更多精彩內容，歡迎
季節性在大宗商品的交易中至關重要
儲存原始資料
我們的資料來源選自生意社，這個網站上面有著很多大宗商品品種和口徑一致的高質量現貨報價。我們的爬蟲需要想辦法從網站上把原始資料爬下來。
第一步、匯入需要的包
第二步、設定基礎變數，爬蟲開始運作
第三步、獲得資料之後，將資料儲存到本地
我們看到，資料正一點一點收取下來，整個過程程式都是自動執行的，這個時候你就可以泡一杯咖啡，喝口茶，等待資料收取完畢。
資料“整形”
在儲存好了原始資料之後，我們需要對資料進行“整形”，使我們更加方便對原始資料進行分析。
為了直觀體現季節性的走勢，我們對於歷年現貨資料進行了平均化，從而得到了每個品種的季節性指數。
作圖的原理也不復雜，總覽圖採用subplots函式，框定了7行8列的圖片框架。
資料視覺化
通過平鋪的方式，我們直觀展現出了品種的季節性。基於現貨資料的季節性指數由於和期貨市場是兩個維度，因此相對而言更加具備參考價值。
我們來看幾組資料的比較：
同為金屬板塊的錫和鎳有著相仿的季節性，都是在2月進入季節性高點，同時整體走勢偏弱。
對比一下同為畜牧產品的生豬和雞蛋，我們也能發現它們具備類似的季節性特徵，即8月9月明顯呈現季節性旺季，主要是由於國慶中秋雙節帶動消費的效應。
我們再看看動力煤和鐵礦石，8月，作為鐵礦石的季節性旺季，同時也是動力煤的季節性低點。
對比一下化工的PTA、PVC季節性對比，可以發現兩者走勢整體上比較一致，但PTA季節性波動更大。
我們再來看看同為能源品的柴油和汽油的對比，很明顯，兩者季節性相關度很高，都是7月低點，10月高點。
小結
這樣的圖我們還可以做出很多，有了從資料抓取到視覺化的程式化處理之後，可以持續地對資料進行跟蹤，方便動態地進行更新。當然了，如果需要更多品種合併到一張圖中，也是可以非常方便地完成，只需要選擇更多的品種序列加入到作圖的資料中就可以了。
如果對本次技術宅分享的Python爬蟲、季節性計算程式碼感興趣，歡迎加小編微信（sljsz01），找我領取
往期乾貨分享推薦閱讀
【數量技術宅|金融資料分析系列分享】如何正確抄底商品期貨、大宗商品