如何使用Python绘制类似CoinMetrics的BTC与B3变量相关性图表？

CoinMetrics的相关性图表没有特殊技术门槛，核心是两类视图的组合：不同时间滚动窗口的动态相关性时序折线、全样本区间的散点回归拟合图，所有视觉效果都是基于标准统计计算+通用绘图库实现的。

核心计算逻辑学习参考 #

• 滚动相关性实现：掌握pandas库的时间序列滚动计算接口，熟悉rolling()方法搭配corr()的调用逻辑，能灵活调整计算窗口长度；针对加密资产时序数据厚尾、极端值多的特性，区分皮尔逊线性相关、斯皮尔曼秩相关两类系数的适用场景，避免异常值导致的计算偏差
• 统计显著性校验：学习通过scipy.stats模块的相关性计算接口输出p值，过滤显著性不足的伪相关结果，避免图表呈现无统计意义的无规则波动

视觉效果对标学习参考 #

• 静态视图实现逻辑：掌握matplotlib+seaborn的组合绘图配置：
  • 相关性时序图部分，实现0值基准线加粗、正相关区间填充暖色调、负相关区间填充冷色调的视觉区分，不同窗口长度的相关系数曲线用差异化透明度、线型做区分，减少视觉杂乱感
  • 散点图部分，通过seaborn.regplot配置带95%置信区间的拟合线，标记离群值位置，在图表空白区域标注拟合优度R²、显著性p值等统计指标
• 交互效果扩展：若需要对标页面的交互体验，可学习plotly基础绘图接口，实现时间范围切换、悬浮显示具体时间点的相关系数取值、两变量原始数值的交互效果

实操落地步骤 #

1. 原始DataFrame预处理：剔除BTC、B3两个变量的空值行，将两个变量按时间维度做索引对齐，避免时间错配导致的计算偏差
2. 基础逻辑验证：先计算全样本区间的相关系数，搭配散点回归图输出静态结果，验证计算逻辑的正确性
3. 动态相关性计算：分别按7天、30天、90天三类行业通用窗口，逐窗口计算滚动相关系数，生成对应的时间序列数组
4. 样式调整：统一简洁的科技感配色，移除冗余的网格、边框元素，对齐目标页面的极简视觉风格

内容的提问来源于stack exchange，提问作者Brasilian_student