本篇文章给大家谈谈股票分析网站，以及江西铜业股票的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

文章详情介绍：

• 1,收盘说三点丨ChatGPT概念火爆！这些股票封住涨停板！业内人士分析→
• 2,江西铜业：受益铜价上涨，社保基金新进前十大股东
• 3,收盘：江西铜业涨3.46%报13.45元 换手0.74%
• 4,「手把手教你」股票可视化分析之Pyecharts（一）

收盘说三点丨ChatGPT概念火爆！这些股票封住涨停板！业内人士分析→

央视财经（财经评论员 越淋）今天沪深两市低开后震荡，午后有所反弹，三大指数均小幅下跌。板块方面，ChatGPT、web3.0、数据要素、中船系等板块涨幅居前；贵金属、乳业、房地产、汽车整车等板块跌幅居前。截至收盘，沪指跌0.68%，深成指跌0.63%，创业板指跌0.85%。

1、两市缩量震荡 沪指走出长下影

今天沪深两市小幅低开后便在分时低位震荡，午后行情有所回暖，跌幅缩窄，但仍是绿盘报收。沪指来看，今天在跌穿了5天和10天均线后，午后资金进入，走出一根长下影，显示下方仍有承托资金进入。周线级别来看，沪指已经来到60周均线上方，能否突破有效，需要继续关注。

2、ChatGPT持续活跃 可以关注热点题材的结构性机会

虽然今天大盘呈现一个弱势震荡的格局，但是盘面上热点还是层出不穷，尤其是近期火热的ChatGPT、AIGC等概念，人气指标股依然封在涨停板上。在市场普跌的格局下，短线题材方向依然能够保持热度，后续可以关注热点题材的结构性机会。

3、北向资金结束17个交易日净流入 需要注意资金的动向

今天北向资金出现了净流出，结束了连续17个交易日的净流入。在1月份，北向资金就大举流入，单月流入数额就超过了去年全年，洪峰过后，部分获利资金了结，外资配置的窗口期逐渐过去。虽然北向具有一定的参考价值，但是跟动辄每天万亿的成交量相比，只占很小一部分，这轮反弹持续性如何，还更应该关注内资的动向和态度。

转载请注明央视财经

（编辑 彭琳）

江西铜业：受益铜价上涨，社保基金新进前十大股东

每经记者：于垚峰 每经编辑：梁枭

作为国内最大的综合性铜企，江西铜业（600362，SH）一直是行业的风向标。

今年前三季度，江西铜业实现营业收入2277.8亿元，同比上涨32.73%；实现净利润15.32亿元，同比下降25.8%。受疫情影响，2020年一季度，国内铜企普遍出现了营收和利润下滑。但从今年第二季度起，江西铜业单季净利润连续两个季度实现同比正增长，趋势向好。

天风证券认为，2020年，江西铜业着手引进哈萨克斯坦钨矿项目战略投资者，优化建设方案，推动了恒邦股份非公开发行，加快其高质量发展步伐。方正证券预计，2021年铜供需紧张态势将有所加剧，铜价有望再上台阶。

《每日经济新闻》记者注意到，2020年三季度，全国社保基金新进江西铜业前十大股东，持有约700万股，持股比例约为0.2%。在近期发布的研报中，多家券商对江西铜业给出了“买入”或“推荐”的投资评级。

投资并购助力发展

12月16日上午，江西铜业控股子公司江铜华北（天津）铜业有限公司（以下简称江铜华北）与天津大无缝投资有限公司（以下简称大无缝铜材）正式签署大无缝铜材混改项目协议。根据协议，江铜华北将持有大无缝铜材91.59%的股权，成为控股股东。这是江西铜业拓展北方市场、优化产业布局的又一重大战略并购。

为进一步拓展在北方地区的产业布局，江西铜业与华北集团达成共识，本着协调区域市场、实现协同良性竞争的原则，以江铜华北作为项目合作的投资主体，加快推进与大无缝铜材30万吨铜杆项目的合作。

根据协议，江铜华北与大无缝投资公司携手完成大无缝铜材混改后，大无缝铜材作为江铜华北控股的子公司，将与江铜华北全面共享生产、技术、采购、销售、人才等管理资源，有效提升产品质量、降低生产成本，提高产品效益。预计项目达产后，江铜华北铜杆年总产能达到74万吨，年产值400亿元左右。

对于上述混改并购，江西铜业董事长郑高清表示，混改项目成功实施，将充分发挥原料采购、市场布局、客户共享等协同效应，有效提升企业盈利能力和市场竞争力，进一步拓展在北方地区的铜加工产业布局，完善公司在环渤海地区的产业布局和战略延伸。

建立智能矿业生态

银河证券认为，顺周期、与宏观经济相关性高的铜在2021年将有较好的表现。铜原料自给率高、有铜矿产量增量的公司将最大化受益于铜价上涨。公开资料显示，江西铜业是中国最大的铜生产基地，也是最大的伴生金、银生产基地，以及重要的硫化工基地。

据江西铜业2020年半年报披露，截至2019年12月31日，本集团（江西铜业及所属子公司，下同）100%所有权的已查明资源储量约为铜金属915.4万吨、黄金281.5吨、银8347.7吨、钼19.8万吨；本集团联合其他公司所控制的资源按本公司所占权益计算的金属资源储量约为铜443.5万吨、黄金52吨；公司控股子公司恒邦股份拥有金矿采矿权16个，探明黄金储量112.01吨。

5G时代到来，江西铜业也将借此建立起智能矿业生态。公司表示，以开放、合作、共赢的姿态，与国内大院大所合作，聚焦稀土、稀贵金属、新型材料等科技创新；与国内头部5G终端应用商，联合开发5G高频高速铜箔。

此外，江西铜业也从风控体系建设、提升社会责任等方面提高公司治理水平。

江西铜业表示，公司启动大风控体系建设，推动合规、法务、内控、风险管理协同运作，以建立科学的大风控体系，形成闭环的风险管理工作流程。

在提升社会责任担当方面，截至2019年年末，江西铜业拥有省级以上绿色矿山（工厂）14家，其中国家级绿色矿山3家，国家级绿色工厂3家。

每日经济新闻

收盘：江西铜业涨3.46%报13.45元 换手0.74%

金融界股票1月19日讯 今日江西铜业开盘报13.05元，截止收盘，该股涨3.46%报13.45元，当日振幅为4.15%，换手0.74%，成交金额为2.04亿元。5日内跌幅为0.31%。

1月19日该股净流入金额3126.07万元，主力净流入2165.88万元，中单净流入692.17万元，散户净流入268.02万元。

最近一个月内，江西铜业共计登上龙虎榜0次，表明江西铜业股性不活跃。

公司主要从事 有色金属矿、稀贵金属、非金属矿;有色金属及相关副产品的冶炼、压延加工与深加工;自产产品的售后服务、相关的咨询服务和业务;境外期货套期保值业务;与上述业务相关的三氧化二砷、硫酸、氧气、液氧、液氮、液氩的生产和加工。

截止2015年9月30日，江西铜业营业收入1148.8085亿元，归属于母公司股东的净利润12.2911亿元，较去年同比减少47.1238%，基本每股收益0.35元。

江西铜业隶属于，近三个月内，该股的关注度高于行业内的其他78家公司，排名第13。近三个月，共有2家机构发布了11篇关于该股的研究报告，该股综合评级为增持，维持前期评级。

风险提示：个股诊断结果通过运算模型加工客观数据而成，仅供参考，不构成绝对投资建议。

关注金融界股灵通微信号【jrjstock】，每天早上为您奉上早盘操作指导，涨停牛股预测。

关注金融界微信【jrjnews2013】,独家投顾复盘，把脉股市走向，阶段经济热点前瞻。

「手把手教你」股票可视化分析之Pyecharts（一）

Pyecharts简介

Echarts 是百度基于JavaScript 开源的可视化图表库，而 Pyecharts 相当于是 Python+echarts，即使用 Python 语言调用 echarts 的开源库，可以制作非常精美的图表。实际上 Python 可视化库有很多，包括 Matplotlib、Seaborn、Bokeh 、Pygal、 Plotly 和 Pyecharts等等。其中 Matplotlib 是大家入门数据分析的最基本可视化工具；Seaborn 实际上是 matplotlib 的一个封装，提供了很多统计分析的基本图表；Bokeh、Pygal、Plotly 和 Pyecharts 等功能相似，可以输出非常精美的可视化图表，尤其是 Plotly 和 Pyecharts ，均支持动态可交互效果，但代码相对复杂。这些可视化库基本上都支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab，可以轻松集成至 Flask，Django 等主流 Web 框架。关于高级可视化库之间的优劣对比在此不做深入探究，读者可根据个人需要和编程习惯选择相应的库进行学习，本文将重点介绍 Pyecharts 及其在金融量化上的应用，代码均在Jupyter notebook上运行。关于Pyechart更详细完整的介绍可以参见其官网：Pyecharts。

01 版本与安装

Pyecharts 分为 v0.5.X（旧版） 和 v1 （新版）两个版本，两个不兼容，v1 是一个全新的版本。直接使用pip安装可获取最新版本：pip install pyecharts，如需使用旧版本，需要指定安装版本号，如：pip install pyecharts=0.5.11。本文使用的是1.9.1版的pyecharts，v0.5版本编程代码可参考公众号历史文章。

#查看电脑系统和库版本 #watermark是第三方库需要先安装, #在cmd（如安装的是anaconda，直接打开anaconda prompt）上输入：pip install watermark %load_ext watermark #%watermark 查看电脑版本 %watermark -p pyecharts,pandas,numpy,matplotlib,talib,backtrader,jupyter

pyecharts : 1.9.1 pandas : 1.3.2 numpy : 1.20.3 matplotlib: 3.3.4 talib : 0.4.19 backtrader: 1.9.76.123 jupyter : 1.0.0

02 模块导入与调用

图表的类在charts，*表示导入全部，一般不建议这么写，可根据图表类型导入，如柱状图和折线图：from pyecharts.charts import Bar,Line。配置项通过options（缩写为opts），用于修饰图表,进阶还可调用Javascript 的代码，导入JsCode：from pyecharts.commons.utils import JsCode。theme可以定制主题，导入：from pyecharts.globals import ThemeType，一般使用默认的ThemeType.WHITE。导入Faker可以使用自带的数据画图。

from pyecharts.charts import * from pyecharts import options as opts from pyecharts.faker import Faker

03 图表配置项

Pyecharts使用 options对图表的配置项进行设置，根据个人需要，为图表添加（减少）元素，美化和修饰图表。配置项非常多，包括全局配置项（set_global_opts）22个大类和系列配置项(结合数据系列进行配置)17个大类，每一个配置类下又有众多的参数设置。配置项为制作精美的图表提供了相当完善的功能选择，但是对新手来说相当不友好，各种类和参数选择让人眼花缭乱和望而生畏（老版本0.5.11在这方面简洁很多）。这里建议大家结合常用的图表类型模板学习几个常用的配置项,其他配置项基本上使用默认参数即可。

图片来源：https://pyecharts.org/#/zh-cn/global_options

pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式进行调用，下面介绍几个常用的配置项。
(1)全局配置项，通过set_global_opts 方法设置

InitOpts：初始化配置项，一般在图表函数内加载，如Bar(init_opts=opts.InitOpts(width='900px',height='600px',设置图表画布宽width高height（'数字+px'）,theme: str = "white"图表主题));

TitleOpts：标题配置项title_opts=opts.TitleOpts(title=,subtitle=,pos_left=)，其中主标题title,副标题subtitle, # title 组件离容器左侧的距离,pos_left = 可选'left', 'center', 'right'或如20、20%。离右侧距离,pos_right= None,顶部距离pos_top = None,可选'top', 'middle', 'bottom'或数字或百分比。底部距离，pos_bottom: = None,);

DataZoomOpts：区域缩放配置项,默认不显示， datazoom_opts=opts.DataZoomOpts(is_show=True或False,type_: str = "slider"或"inside" ,range_start=:数据窗口范围的起始百分比：0 ~ 100表示 0% ~ 100%,range_end=:数据窗口范围结束百分比,xaxis_index= number表示控制一个轴，Array表示控制多个轴,yaxis_index=同xaxis_index的设置，位置pos_left同title);

LegendOpts：图例配置项，默认不显示，legend_opts=opts.LegendOpts(is_show: bool = True是否显示,位置pos_left同title,orient= 布局朝向,可选：'horizontal', 'vertical',);

VisualMapOpts：视觉映射配置项，默认不显示，visualmap_opts=opts.VisualMapOpts(is_show: bool = True,type_: str = "color",映射过渡类型可选"color", "size"，min_ = 0,max_ = 100,分别指定 visualMapPiecewise 组件的最小值和最大值,orient = "vertical"或"horizontal",split_number: int = 5,对于连续型数据，自动平均切分成几段,is_piecewise: bool = False,是否分段，pieces=[]指定每一段范围，如[{"min": 1500},{"min": 900, "max": 1500},{"max": 1500} ]);

(2)系列配置项

ItemStyleOpts：图元样式配置项，itemstyle_opts=opts.ItemStyleOpts(color=图形颜色，颜色可以使用 RGB 表示，比如 'rgb(128, 128, 128)'，如果想要加上 alpha 通道表示不透明度，可以使用 RGBA，比如 'rgba(128, 128, 128, 0.5)'，也可以使用十六进制格式，比如 '#ccc',color0:阴线图形的颜色,border_color=图形的描边颜色,border_color0=阴线图形的描边颜色,opacity=图形透明度,支持从 0 到 1 的数字为 0 时不绘制该图形,area_color=区域的颜色)， 参考十六进制颜色转换；

LabelOpts：标签配置项， label_opts=opts.LabelOpts(is_show: bool = True是否显示标签,position=标签的位置,可选 ['top'，'left'，'right'，'bottom'，'inside'，'insideLeft'，'insideRight''insideTop'，'insideBottom'， 'insideTopLeft'，'insideBottomLeft' 'insideTopRight'，'insideBottomRight'], formatter=模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等,折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）示例：formatter: '{b}: {@score}');

LineStyleOpts：线样式配置项，linestyle_opts=opts.ItemStyleOpts(is_show= True是否显示,color=线条颜色, width= 1,线宽,curve = 线的弯曲度，0 表示完全不弯曲,type_: str = "solid", 线的类型可选：'solid', 'dashed', 'dotted',);

SplitLineOpts：分割线配置项, 在全局配置项中使用.set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show = True显示分割线)))。

可视化实战案例

本文主要介绍直角坐标系图表及其应用案例，其余图表将在下一次推文中介绍。直角坐标系图表继承自 RectChart 拥有一些相同或相似的方法。

新增 X 轴数据.add_xaxis(xaxis_data=list数据)

翻转 XY 轴数据,.reversal_axis()

扩展 X/Y 轴,.extend_axis(xaxis_data=扩展X坐标数据项,xaxis=扩展 X 坐标轴配置项,yaxis=新增 Y 坐标轴配置项)

新增 Y 轴数据.add_yaxis(series_name='',y_axis=序列数据,xaxis_index= 使用的 x 轴的 index，在单个图表实例中存在多个 x 轴的时候有用
yaxis_index = 使用的 y 轴的 index，label_opts=标签配置项，markpoint_opts=标记点配置项,markline_opts=标记线配置项,tooltip_opts=提示框组件配置项)

#导入数据分析和量化常用库 import pandas as pd import numpy as np import talib as ta import tushare as ts #导入pyecharts from pyecharts.charts import * from pyecharts import options as opts from pyecharts.commons.utils import JsCode

01 折线图Line

折线图是考察金融时间序列数据趋势最常用的图表之一。下面使用tushare旧接口在线获取股票交易数据进行可视化分析。

#股票数据可视化分析实例 #获取A股交易数据 def get_price(code='sh',start='2000-01-01',end='2022-03-07'): df=ts.get_k_data(code,start,end) df.index=pd.to_datetime(df.date) #将成交量单位改为10000手并取整数 df['volume']=(df['volume']/10000).apply(int) return df[['open','close','high','low','volume']] sh=get_price() #sh.head()

最基本折线图，全使用默认参数。

g=(Line() .add_xaxis(sh.index.strftime('%Y%m%d').tolist()) .add_yaxis('',sh.close)) g.render_notebook()

添加全局和系列配置项。

#不同点位设置不同颜色 des=sh.close.describe() v1,v2,v3=np.ceil(des['25%']),np.ceil(des['50%']),np.ceil(des['75%']) pieces=[{"min": v3, "color": "red"}, {"min": v2, "max": v3, "color": "blue"}, {"min": v1, "max": v2, "color": "black"}, {"max": v1, "color": "green"},] #链式调用作用域() g = ( Line({'width':'100%','height':'480px'})#设置画布大小，px像素 .add_xaxis(xaxis_data=sh.index.strftime('%Y%m%d').tolist())#x数据 .add_yaxis( series_name="",#序列名称 y_axis=sh.close.values.tolist(),#添加y数据 is_smooth=True, #平滑曲线 is_symbol_show=False,#不显示折线的小圆圈 label_opts=opts.LabelOpts(is_show=False), linestyle_opts=opts.LineStyleOpts(width=2),#线宽 markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),],symbol_size=[100,30]), markline_opts=opts.MarkLineOpts(#添加均值辅助性 data=[opts.MarkLineItem(type_="average")], )) .set_global_opts(#全局参数设置 title_opts=opts.TitleOpts(title='上证指数走势', subtitle='2000年-2022年',pos_left='center'), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), visualmap_opts=opts.VisualMapOpts(#视觉映射配置 orient = "horizontal",split_number = 4, pos_left='center',is_piecewise=True, pieces=pieces,),) .set_series_opts( markarea_opts=opts.MarkAreaOpts(#标记区域配置项 data=[ opts.MarkAreaItem(name="牛市", x=("20050606", "20071016")), opts.MarkAreaItem(name="牛市", x=("20140312", "20150612")),],))) #使用jupyter notebook显示图形 g.render_notebook()

高阶应用：股价收益率与波动率可视化

此处代码较长省略。完整代码见Python金融量化知识星球。

02 柱状图Bar

下面以上证指数和创业板指数2010-2022年的年收益率构建柱状图，比较考察不同指数在各年的收益率情况。

indexs={'上证综指':'sh','创业板':'cyb'} index_price=pd.DataFrame({index:get_price(code).close for index,code in indexs.items()}).dropna() #index_price.head()

#指数年度收益率柱状图 index_ret=index_price/index_price.shift(1)-1 ss=index_ret.to_period('Y') sss=(ss.groupby(ss.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)

使用全部默认参数下的年收益率柱状图。

g=(Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("", sss['上证综指'].tolist())) g.render_notebook()

添加全局配置项和系列配置项，使图表反映更多细节，同时可以根据时间段进行区域缩放。

g = (Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("上证综指", sss['上证综指'].tolist(),gap="0%") .add_yaxis("创业板", sss['创业板'].tolist(),gap="0%") #添加全局配置项 .set_global_opts(title_opts=opts.TitleOpts(title="指数月收益率"), datazoom_opts=opts.DataZoomOpts(),#区域缩放配置项 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}%"))) .set_series_opts(#添加序列配置项 label_opts=opts.LabelOpts(is_show=True,formatter='{c}%'))) g.width = "100%" #设置画布比例 g.render_notebook()

高阶应用：2021年全球资产收益率对比分析。

此处代码较长省略。完整代码见Python金融量化知识星球。

03 K线图Kline

K线图是对证券交易行情可视化的最基本图表之一，也是我们股票量化分析的最基本工具。

#计算指标 def get_data(code,start='2021-01-01',end=''): df=get_price(code,start,end) df['ma5']=df.close.rolling(5).mean() df['ma20']=df.close.rolling(20).mean() df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9) return df.dropna().round(2)

df=get_data('sh') #df.head()

使用默认参数可以得到最基本的K线图。

g = (Kline() .add_xaxis(df['2022':].index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、low、high，转为list格式 .add_yaxis("",y_axis=df[['open', 'close', 'low', 'high']]['2022':].values.tolist()) ) g.render_notebook()

添加全局和系列配置项，强化细节展示。

def draw_kline(data): g = (Kline() .add_xaxis(data.index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、high、low，转为list格式 .add_yaxis(series_name="", y_axis=data[['open', 'close', 'low', 'high']].values.tolist(), itemstyle_opts=opts.ItemStyleOpts( color="red",#阳线红色 color0="green",#阴线绿色 border_color="red", border_color0="green",), markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),]), #添加辅助性，如某期间内最大max最小值min均值average markline_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="average", value_dim="close")], ),) .set_global_opts( datazoom_opts=[opts.DataZoomOpts()],#滑动模块选择 title_opts=opts.TitleOpts(title="股票K线图",pos_left='center'),)) return g

draw_kline(df).render_notebook()

高阶应用：K线图叠加成交量和技术指标。

#完整代码见Python金融量化知识星球。 def kline_volume_ta(data): pass

kline_volume_ta(df).render_notebook()

04 散点图Scatter

散点图通常用来反映两个变量之间的统计关系。pyecharts还支持展示多变量随着时间的变动趋势。

#创业板和上证综指历年收益率数据 #sss.head()

g = ( Scatter() .add_xaxis([str(d) for d in sss.index.year]) .add_yaxis("上证综指(%)",sss['上证综指'].tolist()) .add_yaxis("创业板(%)", sss['创业板'].tolist()) .set_global_opts( title_opts=opts.TitleOpts(title="指数历年收益率"), visualmap_opts=opts.VisualMapOpts(type_="size", is_show=False), xaxis_opts=opts.AxisOpts(type_="category", axisline_opts=opts.AxisLineOpts(is_on_zero=False), ), yaxis_opts=opts.AxisOpts(is_show=False,)) ) g.width = "100%" g.render_notebook()

g = (
Scatter()
.add_xaxis(sss['上证综指'].tolist())
.add_yaxis("", sss['创业板'].tolist(),
symbol_size=20,
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts('上证综指 VS 创业板'),
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(name='上证综指',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%')),
yaxis_opts=opts.AxisOpts(name='创业板',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%'),)))
g.width = "100%"
g.render_notebook()

05 热力图HeatMap

热力图实际上是个三维结构，考察两个特征维度下值的变动趋势。热力图可以应用在指数周期变化和热点板块轮动分析等。下面以指数近10年来月收益率的涨跌幅为例构建热力图。

heat_data=(index_price/index_price.shift(1)-1).to_period('M') heat_data=heat_data.groupby(heat_data.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2)) heat_data=heat_data['2011':'2021'] #heat_data.tail()

构建热力图的难点在于数据项value的值。

value = [[i,j,heat_data['上证综指'][str(2011+i)+'-'+str(1+j)]] for i in range(11) for j in range(12)] year=[str(i) for i in range(2011,2022)] month=[str(i)+'月' for i in range(1,13)] g = (HeatMap() .add_xaxis(year) .add_yaxis("", month, value, label_opts=opts.LabelOpts(is_show=True, position="inside"),) .set_global_opts( title_opts=opts.TitleOpts(title="上证综指月收益率(%)"), visualmap_opts=opts.VisualMapOpts(is_show=False,min_=-30,max_=30,))) g.render_notebook()

高阶应用：根据涨跌幅范围设置不同显示颜色

#不同点位设置不同颜色 代码省略。完整代码见Python金融量化知识星球。

结语

本文简单介绍了 Pyecharts （V1）基本情况、安装、模块调用和参数设置，并以股票交易数据为例，为大家展示了使用 Pyehcarts 构建直角坐标系下常用的图表，包括折线图、柱状图、K线图和热力图等。下一篇推文将进一步介绍Pyecharts其他图表的构建方法，包括日历图、仪表盘、地图、关系图等等，同时分享这些常见的图表在金融量化上的应用实例。

上一篇：炒股公式指标网(炒股公式方差公式)

下一篇：我想炒股如何开户(想学炒股去哪里学)