【Pythonコード集】1月10日の記事：パフォーマンスデータの取得とバーチャートの描画

ー 3分で読める記事 ー

今回は、Pythonコードを紹介する記事となります。

Pythonを学びたいと思っている人や興味のある人向けの内容となります。

また、記事の最後の方では、Pythonを効率的に学ぶ方法やおすすめのUdemyコースも紹介しています。

お時間のある時にご覧ください！

Udemy おすすめのPythonコース

・Pythonの基礎から応用まで一気に学ぶならこのコース　おすすめ度
▶現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル
まったくの初心者の方にはこのコースがおすすめ。Pythonの基礎を体系的に学ことができます。

・Python、ファイナンス、英語を一気に学ぶ ”欲張りコース”　おすすめ度
▶Python for Finance: Investment Fundamentals & Data Analytics
このコースには日本語の字幕がついています。
Python、ファイナンスそして英語の力を同時にレベルアップするコースとしては、Udemy最強のコースです。
ジェイもこのコースで学び、今も復習で使っています。

・データサイエンスを学ぶならこの2コース　おすすめ度
▶【世界で37万人が受講】データサイエンティストを目指すあなたへ〜データサイエンス25時間ブートキャンプ〜

▶【ゼロから始めるデータ分析】 ビジネスケースで学ぶPythonデータサイエンス入門
現状、データ分析にプログラミング言語を活用するならPython一択です。Pythonの基礎を学んだ後は、上2つのコースにチャレンジすることをおすすめします。

この記事で学べること

今回の記事の対象者

今回のPythonコード

上の記事を未読の方は、以下のリンク先からご覧ください。

Pythonコードの紹介

では、さっそくPythonコードを紹介します。

全体のコード

まずは全体のコードから。

コードの画像は、左右にスクロール / スワイプできます。

#ライブラリのインポート
import pandas as pd
import yfinance as yf

import matplotlib.pyplot as plt
import seaborn as sns


#Yahoo!finance USから株価データを取得
markets = ['^GSPC', 'CCL', 'RCL', 'DAL', 'LUV', 'EXPE', 'BKNG']

df = pd.DataFrame()

for i in markets:
    df[i] = yf.download(tickers=i, start='2021-12-01', auto_adjust=True)['Close']


#カラム名を変更
df.columns = ('SPX500', 'Carnival', 'Royal_Caribbean', 'Delta', 'South_West', 'Expedia', 'Booking_HLD')
    
    
#取得したデータ情報の確認
print( df.head())
print(df.tail())
print(df.describe())


#２０２１年１２月のパフォーマンスを計算
performance_data = (df/df.iloc[0]-1)*100


#パフォーマンスデータを降順に並び替え
performance_rank = round(performance_data.iloc[-1].sort_values(ascending = False), ndigits=2)


#パフォーマンスデータの確認
print(performance_rank)


#チャート（視覚）でもパフォーマンスデータの確認
fig, ax = plt.subplots(figsize = (15,7))

chart = ax.bar(performance_rank.index, 
               height = performance_rank, 
               color = 'green')

chart[-1].set_color('red')

plt.ylabel('Performance(%)', fontsize = 20)
plt.xlabel('Markets', fontsize = 20)
plt.grid(True)

なお、データの最終取得日が最新の終値となるようコードを書いているので、コードの実行日によってパフォーマンスの値が異なります。

コードの流れ：パフォーマンスデータ

ここからは、具体的なコードの流れについて解説します。

まずは、株価データの取得からパフォーマンスの計算までのコードをみてみましょう。

１：ライブラリのインポート

いつも通りライブラリのインポートからです。

#ライブラリのインポート
import pandas as pd
import yfinance as yf

import matplotlib.pyplot as plt
import seaborn as sns

ー解説ー
▷import pandas as pd
Python版のエクセルである『Pandas』をインポート。

後のコードを簡単にするために『pd』で簡略。

▷import yfinance as yf
Yahoo!finance USから株価のデータを取得する時によく使うライブラリのひとつが『yfinance』です。

後のコードを簡単にするために『yf』で簡略。

yfinanceの他には、『pandas_datareader』という便利なライブラリもあります。

▷import matplotlib.pyplot as plt
Pythonのチャート描画ライブラリのひとつが『matplotlib』。

『import matplotlib.pyplot as plt』は、定型文として覚えておくと良いでしょう。

後のコードを簡単にするために『plt』で簡略。

▷import seaborn as sns
『seaborn』は、matplotlibのデザインをカッコよく装飾したい時に使います。

matplotlibだけでも視覚チャートやグラフは作れます。

なので、seabornを使うかどうかは目的や好みによります。

２：株価データの取得

ライブラリのインポートが終わったら、次はYahoo!finance USから株価のデータを取得します。

#Yahoo!finance USから株価データを取得
markets = ['^GSPC', 'CCL', 'RCL', 'DAL', 'LUV', 'EXPE', 'BKNG']

df = pd.DataFrame()

for i in markets:
    df[i] = yf.download(tickers=i, start='2021-12-01', auto_adjust=True)['Close']

ー解説ー
▷markets = ['^GSPC', 'CCL', 'RCL', 'DAL', 'LUV', 'EXPE', 'BKNG']
今回取得したい企業のティッカーコードをリスト形式でまとめておきます。

こうすることで、ひとつひとつの株価データを取得することなく、for文で一気に取得することができます。

▷df = pd.DataFrame()

for文のコードを書く前に、『 pd.DataFrame()』で空のデータフレームを作成します。

設定した空のデータフレームを変数『df』に入れます。変数名はお好みでOK。

こうすることで、空の『df』（データフレーム）に、『markets』（リスト形式のティッカー）の株価データをfor文で順繰りに取得することができます。

▷for t in markets:

いよいよfor文です。

”基本の型” は以下となります。

for カウンタ変数 in オブジェクト:
    実行する処理

オブジェクトは、取得したいデータの変数となります。

今回は株式ティッカーのリスト『markets』がそれにあたります。

カウンタ変数は、オブジェクト変数をひとつひとつ認識していく変数です。

このようなコード（for文）を書くことで、『markets』のデータを時系列にそって、ひとつひとつ取得していくことができます。

さて、最後は ”実行する処理” です。

▷yf.download(...)

Yahoo!finance USから株価データを取得するためのライブラリ『yf (yfinance) 』の後ろに『.download』とすることで、簡単に時系列の株価データが取得できます。

ポイントは、downloadの引数です。

他にも、最後のデータ取得日を設定する『end』やデータの時間軸（日足、週足など）を設定できる『interval』があります。

実行する処理コードの最後に['Close']とあります。

このコードは、『終値（Close）のデータのみを取得して』という意味です。

一連のコードを書き終えたらすべてのデータを格納するための変数『df[i]』に入れます。

空の『df』にカウンタ変数の[i]を付けることで、データフレームとしてすべての株価データが変数に格納できます。

３：カラム名の編集

for文で取得した株価データのカラムを編集します。

df.columns = ('SPX500', 
              'Carnival', 'Royal_Caribbean', 
              'Delta', 'South_West', 
              'Expedia', 'Booking_HLD')

ー解説ー
▷df.columns = ...
『変数名.columns = 』とし、カッコの中にマーケットや銘柄の名前を設定するだけです。

文字列なので必ず『' '』か『" "』で文字をくくってください。

４：データの確認

データ分析では、ちゃんとデータが取得出来ているかどうか？を確認することがとても重要です。

確認の方法は色々ありますが、今回はシンプルに最初と最後のデータがちゃんと取得できているかどうか？そして統計的なデータ（平均値や標準偏差）の中身を確認しました。

print( df.head())
print(df.tail())
print(df.describe())

ーコードの実行ー

５：パフォーマンスの計算

『ライブラリのインポート→株価データの取得→カラム名の編集→データの確認』という一連の基本的なコードを書き終えたら、次は今回の目的である株価パフォーマンスの計算です。

#２０２１年１２月のパフォーマンスを計算
performance_data = (df/df.iloc[0]-1)*100

ー解説ー
▷(df/df.iloc[0]-1)*100

最初のデータ取得日を基準日として、パフォーマンスを計算するコードです。

分母のdf.iloc[0]は、最初のデータだけを取り出すコードです。

下の画像を見てください。

ーコードの実行ー

カギカッコの中をゼロにすることで、最初のパフォーマンスデータである『0』のみを取り出していることがわかります。

こうすることで、分子のデータが変わっても分母のデータは最初のデータの値（０）で固定されるので、『基準日＝ゼロ％』として時系列のパフォーマンスが計算できる、というわけです。

なお、今回の基準日は『2021年11月30日』です。

この日をゼロをすることで、昨年12月以降の株価パフォーマンスを計算できるというわけです。

上の計算式（コード）を書いたら、次に算数の計算をするだけです。

ilocで計算した値から『-1』を引き算し、最後に『100』を掛ける（*）ことで、パーセンテージ表記のパフォーマンス値が表示されます。

ーコードの実行ー

うまい具合に株価パフォーマンスのデータが取得できました。

６：パフォーマンスの並び替え（降順）

今回計算したのはパフォーマンスの値です。

なので、並び替えて分かりやすく表記してみましょう。

#パフォーマンスデータを降順に並び替え
performance_rank = round(performance_data.iloc[-1].sort_values(ascending = False), ndigits=2)


#パフォーマンスデータの確認
print(performance_rank)

ー解説ー
▷sort_values(ascending = False)

『sort_values』は、データの並び替えでよく使われるコードです。

ポイントは『ascending』です。

▷round(...,  ndigits=2)

『round』は、小数点以下の値の数を決める際に使うコードです。

表記したい値の全体コードを必ずカッコでくくってください。

変数『ndigits』で、表記したい小数点以下の値を決めます。

今回は『2』としたのたので、小数点２位までの値を表記しています。

▷print(performance_rank)

最後にパフォーマンスデータの値を確認します。

ーコードの実行ー

一番のパフォーマンスが良好なカーニバル（CCL）から順番（降順）に、パフォーマンスの値が表示されていることがわかります。

コードの流れ：チャートの描画

データ分析で重要なこと

株価の分析に限らずデータ分析全般では、以下のことがとても重要です。

なので、この記事の最後のテーマとなるバーチャート（棒グラフ）をPythonで描画してみましょう！

７：バーチャートの描画

#チャート（視覚）でもパフォーマンスデータの確認
fig, ax = plt.subplots(figsize = (15,7))

chart = ax.bar(performance_rank.index, 
               height = performance_rank, 
               color = 'green')

chart[-1].set_color('red')

plt.ylabel('Performance(%)', fontsize = 20)
plt.xlabel('Markets', fontsize = 20)
plt.grid(True)

ー解説ー
▷fig, ax = plt.subplots(figsize = (15,7))

Pythonのチャート描画ライブラリ『plt (matplotlib)』の後ろに『subplots』を付けることで、チャートの大枠を設定できます。

今回は、引数にチャートの大きさを設定する『figsize』を設定しました。

『15, 7』とは、『横15 / 縦7』の横長チャートを作成して、という意味です。

▷ax.bar(...)

上で設定したチャートの大枠の変数に『ax』があります。

axの後ろにバーチャート（棒グラフ）を描画する『.bar』を付けてください。

その後、以下の引数を設定します。

最初の『x』は書かなくても大丈夫です。

今回表示したいパフォーマンスのデータを『height』に設定してください。

『color』は、あなたのお好みの色でOK！

▷chart[-1].set_color('red')

部分的に棒グラフの色を変える場合は、上のコードを使います。

『-1』と付け加えることで、データフレームの一番最後のデータをピックアップできます。

よって、降順で並び替えられている『chart[-1]』は、一番パフォーマンスの低い銘柄をピックアップして、というコードになります。

今回の株価データで一番パフォーマンスが低いのは『S&P500』となります。

最後に『.set_color(...)』を付けることで、ターゲットとなる棒グラフの色が編集できます。

カッコの中にお好みの色を設定してください。

今回は、赤（red）としました。

あとは、ちょっとした仕上げです。

▷plt.ylabel('Performance(%)', fontsize = 20)

y軸のタイトルを設定するコード。

タイトルと『fontsize』で文字の大きさを設定できます。

▷plt.xlabel('Markets', fontsize = 20)

x軸のタイトルを設定するコード。

タイトルと『fontsize』で文字の大きさを設定できます。

▷plt.grid(True)

チャート内のグリッドライン（縦と横のライン）を表記するコード。

『False』とすることで、グリッドラインを消すこともできます。

さて、ここまで書いたコードを実行してみましょう。

ーコードの実行ー

見事に降順に並び替えられた株価のパフォーマンスデータがバーチャート（棒グラフ）で描画できました！

一番右はしの『S&P500』の色も、しっかりと赤になっていることがわかります。

このように一度コードを書いてしまえば、あとは銘柄や期間を変更するだけで、あなたが知りたい銘柄の株価パフォーマンスを簡単にチェックすることができます。

Pythonを学びたいと思っているあなたへ

Pythonって便利だな！

私もPythonを学んでみたい！

今回の記事を読んでそう思われた方は、以下のリンク先をご覧ください。

▼ 本気でPythonを学びたいなら ▼

Pythonを学ぶメリットがわかります。

そして、『これがPythonを効率的に学ぶ方法だ！』と自信をもっておすすめする学習方法について解説しています。

この記事と出会ったのも何かの縁です。

ぜひチャレンジしてみてください！

最後に、ジェイがお勧めするUdemyのPythonコースをご紹介します。

すべてジェイが実際に受講したコースです。

興味のある方は、リンク先からコースの内容をご確認ください。

Udemy おすすめのPythonコース

・Pythonの基礎から応用まで一気に学ぶならこのコース　おすすめ度
▶現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル
まったくの初心者の方にはこのコースがおすすめ。Pythonの基礎を体系的に学ことができます。

・Python、ファイナンス、英語を一気に学ぶ ”欲張りコース”　おすすめ度
▶Python for Finance: Investment Fundamentals & Data Analytics
このコースには日本語の字幕がついています。
Python、ファイナンスそして英語の力を同時にレベルアップするコースとしては、Udemy最強のコースです。
ジェイもこのコースで学び、今も復習で使っています。

・データサイエンスを学ぶならこの2コース　おすすめ度
▶【世界で37万人が受講】データサイエンティストを目指すあなたへ〜データサイエンス25時間ブートキャンプ〜

▶【ゼロから始めるデータ分析】 ビジネスケースで学ぶPythonデータサイエンス入門
現状、データ分析にプログラミング言語を活用するならPython一択です。Pythonの基礎を学んだ後は、上2つのコースにチャレンジすることをおすすめします。

今回のまとめ

今回は以上です。

次回は、『2022年の投資戦略シリーズ』 第2回の記事を配信します。

最後までお読みいただき、ありがとうございました！