Data Visualization with Python

discovery the pearl underclass

TAIEX dynamic simulation 0:00 /1:04 1× 當然可以！以下是一篇以新聞稿風格撰寫的文章，聚焦您的研究發現： 銅價波動是否領先股市？最新研究揭示銅期貨在市場中的領先作用 【台北訊】在全球經濟風險增加及市場波動不斷的背景下，銅期貨價格逐漸被視為全球經濟活動的重要指標。一項最新研究表明，銅價不僅與全球市場密切相關，還可能是台灣股市加權指數（TAIEX）走勢的領先指標。該研究由台灣某大學的經濟學家團隊完成，運用了代理人建模技術，揭示了銅期貨、股市與新聞情緒指數三者之間的複雜互動。 研究背景：銅價的經濟風向標地位 銅，由於其在全球工業生產和基礎設施中的關鍵地位，早已成為全球經濟的「晴雨表」。經濟學家和市場分析師一直關注銅價的波動，以此作為未來經濟增長或衰退的先行指標。然而，是否能通過銅價變動來準確預測股市，這一直是金融市場中的重要議題。 研究方法：代理人建模與數據分析技術的結合 該研究團隊使用了先進的代理人建模技術，模擬市場參與者如何根據銅價波動、台灣加權指數變

0:00 /1:09 1× 台積電股價波動的動態模擬：從銅期貨到新聞情緒的影響 【台北訊】隨著全球半導體需求的波動以及多項國際政治、經濟事件的推波助瀾，台積電（TSMC）這家全球最大的晶圓代工公司股價也經歷了劇烈的變動。一項最新的研究模擬了 TSMC 股價在多重因素下的波動，發現銅期貨價格和新聞情緒指數對 TSMC 股價有顯著的影響。 研究背景：全球市場與半導體業的聯動性 作為半導體產業的龍頭企業，TSMC 的股價變動不僅反映了自身的經營狀況，更是全球電子產品需求和經濟趨勢的縮影。半導體產業與大宗商品市場、國際政治局勢、以及投資者情緒之間有著錯綜複雜的聯動關係。特別是在國際供應鏈不穩、政治緊張局勢加劇以及能源價格大幅波動的情況下，市場參與者普遍關注這些外部因素對 TSMC 股價的影響。 研究方法：動態模擬與代理人建模技術 研究採用代理人建模方法，通過模擬市場中不同投資者對銅期貨價格（COPP）、TSMC 股價和新聞情緒指數的反應來探討這三者之間的關聯。圖像中展示的模擬結果顯示了自2022年

Reading Note, statista report Semi Conductor Supply Chain * IDMs are responsible for all semiconductor manufacturing processes from design to production. * Fabless companies produce their designs for semiconductors but do not own any production facilities. * The actual production (or fabrication) of semiconductors is outsourced to foundry companies. * Chip design, in IDMs

Step 1: Mount Google Drive in Colab from google.colab import drive drive.mount(‘/content/drive’) #Check Drive Access !ls /content/drive/My\ Drive/Semicon_Analysis/ Step2 : Coding import yfinance as yf import pandas as pd import os from datetime import datetime # Mount Google Drive in Colab (if running

讀取數據 from google.colab import drive drive.mount(‘/content/drive’) import pandas as pd df = pd.read_csv(‘/content/drive/My Drive/Semicon_Analysis/semiconductor_merged_1015.csv’) 檢視資料結構 print(df.info()) print(df.head()) # 顯示前幾行數據 檢查缺失值 print(df.isnull().sum()) 基本敘述統計 print(df.describe()) 類別變數的分佈 print(df[

1. 偏差 (Deviation) 這一章展示公司市值或股價相較於基準值的偏差。1.1. 柱狀圖：展示各公司市值與基線的偏差（可選擇不同的基準，如年初市值或行業平均市值）。 1.2. 區域圖：展示各公司隨時間的市值變動與基準的偏差。 2. 相關性 (Correlation) 分析不同公司市值、股價與其他因素之間的相關性。2.1. 散佈圖：展示兩家公司之間市值的相關性。 2.2. 氣泡圖：顯示公司市值、市盈率與股價的多變量相關性。 3. 排名 (Ranking) 這一章著重於公司市值或市場影響力的排名。3.1. 條形圖：展示市值排名前十的公司。 3.2. 點陣圖：展示各公司市值隨時間的排名變化。 4. 分佈 (Distribution) 展示公司市值或股價的分佈情況。4.1. 直方圖：展示公司市值的分佈。 4.2.

這張圖展示了各家半導體公司在 2024-10-15 相較於 2023 年年初 的 市值變動（Market Cap Deviation），數據單位是 十億美元（Billion USD）。這些變動數值顯示每家公司在這段時間內的市值增減情況。 圖表解釋： 1. Y 軸：表示市值的變動值，以 十億美元 為單位。正值代表公司市值增加，負值代表公司市值下降。 * 例如，NVIDIA（NVDA）的市值增加了超過 2,000 億美元（2T USD 即 2 兆美元），這表明該公司在 2024 年的市場表現極其強勁。 * 其他公司如 TSMC 和 Broadcom（AVGO）也有較顯著的增長，但相比 NVIDIA，增幅較小。 2.

這兩張圖都是區域圖（Area Chart），它們展示了選定的半導體公司從 1996 年至 2024 年 的市值變化(累積)情況。主要區別在於： 1. 第一張圖（包含 NVIDIA）顯示了包括 NVIDIA（NVDA）在內的前五大半導體公司的市值變化。 2. 第二張圖（不包含 NVIDIA）則排除了 NVIDIA，讓我們能更清楚地看到其他公司的市值變化。 第一張圖：Market Cap Change Over Time (With NVDA) * Y 軸單位：Billion USD（十億美元）。 * X 軸：年份，從 1996 年到 2024 年。 * 顯示的公司： * NVDA（

這張圖是基於不同公司的收盤價（Close Price）與 NVIDIA (NVDA) 的收盤價之間的關係進行分析的圖表，具體來說是二項回歸線與散佈圖的結合。每個子圖表示一家公司與 NVIDIA 的股價變化之間的關聯性。 圖表說明： 1. 橫軸（X 軸）：表示該公司的收盤價（例如 TSMC、AMD 等）。 2. 縱軸（Y 軸）：表示 NVIDIA 的收盤價。 3. 散佈點：每個藍色點代表在特定日期，該公司的收盤價與 NVIDIA 收盤價的關係。 4. 紅色線條：這是基於數據擬合的二項回歸曲線，它展示了兩家公司股價之間的關係趨勢。二項回歸是一種非線性回歸方法，用來捕捉更複雜的數據模式。 具體觀察： 1. 整體趨勢： * 大部分公司的股價與 NVIDIA 的股價之間呈現正相關關係，即當其他公司的股價上升時，NVIDIA 的股價也趨於上升。 * 紅色的回歸線展示了股價之間的趨勢，

這些圖表展示的是從 2000 年到 2024 年之間每一年第一個交易日，各半導體公司收盤價變動百分比（Y 軸）與市值（氣泡大小及顏色）的情況。 解釋： 1. X 軸：每個圖表的 X 軸展示的是各半導體公司的縮寫（company_abbr），如 TSMC、NVIDIA、Intel 等公司。 2. Y 軸：Y 軸展示的是各公司當日的收盤價變動百分比（Close Price Change%）。這個百分比反映了該公司與前一日相比的股價波動。數值為正表示股價上升，數值為負表示股價下降。 3. 氣泡大小：每個氣泡的大小代表了該公司在當年第一個交易日的市值（Market Cap），市值越大，氣泡越大。 4. 顏色：氣泡的顏色也表示該公司的市值，從紫色到黃色（根據 viridis 色彩映射）

長條圖-世界第2高峰的死亡率 太陽系九大行星體積 Celestial BodyMean Radius (thousands of km)天體平均半徑 (千公里)SunApproximately 696.34太陽約 696,340JupiterApproximately 69.91木星約 69.911SaturnApproximately 58.23土星約 58.232UranusApproximately 25.36天王星約 25.362NeptuneApproximately 24.62海王星約 24.622EarthApproximately 6.37地球約 6.371VenusApproximately 6.05金星約 6.052MarsApproximately 3.39火星約 3.389MercuryApproximately 2.44水星約 2.439PlutoApproximately 1.19冥王星約 1.

Covid19之後,電影投資人更願意投資風險較低的非原創電影 這張圖表來自 《Financial Times》，主題是 “Less risky franchise films are more likely to appeal to financiers post-coronavirus”，解釋了在電影產業中，原創電影與**非原創（續集、重啟、衍生作品等）**電影在全球票房中的表現。圖表按年份和票房排名展示了每年發行的前 50 部電影。 圖表的關鍵點： 1. X 軸：時間軸，從 1980 年到 2019 年，顯示了每年的電影。 2. Y 軸：票房排名（從 1 到 50），每個點代表該年票房排名中的一部電影。 3. 顏色編碼：

第一張圖：Income per capita and life expectancy at birth, 2019 * X 軸：展示的是各國的人均 GDP（以 2011 年固定價格，按購買力平價調整）。 * Y 軸：展示的是各國的預期壽命。 * 顏色：代表不同的地理區域： * 藍色：亞洲 * 綠色：非洲 * 淺藍色：歐洲 * 橙色：美洲 * 主要趨勢：圖表展示了人均收入較高的國家（如歐美國家）的預期壽命普遍較高，而人均收入較低的國家，尤其是一些非洲國家，預期壽命較低。整體上，GDP 增加與壽命延長呈正相關，但中間有一些例外，如尼加拉瓜和巴布亞新幾內亞，它們的預期壽命高於同等收入國家的平均水平。 第二張圖：Variable dot sizes show magnitude

2009 年全球各國在小學教育中的性別平等指數（Gender Parity Index），特別是根據調整後的淨入學率來分析男孩和女孩的入學情況。 圖表的關鍵點： 1. X 軸：表示性別平等指數的範圍，從 0.85 到 1.15。 * 0.85 以下：表示男孩入學人數多於女孩。 * 1.00：表示性別平等，即男孩和女孩的入學人數相等。 * 1.05 以上：表示女孩入學人數多於男孩。 2. Y 軸：列出了不同國家，從上到下依次是各國的性別平等指數。 3. 數據解讀： * 巴基斯坦和塔吉克斯坦的性別平等指數最低，約為 0.85，表示這些國家的男孩在小學教育中的入學率明顯高於女孩。 * 韓國和日本的性別平等指數為約 1.05 和 1.10，表示這些國家的女孩在小學教育中的入學率高於男孩，顯示出較好的性別平等情況。 * 馬爾代夫、

這張圖表以 雨量圖 的形式展示了 1994 年至 2005 年之間的香港降雨情況。這類圖表通常用來呈現降雨量的變化趨勢，幫助讀者快速了解每年的降雨分佈及極端降雨事件的情況。 圖表的關鍵點： 1. X 軸：年份（從 1994 年到 2005 年），每一行代表一年。 2. Y 軸：降雨量（通常以毫米為單位），具體數值在圖中並未標註，但可以從視覺上判斷降雨的強度。 3. 顏色編碼： * 淺藍色：代表降雨量的日常降水量，顏色的深淺顯示降雨的強度。 * 黃色和橙色：通常表示更強的降雨或極端天氣事件。 * 紅色：可能標示了特別重大的降雨事件，如颱風等。 4. 特別事件標註： * 圖中有幾個標註指出了特定的降雨事件： * 1995 年：被標記為最乾燥的五月，降雨量僅為 20.8 毫米。 * 1998 年 6

0:00 /0:20 1× import pandas as pd import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation from matplotlib.dates import DateFormatter, date2num, num2date import numpy as np # Read the CSV file input_file = ’/content/drive/My Drive/TKU_Industry_Analysis_Semiconductor/Dataset_SEMI/semiconductor_merged_1016.

import yfinance as yf import matplotlib.pyplot as plt import pandas as pd # List of companies and their ticker symbols companies = { “NVIDIA”: “NVDA”, “TSMC”: “2330.TW”, “Broadcom”: “AVGO”, “ASML”: “ASML”, “Samsung Electronics”: “005930.KS”, “AMD”: “AMD”, “Qualcomm”: “QCOM”, “Texas Instruments”: “TXN”, “Applied Materials”: “AMAT”, “Arm Holdings”: “ARM”, “Micron Technology”: “MU”

Dataset TKU_1105_STU - Google DriveGoogle Drive Description Statistic from google.colab import drive drive.mount(‘/content/drive’) import pandas as pd # 讀取 CSV 文件 file_path = ‘/content/drive/My Drive/TKU_Semi_36/semi36_Panel_data_with_Company_Code(TKU).csv’ df = pd.read_csv(file_