《数据可视化》 　—— 　基于Python的应用

第1章 数据分析软件简介

第2章 数据的收集与整理

第3章 Python编程基础

第4章 数据的探索分析

第5章 数据的直观分析

第6章 数据的统计分析

第7章 数据的模型分析

第8章 数据的预测分析及可视化

8.1 动态数列的基本分析

　8.1.1 动态数列的介绍

#%config InlineBackend.figure_format = 'retina' #可提高图形显示的清晰度

8.1.1.1 动态数列的概念8.1.1.2 动态数列的构建（1）获取时间序列数据

import pandas as pd                     #加载数据分析包pandas
pd.set_option('display.precision',4)    #设置pandas输出精度
pd.set_option('display.max_rows', 10)

YQdata=pd.read_excel('DaPy_data.xlsx','YQdata',index_col=0)
YQdata

	Q1	Q2	Q3	Q4
Year
2001	2.330	2.565	2.687	3.384
2002	2.536	2.797	2.972	3.728
2003	2.886	3.101	3.346	4.249
2004	3.342	3.699	3.956	4.991
2005	3.912	4.280	4.474	5.828
...	...	...	...	...
2011	9.748	10.901	11.586	15.076
2012	10.837	11.963	12.574	16.573
2013	11.886	12.916	13.908	20.092
2014	12.821	14.083	15.086	21.656
2015	14.067	17.351	17.316	18.937

15 rows × 4 columns

QTdata=pd.read_excel('DaPy_data.xlsx','QTdata',index_col=0)
QTdata

	GDP
YQ
2001Q1	2.330
2001Q2	2.565
2001Q3	2.687
2001Q4	3.384
2002Q1	2.536
...	...
2014Q4	21.656
2015Q1	14.067
2015Q2	17.351
2015Q3	17.316
2015Q4	18.937

60 rows × 1 columns

（2）季度序列数据的图示

QTdata.plot(grid=True);

（3）构建年度型序列数据

#生成年度变量 
QTdata['Year']=QTdata.index.str[:4];QTdata

	GDP	Year
YQ
2001Q1	2.330	2001
2001Q2	2.565	2001
2001Q3	2.687	2001
2001Q4	3.384	2001
2002Q1	2.536	2002
...	...	...
2014Q4	21.656	2014
2015Q1	14.067	2015
2015Q2	17.351	2015
2015Q3	17.316	2015
2015Q4	18.937	2015

60 rows × 2 columns

#形成年度时序数据 
YGDP=QTdata.groupby(['Year'])['GDP'].sum();YGDP 

Year
2001    10.966
2002    12.033
2003    13.582
2004    15.988
2005    18.494
         ...  
2011    47.311
2012    51.947
2013    58.802
2014    63.646
2015    67.671
Name: GDP, Length: 15, dtype: float64

YGDP.plot(grid=True);

　8.1.2 动态数列的分析

8.1.2.1 绝对动态数列（1）定基增长量

YGDP
YGDPds=pd.DataFrame(YGDP);  #构建年度动态序列框
YGDPds

	GDP
Year
2001	10.966
2002	12.033
2003	13.582
2004	15.988
2005	18.494
...	...
2011	47.311
2012	51.947
2013	58.802
2014	63.646
2015	67.671

15 rows × 1 columns

YGDPds['定基数']= YGDP-YGDP[:1].values; YGDPds 

	GDP	定基数
Year
2001	10.966	0.000
2002	12.033	1.067
2003	13.582	2.616
2004	15.988	5.022
2005	18.494	7.528
...	...	...
2011	47.311	36.345
2012	51.947	40.981
2013	58.802	47.836
2014	63.646	52.680
2015	67.671	56.705

15 rows × 2 columns

（2）环比增长量

YGDPds['环基数']= YGDP-YGDP.shift(1); YGDPds #shift(1)向下移动1个单位 

	GDP	定基数	环基数
Year
2001	10.966	0.000	NaN
2002	12.033	1.067	1.067
2003	13.582	2.616	1.549
2004	15.988	5.022	2.406
2005	18.494	7.528	2.506
...	...	...	...
2011	47.311	36.345	7.160
2012	51.947	40.981	4.636
2013	58.802	47.836	6.855
2014	63.646	52.680	4.844
2015	67.671	56.705	4.025

15 rows × 3 columns

8.1.2.2 相对动态数列（1）定基发展速度（定基比）

YGDPds['定基比']=YGDP/YGDP[:1].values; YGDPds 

	GDP	定基数	环基数	定基比
Year
2001	10.966	0.000	NaN	1.0000
2002	12.033	1.067	1.067	1.0973
2003	13.582	2.616	1.549	1.2386
2004	15.988	5.022	2.406	1.4580
2005	18.494	7.528	2.506	1.6865
...	...	...	...	...
2011	47.311	36.345	7.160	4.3143
2012	51.947	40.981	4.636	4.7371
2013	58.802	47.836	6.855	5.3622
2014	63.646	52.680	4.844	5.8039
2015	67.671	56.705	4.025	6.1710

15 rows × 4 columns

（2）环比发展速度（环基比）

YGDPds['环基比']=YGDP/YGDP.shift(1);YGDPds 

	GDP	定基数	环基数	定基比	环基比
Year
2001	10.966	0.000	NaN	1.0000	NaN
2002	12.033	1.067	1.067	1.0973	1.0973
2003	13.582	2.616	1.549	1.2386	1.1287
2004	15.988	5.022	2.406	1.4580	1.1771
2005	18.494	7.528	2.506	1.6865	1.1567
...	...	...	...	...	...
2011	47.311	36.345	7.160	4.3143	1.1783
2012	51.947	40.981	4.636	4.7371	1.0980
2013	58.802	47.836	6.855	5.3622	1.1320
2014	63.646	52.680	4.844	5.8039	1.0824
2015	67.671	56.705	4.025	6.1710	1.0632

15 rows × 5 columns

8.1.2.3 平均动态数列

n=len(YGDP);n

15

ADR=(YGDP[-1:].values/YGDP[:1].values)**(1/n)
print('\n  平均增长量 = %5.3f' % ADR)

  平均增长量 = 1.129

8.2 动态数列预测分析

　8.2.1 趋势预测模型构建

8.2.1.1 趋势模型的类型（1）一次模型：y = a + bx

import numpy as np
n=20
x=np.arange(n)+1       #生成1:n的等差数列
y=1+2*x    

import matplotlib.pyplot as plt 
plt.plot(x,y,'o-');    #点线图

（2）对数模型：y = a + b*log x

y=1+0.2*np.log(x)
plt.plot(x,y,'o-'); 

（3）指数模型：y=ae^(bx)

y=0.2*np.exp(0.1*x)
plt.plot(x,y,'o-');

（4）幂函数：y=ax^b

y=0.2*x**0.1
plt.plot(x,y,'o-'); 

8.2.1.2 最优模型选择准则8.2.1.3 趋势模型的建立（1）线性模型

import statsmodels.api as sm 
Yt=YGDP       #Yt=YGDP=QTdata.groupby(['Year'])['GDP'].sum()
plt.plot(Yt,'.')

[<matplotlib.lines.Line2D at 0x24a82cebc40>]

Xt=np.arange(len(Yt))+1; #自变量序列1:n，建模时最好不直接用年份
Xt

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

Yt_L1=sm.OLS(Yt,sm.add_constant(Xt)).fit(); 
Yt_L1.summary().tables[1]

C:\Users\Lenovo\anaconda3\lib\site-packages\scipy\stats\stats.py:1541: UserWarning: kurtosistest only valid for n>=20 ... continuing anyway, n=15
  warnings.warn("kurtosistest only valid for n>=20 ... continuing "

	coef	std err	t	P>|t|	[0.025	0.975]
const	-0.2149	1.939	-0.111	0.913	-4.404	3.974
x1	4.3127	0.213	20.224	0.000	3.852	4.773

#构建一个简单的趋势函数来进行模型选择。
import warnings #忽视警告信息,当例数较少时会有警告 
warnings.filterwarnings("ignore") 

def trendmodel(y,x): #定义直线回归模型, x为自变量, y为因变量
    fm=sm.OLS(y,sm.add_constant(x)).fit() 
    sfm=fm.summary2() 
    print("模型检验:\n",sfm.tables[1]) 
    R2=np.corrcoef(x,y)[0,1]**2 #相关系数平方=sfm.tables[0][1][6])
    print("决定系数：%5.4f"%R2)   
    return fm.fittedvalues

L1=trendmodel(Yt,Xt); 
plt.plot(Yt,'o',L1,'r-'); 

模型检验:
         Coef.  Std.Err.        t       P>|t|  [0.025  0.975]
const -0.2149    1.9389  -0.1108  9.1344e-01 -4.4035  3.9738
x1     4.3127    0.2132  20.2240  3.3003e-11  3.8520  4.7734
决定系数：0.9692

（2）指数曲线

L2=trendmodel(np.log(Yt),np.log(Xt));      #对Yt取对数
plt.plot(Yt,'o',np.exp(L2),'r-');  #对Yt的拟合值取反对数

模型检验:
         Coef.  Std.Err.        t       P>|t|  [0.025  0.975]
const  1.9528    0.1442  13.5470  4.8185e-09  1.6414  2.2642
x1     0.7585    0.0718  10.5627  9.4984e-08  0.6033  0.9136
决定系数：0.8956

　8.2.2 平滑预测方法

8.2.2.1 移动平均预测法

（1）简单平均法

Qt=QTdata.GDP;Qt

YQ
2001Q1     2.330
2001Q2     2.565
2001Q3     2.687
2001Q4     3.384
2002Q1     2.536
           ...  
2014Q4    21.656
2015Q1    14.067
2015Q2    17.351
2015Q3    17.316
2015Q4    18.937
Name: GDP, Length: 60, dtype: float64

Qt.plot()

<AxesSubplot:xlabel='YQ'>

Qt.mean() #季节数据的平均 

8.571633333333335

（2）简单移动平均法

QtM=pd.DataFrame(Qt);QtM

	GDP
YQ
2001Q1	2.330
2001Q2	2.565
2001Q3	2.687
2001Q4	3.384
2002Q1	2.536
...	...
2014Q4	21.656
2015Q1	14.067
2015Q2	17.351
2015Q3	17.316
2015Q4	18.937

60 rows × 1 columns

QtM['M2']=Qt.rolling(3).mean(); #2 阶移动平均 
QtM.plot()

<AxesSubplot:xlabel='YQ'>

QtM['M4']=Qt.rolling(5).mean(); #4 阶移动平均 
#QtM

QtM.plot();

（3）加权移动平均法8.2.2.2 指数平滑预测法

QtE=pd.DataFrame(Qt); 
QtE['E03']=Qt.ewm(alpha=0.3).mean(); #平滑系数=0.3 
QtE.plot()

<AxesSubplot:xlabel='YQ'>

QtE['E08']=Qt.ewm(alpha=0.8).mean(); #平滑系数=0.8 
QtE.plot()

<AxesSubplot:xlabel='YQ'>

QtE.plot();

8.3 时间序列数据的可视化分析

import pandas as pd
stock=pd.read_excel('DaPy_data.xlsx','Stock',index_col=0); 
stock.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 3180 entries, 2005-01-03 to 2017-12-29
Data columns (total 6 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   Open      3165 non-null   float64
 1   High      3165 non-null   float64
 2   Low       3165 non-null   float64
 3   Close     3165 non-null   float64
 4   Volume    3165 non-null   float64
 5   Adjusted  3165 non-null   float64
dtypes: float64(6)
memory usage: 173.9 KB

stock

	Open	High	Low	Close	Volume	Adjusted
date
2005-01-03	0.7025	0.7173	0.7025	0.7130	0.0000e+00	0.6185
2005-01-04	0.7099	0.7215	0.6941	0.6960	1.0959e+07	0.6038
2005-01-05	0.6951	0.7082	0.6951	0.7053	6.1651e+06	0.6118
2005-01-06	0.7023	0.7065	0.6961	0.6968	9.8460e+06	0.6044
2005-01-07	0.6960	0.7096	0.6946	0.7020	1.3667e+07	0.6090
...	...	...	...	...	...	...
2017-12-25	12.7300	12.7400	12.2500	12.3800	6.5682e+07	12.3800
2017-12-26	12.4600	12.5400	12.3700	12.5200	3.0913e+07	12.5200
2017-12-27	12.5400	12.5700	12.1000	12.1800	5.3813e+07	12.1800
2017-12-28	12.2000	12.2800	12.0600	12.1800	3.3693e+07	12.1800
2017-12-29	12.1800	12.3300	12.1400	12.2900	2.5372e+07	12.2900

3180 rows × 6 columns

stock=stock.dropna() #由于数据中有 15 个缺失值，故须删除缺失数据 NA 
stock#.info()

	Open	High	Low	Close	Volume	Adjusted
date
2005-01-03	0.7025	0.7173	0.7025	0.7130	0.0000e+00	0.6185
2005-01-04	0.7099	0.7215	0.6941	0.6960	1.0959e+07	0.6038
2005-01-05	0.6951	0.7082	0.6951	0.7053	6.1651e+06	0.6118
2005-01-06	0.7023	0.7065	0.6961	0.6968	9.8460e+06	0.6044
2005-01-07	0.6960	0.7096	0.6946	0.7020	1.3667e+07	0.6090
...	...	...	...	...	...	...
2017-12-25	12.7300	12.7400	12.2500	12.3800	6.5682e+07	12.3800
2017-12-26	12.4600	12.5400	12.3700	12.5200	3.0913e+07	12.5200
2017-12-27	12.5400	12.5700	12.1000	12.1800	5.3813e+07	12.1800
2017-12-28	12.2000	12.2800	12.0600	12.1800	3.3693e+07	12.1800
2017-12-29	12.1800	12.3300	12.1400	12.2900	2.5372e+07	12.2900

3165 rows × 6 columns

stock.describe().round(2)  #round(stock.describe(),3) 

	Open	High	Low	Close	Volume	Adjusted
count	3165.00	3165.00	3165.00	3165.00	3.1650e+03	3165.00
mean	9.22	9.42	9.05	9.23	7.1767e+07	8.91
std	4.22	4.31	4.12	4.22	9.3363e+07	4.10
min	0.70	0.71	0.68	0.70	0.0000e+00	0.60
25%	6.73	6.89	6.63	6.75	2.2869e+07	6.55
50%	10.34	10.54	10.15	10.35	4.0174e+07	9.96
75%	12.03	12.28	11.86	12.05	7.7414e+07	11.67
max	22.28	23.54	21.75	22.80	8.5600e+08	22.52

　8.3.1 股票数据可视化分析

8.3.1.1 股票数据的选取与图示 （1）数据选取

stock[['Close','Volume']]      #收盘价与成交量数据

	Close	Volume
date
2005-01-03	0.7130	0.0000e+00
2005-01-04	0.6960	1.0959e+07
2005-01-05	0.7053	6.1651e+06
2005-01-06	0.6968	9.8460e+06
2005-01-07	0.7020	1.3667e+07
...	...	...
2017-12-25	12.3800	6.5682e+07
2017-12-26	12.5200	3.0913e+07
2017-12-27	12.1800	5.3813e+07
2017-12-28	12.1800	3.3693e+07
2017-12-29	12.2900	2.5372e+07

3165 rows × 2 columns

stock['2015']['Close']         #年度收盘价数据

date
2015-01-05     9.36
2015-01-06     9.48
2015-01-07     9.34
2015-01-08     9.53
2015-01-09     9.37
              ...  
2015-12-25    14.00
2015-12-28    13.51
2015-12-29    13.68
2015-12-30    13.75
2015-12-31    13.45
Name: Close, Length: 244, dtype: float64

stock['2017-12']['Close']      #月度价格
#plt.plot(df.index,df.values);  #stock['2015']['Close'].plot();  

date
2017-12-01    12.01
2017-12-04    12.05
2017-12-05    11.88
2017-12-06    12.33
2017-12-07    12.21
              ...  
2017-12-25    12.38
2017-12-26    12.52
2017-12-27    12.18
2017-12-28    12.18
2017-12-29    12.29
Name: Close, Length: 21, dtype: float64

（2）价格趋势图

stock['Close'].plot();  #收盘价数据框图

YC=stock['2015']['Close'];            #年度收盘价数据
YC.index=YC.index.strftime('%Y-%m-%d');  #将横坐标设置为年-月格式
YC.plot();

stock['Volume'].hist();  #成交量分布情况 

CV=stock[['Close','Volume']];CV.plot()         #收盘价和成交量数据

<AxesSubplot:xlabel='date'>

CV.index=CV.index.strftime('%Y');     #将横坐标设置为年格式
CV.plot(secondary_y='Volume');        #右坐标轴绘制成交量 

YCV=stock['2015'][['Close','Volume']]     #年度收盘价和成交量数据
YCV.index=YCV.index.strftime('%Y-%m'); #将横坐标设置为年-月-日格式
YCV.plot(secondary_y='Volume');

8.3.1.2 股票数据的趋势图

SC=stock['2015']['Close']; SC           #2015年收盘价数据  

date
2015-01-05     9.36
2015-01-06     9.48
2015-01-07     9.34
2015-01-08     9.53
2015-01-09     9.37
              ...  
2015-12-25    14.00
2015-12-28    13.51
2015-12-29    13.68
2015-12-30    13.75
2015-12-31    13.45
Name: Close, Length: 244, dtype: float64

SCM=pd.DataFrame(SC);SCM                #构建数据框
SCM['MA5']=SC.rolling(6).mean();        #5日移动平均 
SCM['MA20']=SC.rolling(21).mean();      #20日移动平均 
SCM['MA60']=SC.rolling(61).mean();      #60日移动平均
SCM.index=SCM.index.strftime('%Y-%m-%d');  #设定时间轴：月-天
SCM.plot(figsize=(10,6),grid=True); # 移动平均线 

SCM.plot(subplots=False,figsize=(12,7),grid=True);

SCM.plot(subplots=True,figsize=(12,14),grid=True); 

8.3.1.3 股票数据的K线图

• https://pypi.tuna.tsinghua.edu.cn/simple
• https://blog.csdn.net/qq_41437512/article/details/105319421

#!pip install mplfinance --upgrade 

（1）分析用数据框构建

OHLCV=stock['2015-10':'2015-12'][['Open','High','Low','Close','Volume']];OHLCV

	Open	High	Low	Close	Volume
date
2015-10-08	12.12	12.94	12.12	12.70	2.0044e+08
2015-10-09	12.72	13.32	12.61	13.05	2.1790e+08
2015-10-12	13.10	14.18	13.03	13.90	3.4242e+08
2015-10-13	13.71	13.93	13.62	13.85	1.9723e+08
2015-10-14	13.75	14.47	13.74	14.00	3.0091e+08
...	...	...	...	...	...
2015-12-25	14.00	14.00	14.00	14.00	0.0000e+00
2015-12-28	13.92	14.00	13.50	13.51	1.1940e+08
2015-12-29	13.50	13.76	13.38	13.68	7.9428e+07
2015-12-30	13.69	13.87	13.64	13.75	6.3783e+07
2015-12-31	13.79	13.79	13.35	13.45	6.9984e+07

61 rows × 5 columns

（2）K线图的绘制

import matplotlib.pyplot as plt
import mplfinance as mpf         #加载matplotlib的金融分析模块
mpf.plot(OHLCV,type='ohlc');     #ohlc图

mpf.plot(OHLCV,type='candle');   #candle图

mpf.plot(OHLCV,type='candle',volume=True) #价格candle图及成交量直方图

mpf.plot(OHLCV,type='candle',volume=True,mav=(3,6)) #增加3与6日移动平均线

　8.3.2 股票收益率分析

8.3.2.1 日收益率的计算

def Return(Yt):           #计算收益率函数
    Rt=Yt/Yt.shift(1)-1   #Yt_1=Yt.shift(1)
    return(Rt)

SA=stock['2015']['Adjusted']; SA[:10]  #2015年调整收盘价
SA_R=Return(SA); SA_R.plot()

<AxesSubplot:xlabel='date'>

SA_R.index=SA_R.index.strftime('%m-%d');  #设定时间轴：月-天
plt.rcParams['axes.unicode_minus']=False; #正常显示图中正负号
plt.stem(SA_R);  #SA_R.plot(x=SA_R.index).axhline(y=0);

8.3.2.2 年度收益率计算

 YR=pd.DataFrame({'Year':stock.index.year,'Adjusted':
                  Return(stock['Adjusted'])});YR

	Year	Adjusted
date
2005-01-03	2005	NaN
2005-01-04	2005	-0.0238
2005-01-05	2005	0.0133
2005-01-06	2005	-0.0120
2005-01-07	2005	0.0075
...	...	...
2017-12-25	2017	-0.0290
2017-12-26	2017	0.0113
2017-12-27	2017	-0.0272
2017-12-28	2017	0.0000
2017-12-29	2017	0.0090

3165 rows × 2 columns

YRm=YR.groupby(['Year']).mean();YRm   #年度平均收益率

	Adjusted
Year
2005	0.0023
2006	0.0069
2007	0.0054
2008	-0.0021
2009	0.0027
...	...
2013	0.0019
2014	0.0003
2015	0.0027
2016	-0.0004
2017	0.0005

13 rows × 1 columns

YRm.plot(kind='bar').axhline(y=0); 

8.3.2.3 月度收益率计算

YMR=pd.DataFrame({'Year':stock.index.year,'Month':stock.index.month,
                  'Adjusted':Return(stock['Adjusted'])}); YMR 

	Year	Month	Adjusted
date
2005-01-03	2005	1	NaN
2005-01-04	2005	1	-0.0238
2005-01-05	2005	1	0.0133
2005-01-06	2005	1	-0.0120
2005-01-07	2005	1	0.0075
...	...	...	...
2017-12-25	2017	12	-0.0290
2017-12-26	2017	12	0.0113
2017-12-27	2017	12	-0.0272
2017-12-28	2017	12	0.0000
2017-12-29	2017	12	0.0090

3165 rows × 3 columns

YMRm=YMR.groupby(['Year','Month']).mean(); YMRm  #按年度和月度计算平均收益率

		Adjusted
Year	Month
2005	1	0.0028
	2	0.0030
	3	0.0066
	4	0.0060
	5	-0.0039
...	...	...
2017	8	0.0002
	9	0.0048
	10	0.0060
	11	-0.0084
	12	0.0016

156 rows × 1 columns

YMRm.unstack().round(4)   #结果重排

	Adjusted
Month	1	2	3	4	5	6	7	8	9	10	11	12
Year
2005	0.0028	0.0030	0.0066	0.0060	-0.0039	0.0061	0.0035	-0.0074	0.0067	-0.0010	-0.0015	0.0070
2006	-0.0018	0.0125	0.0104	0.0075	0.0194	0.0045	-0.0038	0.0022	0.0031	-0.0022	0.0161	0.0131
2007	0.0208	-0.0101	0.0058	0.0099	0.0147	-0.0033	0.0054	0.0137	-0.0012	-0.0000	-0.0077	0.0124
2008	-0.0074	0.0055	-0.0072	0.0011	-0.0035	-0.0102	0.0046	-0.0051	-0.0061	-0.0115	0.0159	-0.0003
2009	-0.0083	0.0018	0.0056	0.0111	-0.0012	0.0048	-0.0014	-0.0045	0.0077	-0.0007	0.0086	0.0041
...	...	...	...	...	...	...	...	...	...	...	...	...
2013	0.0037	-0.0046	-0.0016	-0.0044	0.0034	-0.0128	0.0058	0.0165	0.0265	-0.0088	0.0019	-0.0082
2014	0.0069	-0.0060	-0.0131	-0.0044	0.0046	-0.0025	0.0034	0.0026	0.0073	-0.0019	0.0011	0.0037
2015	0.0093	0.0065	0.0056	0.0005	0.0192	-0.0077	-0.0026	0.0042	-0.0073	0.0183	-0.0076	-0.0007
2016	-0.0106	-0.0016	0.0050	-0.0011	-0.0002	-0.0005	-0.0013	0.0023	-0.0011	0.0021	0.0019	-0.0007
2017	-0.0018	0.0013	-0.0021	-0.0036	0.0025	0.0031	0.0030	0.0002	0.0048	0.0060	-0.0084	0.0016

13 rows × 12 columns

YMRm.plot().axhline(y=0);

MRm=YMR['2005'].groupby(['Month']).mean();MRm  #2005年每月平均收益率

	Year	Adjusted
Month
1	2005.0	0.0028
2	2005.0	0.0030
3	2005.0	0.0066
4	2005.0	0.0060
5	2005.0	-0.0039
...	...	...
8	2005.0	-0.0074
9	2005.0	0.0067
10	2005.0	-0.0010
11	2005.0	-0.0015
12	2005.0	0.0070

12 rows × 2 columns

MRm['Adjusted'].plot(kind='bar').axhline(y=0);

plt.rcParams.update(plt.rcParamsDefault) #恢复matplotlib原来的显示模式