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

🧑 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！