更多精彩内容，欢迎
季节性在大宗商品的交易中至关重要
保存原始数据
我们的数据来源选自生意社，这个网站上面有着很多大宗商品品种和口径一致的高质量现货报价。我们的爬虫需要想办法从网站上把原始数据爬下来。
第一步、导入需要的包
第二步、设定基础变量，爬虫开始运作
第三步、获得数据之后，将数据保存到本地
我们看到，数据正一点一点收取下来，整个过程程序都是自动运行的，这个时候你就可以泡一杯咖啡，喝口茶，等待数据收取完毕。
数据“整形”
在保存好了原始数据之后，我们需要对数据进行“整形”，使我们更加方便对原始数据进行分析。
为了直观体现季节性的走势，我们对于历年现货数据进行了平均化，从而得到了每个品种的季节性指数。
作图的原理也不复杂，总览图采用subplots函数，框定了7行8列的图片框架。
数据可视化
通过平铺的方式，我们直观展现出了品种的季节性。基于现货数据的季节性指数由于和期货市场是两个维度，因此相对而言更加具备参考价值。
我们来看几组数据的比较：
同为金属板块的锡和镍有着相仿的季节性，都是在2月进入季节性高点，同时整体走势偏弱。
对比一下同为畜牧产品的生猪和鸡蛋，我们也能发现它们具备类似的季节性特征，即8月9月明显呈现季节性旺季，主要是由于国庆中秋双节带动消费的效应。
我们再看看动力煤和铁矿石，8月，作为铁矿石的季节性旺季，同时也是动力煤的季节性低点。
对比一下化工的PTA、PVC季节性对比，可以发现两者走势整体上比较一致，但PTA季节性波动更大。
我们再来看看同为能源品的柴油和汽油的对比，很明显，两者季节性相关度很高，都是7月低点，10月高点。
小结
这样的图我们还可以做出很多，有了从数据抓取到可视化的程序化处理之后，可以持续地对数据进行跟踪，方便动态地进行更新。当然了，如果需要更多品种合并到一张图中，也是可以非常方便地完成，只需要选择更多的品种序列加入到作图的数据中就可以了。
如果对本次技术宅分享的Python爬虫、季节性计算代码感兴趣，欢迎加小编微信（sljsz01），找我领取
往期干货分享推荐阅读
【数量技术宅|金融数据分析系列分享】如何正确抄底商品期货、大宗商品