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

云天徽上2025-04-29 15:05

🧑 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。

【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](#2.1 数据集介绍)
      • [2.2 数据清洗探索](#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](#3.1 各股票收盘价分布)
      • [3.2 各股票交易量分布](#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](#4.1 各股票收盘价趋势)
      • [4.2 各股票最高价与最低价趋势](#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](#5.1 开盘价与收盘价关系)
      • [5.2 收盘价与交易量关系](#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）](#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

python 复制代码 
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())

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

python 复制代码 
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

python 复制代码 
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

python 复制代码 
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

python 复制代码 
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

python 复制代码 
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

python 复制代码 
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）

python 复制代码 
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

python 复制代码 
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！

相关推荐
卡奥斯开源社区官方1 分钟前
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）
人工智能·重构
MatpyMaster8 分钟前
液体神经网络LNN-Attention创新结合——基于液体神经网络的时间序列预测（PyTorch框架）
人工智能·pytorch·神经网络·时间序列预测
jndingxin13 分钟前
OpenCV 图形API（69）图像与通道拼接函数------将一个 GMat 类型的对象转换为另一个具有不同深度GMat对象函数convertTo()
人工智能·opencv·计算机视觉
带娃的IT创业者14 分钟前
《AI大模型应知应会100篇》第39篇：多模态大模型应用：文本、图像和音频的协同处理
人工智能·microsoft·音视频
算AI20 分钟前
LLM用于科学假设生成：探索与挑战
人工智能·算法
冷水鱼27 分钟前
docker部署MinerU web api
人工智能
一点.点29 分钟前
简单分析自动驾驶发展现状与挑战
人工智能·自动驾驶
山重水复疑无路@30 分钟前
NVIDIA --- 端到端自动驾驶
人工智能·机器学习·自动驾驶
落樱弥城40 分钟前
光流法：从传统方法到深度学习方法
人工智能·深度学习
乙真仙人1 小时前
从困局到破局的AI+数据分析
人工智能·数据挖掘·数据分析
热门推荐
01西电B测-计算机网络综合实验(含验收问题)02KGG转MP3工具|非KGM文件|解密音频03从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑04Coze扣子平台完整体验和实践（附国内和国际版对比）05YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】06DeepSeek各版本说明与优缺点分析07最新 Kubernetes 集群部署 + flannel 网络插件（保姆级教程，最新 K8S 版本）08yolov8，yolo11，yolo12 服务器训练到部署全流程 笔记09我决定放弃搞 Java 了10yolov10来了！用yolov10训练自己的数据集（原理、训练、部署、应用）