prices Over 15 Years')
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.legend()
plt.tight_layout()
plt.show()

  从以上可视化分析可以看出：

  • 价格分布：不同股票的价格分布差异显著，反映了各公司的市场定位和规模。
  • 交易量分布：交易量波动反映了市场活跃度和投资者兴趣。
  • 价格趋势：长期趋势显示各股票的增长模式，科技股通常表现强劲。
  • 开盘价与收盘价关系：通常存在正相关关系，开盘价较高往往预示着收盘价较高。
  • 收盘价与交易量关系：交易量高峰可能对应价格的剧烈波动，反映市场情绪变化。

  以上分析为理解股票市场趋势和投资机会提供了多维度视角，为投资者决策提供了数据支持。

六、完整代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
df = pd.read_csv('stock_data.csv')  # 请替换为实际文件路径# 查看数据基本信息
print(df.info())plt.figure(figsize=(12, 6))
for stock in ['Close_AAPL', 'Close_AMZN', 'Close_GOOGL', 'Close_MSFT', 'Close_NVDA']:sns.kdeplot(df[stock], label=stock.split('_')[1])
plt.title('Distribution of Closing Prices')
plt.xlabel('Price')
plt.ylabel('Density')
plt.legend()
plt.show()plt.figure(figsize=(12, 6))
for stock in ['Volume_AAPL', 'Volume_AMZN', 'Volume_GOOGL', 'Volume_MSFT', 'Volume_NVDA']:sns.histplot(df[stock], bins=30, kde=True, label=stock.split('_')[1])
plt.title('Distribution of Trading Volumes')
plt.xlabel('Volume')
plt.ylabel('Count')
plt.legend()
plt.show()plt.figure(figsize=(14, 8))
for stock in ['Close_AAPL', 'Close_AMZN', 'Close_GOOGL', 'Close_MSFT', 'Close_NVDA']:sns.lineplot(x='Date', y=stock, data=df, label=stock.split('_')[1])
plt.title('Stock Price Trends Over 15 Years')
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.legend()
plt.tight_layout()
plt.show()stocks = ['AAPL', 'AMZN', 'GOOGL', 'MSFT', 'NVDA']
plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.lineplot(x='Date', y=f'High_{stock}', data=df, label='High')sns.lineplot(x='Date', y=f'Low_{stock}', data=df, label='Low')plt.title(f'{stock} High vs Low Prices')plt.xlabel('Date')plt.ylabel('Price')
plt.tight_layout()
plt.show()plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.scatterplot(x=f'Open_{stock}', y=f'Close_{stock}', data=df, alpha=0.7)plt.title(f'{stock} Open vs Close Prices')plt.xlabel('Open Price')plt.ylabel('Close Price')
plt.tight_layout()
plt.show()plt.figure(figsize=(14, 8))
for stock in stocks:plt.subplot(3, 2, stocks.index(stock) + 1)sns.scatterplot(x=f'Close_{stock}', y=f'Volume_{stock}', data=df, alpha=0.7)plt.title(f'{stock} Closing Price vs Trading Volume')plt.xlabel('Closing Price')plt.ylabel('Volume')
plt.tight_layout()
plt.show()plt.figure(figsize=(14, 8))
for stock in stocks:sns.lineplot(x='Date', y=f'Volume_{stock}', data=df, label=stock)
plt.title('Comparison of Stock Volume Prices Over 15 Years')
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.legend()
plt.tight_layout()
plt.show()

  如果您在后续分析中有其他问题或需要进一步的帮助，欢迎随时交流探讨！

相关文章：

  • 【数据可视化-42】杂货库存数据集可视化分析
  • 数据结构 -- 图的应用（二）
  • MinecraftPVP发展史
  • TypeScript之type
  • 轻松上手：使用 Docker Compose 部署 TiDB 的简易指南
  • 多模态革命！拆解夸克AI相机技术架构：如何用视觉搜索重构信息交互？（附开源方案对比）
  • 6.进程概念（中）
  • TCP vs UDP：核心区别、握手过程与应用场景（附对比图）
  • Git-基本操作
  • 人工智能数学基础（一）：人工智能与数学
  • 什么是公共数据？公共数据开放后如何提高新质生产力发展？
  • SQL知识点合集---第二弹
  • 软考-软件设计师中级备考 5、数据结构 树和二叉树
  • 高级数据库对象全面解析：视图、存储过程与触发器
  • HTML5 WebSocket：实现高效实时通讯
  • 喷泉码技术在现代物联网中的应用的总结和参考文献
  • 人工智能数学基础（二）：初等数学
  • UniApp 实现分享功能
  • uniapp打包apk如何实现版本更新
  • “数字驱动·智建未来——2025河北省建筑电气与智能化技术交流大会”
  • 《奇袭白虎团》原型人物之一赵顺合辞世，享年95岁
  • 荣盛发展去年亏损约84.43亿元，要“过苦日子、紧日子”
  • 中日友好医院通报“医师肖某被举报”：基本属实，开除党籍并解聘
  • 五一假期“热潮”来袭，计划南下的小伙伴注意了
  • 期待会师！神二十与空间站完成对接
  • 印度加大应对力度，吊销所有巴基斯坦公民签证