python turtle库画图,在python中用turtle模块画图
0
介绍
袖扣是一个视觉图书馆，无缝链接熊猫和plotly在一起。前者的数据框架在数据分析中无处不在，后者的交互性会进一步可视化。袖扣连接两者，必须理解。
首先，介绍可能需要的包。
importsimportpandas aspdimportnumpyasnpimportseabornassnimportmatplotlib . pyplotasplt % matplotlibinline
介绍袖扣软件包，别名CF。
将袖扣作为cf导入
如果选择离线模式并生成本地映像，它们将不会上传到这些系统。
cf.go_offline(
熟悉我的风格后，我知道我最喜欢的颜色。RGB设置如下。
color=[ RGB (220，38，36 ) ]、RGB(43、71、80)、RGB(69、160、162)、RGB(232、122、89)、RGB(145)
在袖扣中，曲线函数是df.iplot，虽然吃了几次，但是iplot函数的参数很多。一些参数描述如下。
种类：图表类型，如散点图、饼图、直方图等
图案：线条、标记和线条标记。分别表示折线、点、折线、点。
颜色：对应于轨道的颜色。
Dash)对应的是赛道的虚实线、实线、破折号和dashdot。
宽度：轨道厚度
XTitle:横坐标名称
YTitle:纵坐标名称
标题：图表标题
我现在在学袖扣。也就是说，我在学习新的东西。从一开始就看不到与之相关的一切。没有时间和精力。我只是用袖扣处理具体的任务，然后找到合适的知识点来完成任务。
我们今天的任务是将信贷组合形象化。
样本组合
考虑一个有100个不同贷方的“样本投资组合”。有三个假设。
的总规模为1000，这意味着每个贷方的平均“敞口”为10。
实际开放度按照威布尔分布模拟，范围从1到小于50。
贷款人无条件违约概率按照卡方分布模拟，平均值设为1%。
我模拟了默认利率和open saving为numpy格式的两个文件，加载到变量P和C中进行保存，其中n是借款人数，100。
DP file=OS . getcwd((\ defaultprobabilities . npy exp file=OS . getcwd))\ exposures . npy c=NP . load
违约率分布
在袖扣中，我们在DataFrame中创建了一些东西，所以先把P转换成DataFrame df，然后用df.iplot))函数。
因为想看违约率的分布函数，kind设置成直方图，分成100个盒子。在此基础上，加上垂直线vline，发现作为p的平均值，该值接近1%，非常接近之前卡方分布的平均值。之后设置几个坐标名，图片名，颜色，主题就很简单了(ggplot如画，据说用过)，就不赘述了。
df=PD.dataframe(p*100 ) df。IPlot ) kind=Histogram ，histnorm=probability ，bins=100，vline=df.meame
从上图可以看出，违约概率的范围是从0%到7%，向右倾斜。
损失分布
用同样的方法画出损失的分布。
df=PD.dataframe(c)IPlot ) kind=Histogram ，histnorm=probability ，bins=100，vline=df.mean))
e ，xTitle=USD ，yTitle=RelativeFrequency ，color=rgb(220，38，36)，theme=ggplot )
从上图可以看出，损耗的范围是从0到50，也是向右歪斜的。
组合可视化
信用包括两层信息，P和C，它们被组合成一个新的数据框架。此时，我们希望显示每个借款人的损失敞口(横轴)及其无条件违约概率(纵轴)的散点图，因此kind设置了散点图。
为了看起来更直观，我们用每个散乱点的面积来表示损失敞口。面积越大，损失敞口越大。然后点向右移动变大，所以大小设置为C，C是损失敞口的值。
df=pd。DataFrame(np.vstack((p*100，c))。t，columns=[DefaultProbability ， loss exposure ])df . iplot(kind= scatter ，x=LossExposure ，y=DefaultProbability ，mode=markers ，size=c，title= losspersurevsdefaultprobability ，xTitle= USD ，yTitle=Percent ，color=color，theme=ggplot )
我们可以做一些观察：
大部分大仓位的违约概率不高，但也有少数例外。例如，损失敞口为30，违约率为7%。
其他高违约率的借款人没有超过10%的损失敞口。
最大单仓位(接近50)的违约概率极小，几乎为零。
接下来我们来看不同地区的信贷组合分布。概括地说，地区可以按地理、行业或借款人规模分类。
在这种情况下，我们将100名借款人随机分配到三个虚构的区域，即Alpha、Beta和Gamma。我们还随机生成一些区域数据，并将它们存储在regions.npy中
rgn file=OS . getcwd() \ \ regions . npy region=NP . load(rgn file)
在绘图中，根据区域分类(类别在代码中设置为“区域”),每个分散的点以不同的颜色显示。在实际环境中，每个散点还会包含借款人ID或姓名，可以帮助我们锁定一些特定的借款人。
df=pd。DataFrame(np.vstack((p*100，c，region))。t，columns=[DefaultProbability ， LossExposure ， Region ])df . loc[df[ Region ]= Alpha df . loc[df[ Region ]==2， Region ]= Beta df . loc[df[ Region ]==3， Region ]= Gamma df . iplot(kind= scatter ，x=LossExposure ，y=DefaultProbability ，mode=markers ，categories=Region ，size=20，title=Regional Distribution ，xTitle
我们可以做一些观察：
根据数据区，没有显示模式。
顶部深蓝色圆点(30.41，6.82)对应的借款人是高风险头寸(损失敞口大，违约率高)。
右边深蓝色的点(47.80，0.02)对应的是持仓最大的借款人，但违约风险较小。
并且底部中间有一组借款人(1暗青色，2红色，2青色)。损失敞口虽然大，但违约率不高，1%左右。
左上角有一组借款人(暗青色2个，红色3个)，虽然违约率高，但损失敞口小。
通过可视化信贷组合，我们可以快速看到组合中的一些特征。接下来，我们来计算一下这个投资组合的一些有用的指标，比如预期损失(EL)、损失波动率(LV)、风险价值(VaR)和预期损失(ES)。
敬请期待！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。