📈【Google Colab Python系列】以Goodinfo為例，將資料視覺化吧！
圖片來源
上一篇我們有介紹如何爬取Goodinfo的資訊並統計分析，還沒閱讀的朋友建議先行閱讀，再進入此篇章會比較容易上手唷，傳送門如下：
🚪【Google Colab系列】以Goodinfo!為例，統計一段時間內的最高、最低殖利率
為什麼要做資料視覺化？
相信圖文甚至影音箱對於文字來說更為吸引我們進行知識的汲取，一張好的圖表讓我們一眼就能看出資料的趨勢、分布，提升整體效率，因此當資料、統計都準備好之後，下一步就是以圖表來進行分析並決策。
那這次的主題會使用到的套件為「Matplotlib提供了靜態、動態與互動式圖表，是python語言中資料視覺化的強大利器。
我們應該選用哪一種圖表呢？
不同的情境下選用不同的圖表，就像戰場上根據戰況選用不同的武器甚至策略，因此並沒有一個標準答案，不論是時序、量化...都有其擅長與短處，看看這篇今周刊的文章就有提到「不同圖表不同使用時機，我的報表適合什麼圖形？你用對了嗎？」。
而我們的情境是要分析目前股價屬於偏貴還是便宜，因此會有最高、最低以及目前錨定位置，那以這樣的情境我們可以選用了箱型圖來做表述：
圖片來源
因為我們並沒有時序上的需求，因此也不適用於折線圖、長條圖這種常見的圖表，反而是箱型圖可以表述目前的價格偏高還是低。
開始實作的旅程
上一篇」我們已經統計出最高/最低殖利率了，這次我們進行延伸，以最新成交價搭配圖表來評估目前股價的位階，因此會抓取最新成交價、計算目前殖利率、繪製圖表這幾個步驟，以下將逐步說明。
抓取最新成交價
我們一樣使用dom分析的工具來抓取指定表格，如何抓？ 請參閱「🚪【Google Colab系列】以Goodinfo!為例，統計一段時間內的最高、最低殖利率」，以下是主要抓取的部分：
# 這一段是「成交價」區塊
price_data = bs.find(class_ = 'b1 p4_2 r10')
接著我們試著取得成交價，並進行轉型為float以利後續計算。
import pandas
dfs = pandas.read_html(price_data.prettify())
node = dfs[0]
# 僅留下第一列
node.columns = node.columns.get_level_values(1)
# 印出Columns輔助以下抓取重要資訊
# node.columns
# 取得第一列的成交價
x = node['成交價'].iloc[0]
price = float(x)
計算目前殖利率
請參閱「🚪【Google Colab系列】以Goodinfo!為例，統計一段時間內的最高、最低殖利率」，並搭配上述最新成交價的資訊進行公式的替換即可。
繪製圖表
重頭戲來了，具備資料之後，下一步就是將這些資料繪製成簡單易懂的圖表，以利進行分析，而這邊會使用到的是Python語言中較為知名的套件「matplotlib」，提供種類豐富的圖表類型，而這次我們採用範例的是箱型圖，而箱型圖繪製的API如下：
import matplotlib.pyplot as plt
plt.boxplot(<...資料集>, <x軸, ...更多配置>)
繪製目前股價位階圖
- 以N年平均最高股價與最低股價作為上下限。
- 對照目前股價位階。
- 股價越低代表價格越迷人。
import matplotlib.pyplot as plt
# lowest 近N年平均最低價
# price 目前股價
# highest 近N年平均最高價
data = [lowest, price, highest]
# 標籤
labels = ['price']
plt.boxplot(data, labels=labels)
plt.show()
圖片來源
繪製目前殖利率位階圖
- 以N年平均最高與最低殖利率作為上下限。
- 對照目前的殖利率位階。
- 殖利率越高代表目前CP值越高。
import matplotlib.pyplot as plt
# lYield 近N年平均最低殖利率
# cYield 目前殖利率
# hYield 近N年平均最高殖利率
data = [lYield, cYield, hYield]
labels = ['yield']
plt.boxplot(data, labels=labels)
plt.show()o
圖片來源
相信具有圖表的輔助更能夠快速的判斷及決策，而Matplotlib這套工具就能夠很好的薑我們的資料繪製成圖，非常便利。
結語
藉由上述的圖表呈現可以得知目前股價處於近N年的哪個位階，以價格來說有些偏高，以殖利率來說有些偏低，因此會暫時觀望，等待時機再行購入，當然這些都是過去資料並不代表未來，過去的數據不論怎麼推估都並非產生絕對的未來，我們僅能掌握更多數據來提升對未來的決策判斷。
不妨親自動動手來計算這些數據，相信會更加印象深刻，以後遇到各種資料我們都能夠較為準確的判斷，而不是僅憑感覺盲目的猜測，造成不精準的決策導致損失。
今天的範例都在這裡「📦 goodinfo_yield.ipynb」歡迎自行取用。
如何使用請參閱「【Google Colab系列】台股分析預備式： Colab平台與Python如何擦出火花？」。
------------------------------------------------------------------------------------------------
喜歡撰寫文章的你，不妨來了解一下：
Web3.0時代下為創作者、閱讀者打造的專屬共贏平台 - 為什麼要加入？
歡迎加入一起練習寫作，賺取知識，累積財富！
