咖啡价格分析如何影响日常消费决策？

本文共计1077个文字，预计阅读时间需要5分钟。

1. 数据概览：咖啡是一种通过烘焙咖啡豆、咖啡属某些开花植物果实调制而成的饮品。

2.从咖啡果中分离出种子，生产出一种稳定、未经烘焙的生咖啡。

3.然后将种子进行烘焙。

一、数据概览

咖啡是一种用烘焙过的咖啡豆、咖啡属某些开花植物的浆果种子调制而成的饮料。 从咖啡果实中分离出种子，生产出一种稳定的、未经烘焙的生咖啡。 然后将种子进行烘焙，这一过程将它们转化为一种可消费的产品:焙烤咖啡，将其磨成细颗粒，通常在热水中浸泡，然后过滤，形成一杯咖啡。

咖啡价格数据从2000年1月2022年5月。

在本例中我们使用pandas、pyplot、seaborn进行数据可视化，绘制折线图、柱状图、散点图，我们可以观察1、日、月、季度、年 咖啡价格，Open-High-Low-Close-Vol每日咖啡价格，Open\High\Low\Close\Vol，Low-Close,High-Close,Open-Close关系。

plt.plot() kind的参数：

"area"用于面积图。

"bar"用于垂直条形图。

"barh"用于水平条形图。

"box"用于箱形图。

"hexbin"用于六边形图。

"hist"用于直方图。

"kde"用于核密度估计图。

"density"是"kde"的别名。

"line"用于折线图。

"pie"用于饼图。

"scatter"用于散点图

二、数据预处理

import pandas as pd

df = pd.read_csv('./data/coffee.csv')
# df.info()

# print(df.shape) # (5671, 7)

# print(df.describe())
# print(df.columns) #Index(['Date', 'Open', 'High', 'Low', 'Close', 'Volume', 'Currency'], dtype='object')
# print(len(df.Date.unique())) #5671
# print(df.Currency.unique()) #['USD']

三、数据可视化

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文标签
plt.rcParams['axes.unicode_minus'] = False

df = pd.read_csv('./data/coffee.csv')

df.Date = pd.to_datetime(df.Date, yearfirst=True)
df.set_index('Date', inplace=True)

1、日、月、季度、年 咖啡价格

fig, axes = plt.subplots(2, 2, figsize=[15, 7])
fig.suptitle('咖啡价格', size=24)

# 每天的价格
axes[0, 0].plot(df.Close.resample('D').mean())
axes[0, 0].set_title("日", size=16)

# 每个月的价格
axes[0, 1].plot(df.Close.resample('M').mean())
axes[0, 1].set_title("月", size=16)
# 每个季度的价格
axes[1, 0].plot(df.Close.resample('Q').mean())
axes[1, 0].set_title('季度', size=16)

# 每年的价格
axes[1, 1].plot(df.Close.resample('A').mean())
axes[1, 1].set_title('年', size=16)

plt.tight_layout()
plt.show()

2、Open-High-Low-Close-Vol每日咖啡价格

df["Vol"] = df["Volume"] / 100
df["Open"].plot(label="Open", color="#00A505", linewidth=1, figsize=(15, 5))
df["High"].plot(label="High", color="#F54974", linewidth=1, figsize=(15, 5))
df["Low"].plot(label="Low", color="#E8C0FD", linewidth=1, figsize=(15, 5))
df["Close"].plot(label="Close", color="#1CACDB", linewidth=0.75, figsize=(15, 5))
df["Vol"].plot(label="Volume", color="#0000C0", alpha=0.55, linewidth=0.75, figsize=(15, 5))

plt.grid(axis="y", color="#000000")
plt.title("Open-High-Low-Close-Vol每日咖啡价格")
plt.xlabel("年")
plt.ylabel("USD")
plt.legend(loc=2)
plt.savefig(r'.\result\Open-High-Low-Close-Vol每日咖啡价格.png')
plt.show()

3、Open\High\Low\Close\Vol

def sns_displotbins(df, x, bins):
sns.displot(df, x=x, bins=bins)
plt.title(x)
plt.tight_layout()
plt.show()


def sns_displot(df, x):
sns.displot(df, x=x)
plt.title(x)
plt.tight_layout()
plt.show()


sns_displotbins(df, 'Open', 10)
# sns_displotbins(df, 'High', 10)
# sns_displotbins(df, 'Low', 10)
# sns_displotbins(df, 'Close', 10)
# sns_displotbins(df, 'Volume', 10)

sns_displot(df, 'Open')
# sns_displot(df, 'High')
# sns_displot(df, 'Low')
# sns_displot(df, 'Close')
# sns_displot(df, 'Volume')

4、Low-Close,High-Close,Open-Close关系

df.plot(x="Low", y="Close", kind="scatter", color="#1CD89D", alpha=0.3) # 散点图
plt.xlabel("Low")
plt.ylabel("Close")
plt.show()

df.plot(x="High", y="Close", kind="scatter", color="#0ABF04", alpha=0.5) # 核密度估计图
plt.xlabel("High")
plt.ylabel("Close")
plt.show()

df.plot(x="Open", y="Close", kind='scatter', color="#ED5894", alpha=0.5) # 折线图
plt.xlabel("Open")
plt.ylabel("Close")
plt.show()