简介这是一套基于Python开发的东方财富网股票数据可视化分析系统面向金融数据分析初学者、量化入门者及高校相关课程实践者旨在解决股票数据获取难、处理繁、图表展示不直观等实际问题。资源包共2000个文件含887个SVG矢量图表、627个PNG静态图、205个JS交互脚本、94个CSS样式文件及15个核心Python源码如app.py、config.py、models.py辅以design_stock.sql数据库建表脚本与requirements.txt依赖清单整体46.89MB结构完整覆盖前后端与数据层。已有173人学习下载资源内置深色/浅色双主题CSSstyle-dark.css等、多版本图标字体woff/eot/ttf及响应式前端组件可直接运行查看K线图、成交量热力图、行业涨跌幅雷达图等专业可视化效果并支持本地部署与二次开发。 说实话看到这个项目名我就知道是干什么的把东方财富网上那些公开的股票行情数据用Python拉下来再做清洗、分析、可视化展示。很多做量化研究、个人投资复盘或者课程设计的朋友都动过这个念头。这个项目的价值在于它把“数据获取—数据处理—可视化”这条链完整打通了不是只教你画一张K线图而是给你一套可以直接落地跑的股票数据可视化分析系统。这套东西适合谁三类人。第一类是刚学完Python基础、想找个真实项目练手的同学这套系统能把你学过的requests、pandas、pyecharts全串起来。第二类是平时看盘靠手动翻网页、想用程序自动汇总行情数据的个人投资者跑一次脚本数据全给你整理成表格和图表。第三类是做量化交易入门研究的开发者拿它当数据底座后面接策略回测也方便。下面我把这套系统的完整实现思路、技术选型逻辑、核心代码和踩坑记录都拆开讲一遍。所有代码都在Python 3.9以上版本实测跑过你照着敲就能复现。1. 项目整体设计与思路拆解1.1 为什么数据源选东方财富网做股票数据可视化第一步就是解决数据从哪来。市面上可选的公开数据源其实有好几个但综合对比下来东方财富网是最适合个人开发者做数据分析的。数据完整度上东方财富覆盖了A股全部股票的历史行情、实时行情、财务指标、资金流向、板块概念甚至龙虎榜数据都有开放接口。更新速度也够快分钟级数据基本实时同步做日内分析也能用。接入门槛上东财的接口不需要申请token不需要注册开发者账号直接通过HTTP请求就能拿数据这对个人项目来说非常友好。对比一下国内其他主流数据源tushare虽然数据质量好但很多高频接口需要积分积分要靠贡献或充值获取小白上手容易被卡住baostock免费但数据更新有延迟而且格式比较老国外数据源对A股支持又不够细。综合下来东方财富在“免费、稳定、覆盖面广”这三个维度上平衡得最好。不过要注意一点我实际开发时并没有直接用requests去抓东财的网页接口而是用了akshare这个开源库做中间层。akshare本质上是把东财、新浪、腾讯等公开数据接口做了一层统一封装返回的是已经格式化好的pandas DataFrame省掉了很多解析JSON、处理反爬的脏活累活。1.2 技术选型和模块划分这套系统的技术栈看起来很简单就Python几个常用库但每个库在项目里承担的角色是经过考虑的。数据采集层用akshare上一节说过它能稳定输出结构化的DataFrame天然适合接pandas做后续处理。这里我没有选择直接用requests写死东财接口是因为东财的接口参数和返回结构偶尔会调整通过akshare可以把“接口变动”这层风险挡在外面akshare社区更新频率很高基本东财接口一变akshare很快就跟进修复了。数据处理层用pandas加numpy。pandas做数据清洗、列名标准化、时间序列重采样、缺失值填充这些操作就是它的主场。numpy主要用来算收益率、波动率、移动平均这些指标时做向量化运算比纯Python循环快几个数量级。可视化层我用了pyecharts。选它不选matplotlib的原因很实际pyecharts生成的是交互式HTML图表鼠标悬停能看数值、能缩放、能切换K线周期这种交互体验用来做股票数据展示最合适。而且pyecharts的图表配色、布局审美在线最终交付的视觉效果比matplotlib那种静态图好太多了。matplotlib我只在需要快速出图验证时用用比如画个收益分布直方图。整个系统按功能拆成四个模块数据采集模块负责拉取行情和财务数据数据清洗模块负责统一字段格式、处理缺失值、计算衍生指标可视化模块负责生成K线图、走势图、涨跌分布图调度模块负责把这套流程串起来支持单个股票分析和多股票批量分析。1.3 这个设计能解决什么实际问题我见过不少类似的个人项目最容易犯的毛病是“能出图但不可复用”。写的时候各种硬编码换个股票要改一堆代码换个日期范围还要去改参数。这套系统在设计时就刻意规避了这个问题。数据采集函数全部参数化股票代码、起止日期、复权方式都作为函数参数传入。数据清洗逻辑独立成一个模块不管数据是akshare来的还是其他渠道来的进来之后统一清洗成一套标准格式。可视化部分按图表类型封装成不同函数K线图、走势图、柱状图各自独立互不影响。这样做的好处很明显今天你想分析“贵州茅台”明天换成“宁德时代”只需要改一行股票代码参数今天用日线数据画K线明天想用周线数据回测数据清洗模块里重采样函数直接支持。系统真正做到了“一套代码任意股票任意周期即插即用”。从长期使用的角度说写这套系统的绝对时间虽然比一次性脚本多但它是个能持续用下去的工具不是看完就跑的demo。2. 环境准备和依赖安装细节2.1 Python环境配置的几个关键选择建议使用Python 3.9及以上版本。我这里推荐3.10或者3.11这两个版本在性能和第三方库兼容性上比较平衡akshare和pyecharts对新版本Python支持都很及时不用担心兼容问题。强烈建议用虚拟环境别图省事直接装到全局环境里。股票数据可视化这种项目涉及依赖比较多akshare会带进来一堆间接依赖pandas、numpy这些库的版本又跟很多其他项目有耦合。用虚拟环境隔离后就算某个依赖版本升级搞坏了也不会影响你机器上其他项目的运行。创建方式很简单项目目录下执行python -m venv stock_envWindows系统激活命令是stock_env\Scripts\activateMac或Linux系统是source stock_env/bin/activate激活后命令行前面会出现(stock_env)前缀说明已经进入虚拟环境接下来安装的所有包都只会安装到这个环境里不会污染全局。2.2 依赖库清单与安装命令前面说了这个项目核心库有六个akshare、pandas、numpy、pyecharts、matplotlib、schedule。前五个负责核心功能schedule是个轻量级定时任务库我用它做每天收盘后自动拉取数据的定时调度这个后面细说。库名版本建议用途akshare 1.12.0获取股票行情、财务数据pandas 2.0.0数据清洗、处理、分析numpy 1.24.0数值计算、指标计算pyecharts 2.0.0生成交互式可视化图表matplotlib 3.7.0快速静态图、辅助分析schedule 1.2.0定时数据更新调度安装直接用一条命令搞定系统会自动解析依赖pip install akshare pandas numpy pyecharts matplotlib schedule如果网络环境不太好可以指定国内镜像源加速清华源或者阿里源都比较稳pip install -i https://pypi.tuna.tsinghua.edu.cn/simple akshare pandas numpy pyecharts matplotlib schedule安装完成后建议验证一下版本确保所有库都正常导入import akshare as ak import pandas as pd import numpy as np import pyecharts print(akshare版本:, ak.__version__) print(pandas版本:, pd.__version__) print(numpy版本:, np.__version__) print(pyecharts版本:, pyecharts.__version__)有版本号正常输出就说明环境没问题可以开始写代码了。2.3 数据获取合规需要注意的边界既然是做股票数据系统有些边界必须提前说清楚。这套系统用的所有数据都是东方财富网公开的市场行情数据个人用于学习研究、数据分析、辅助投资决策是没问题的。需要明确的是系统不应包含任何自动化下单、程序化交易的功能我也强烈不建议在这套系统上接入券商交易接口做自动交易那个涉及合规问题个人项目最好不要越线。另外程序在拉取数据时要主动控制频率比如每次请求之间做间隔限制。这既是技术上的礼貌也是实际需要——没有节制的高频请求会导致IP被对方服务器临时限制访问到时候反而拉不到数据了。这个在后面的代码里我会专门处理。3. 核心代码实现与实操要点3.1 数据采集模块实时行情与历史K线数据采集是整个系统的地基这个模块写好了后面所有分析都顺。先看历史K线数据的获取这是用的最多的数据接口。import akshare as ak import pandas as pd import time def fetch_hist_data(symbol: str, start_date: str 20200101, end_date: str , period: str daily): 获取股票历史行情数据 :param symbol: 股票代码6位数字如000001代表平安银行 :param start_date: 开始日期格式YYYYMMDD :param end_date: 结束日期格式YYYYMMDD默认今天 :param period: 周期daily日线 weekly周线 monthly月线 :return: 清洗后的DataFrame if not end_date: end_date pd.Timestamp.now().strftime(%Y%m%d) df ak.stock_zh_a_hist( symbolsymbol, periodperiod, start_datestart_date, end_dateend_date, adjustqfq # 前复权 ) # 统一列名为英文字段方便后续处理 df.columns [date, open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] return df # 调用示例拉取平安银行最近3年的日K线 df_hist fetch_hist_data(000001, start_date20220101) print(df_hist.head())这里有一个关键参数需要理解adjustqfq也就是前复权。股票会分红、送股、配股这些行为会导致股价在除权日出现跳空下跌如果不做复权处理K线图上就会出现不真实的巨大跌幅均线指标也会失真。前复权是以当前价格为基准把历史价格按比例调整这样技术指标的计算才是连续的、可比较的。实际分析中只要不是做精确的收益回测前复权数据基本够用了。实时行情数据用的是另一个接口返回的是全市场所有股票的实时快照def fetch_spot_data(): 获取A股全部股票实时行情快照 df_spot ak.stock_zh_a_spot_em() # 只保留分析用到的核心字段 core_cols [代码, 名称, 最新价, 涨跌幅, 涨跌额, 成交量, 成交额, 换手率, 市盈率-动态, 总市值] df_spot df_spot[core_cols] return df_spot这个接口返回大概五千多行覆盖全市场做全市场筛选、板块异动监控非常有用。实时行情拉取频率建议控制在两次请求间隔至少3秒以上避免触发频率限制。3.2 数据清洗与标准化分析质量的生命线拿到原始数据后直接拿去画图是不行的必须先做清洗标准化。这一步决定了下游分析质量的上限。我先列一下实际处理中优先级最高的几个问题。列名和类型标准化。不同接口返回的字段名不一样有的是中文有的是英文还有指数数据、板块数据这种特殊数据源字段差异更大。我的做法是统一转成英文小写这样后续写代码时不用频繁记中文列名也不容易因为中英文混用出错。复权因子处理。历史行情接口返回的数据已经带复权参数但如果哪天你切到原始数据记得除权日的跳空会直接扭曲走势判断。这个在代码里就是一行参数的事但忘了写就是完全不同的结果。缺失值处理。停牌股票在交易日志里会有缺失值尤其是连续停牌期间成交量、收盘价都是NaN。处理策略要分情况做K线可视化时停牌日直接删除行避免图表上出现断层做时间序列分析时需要前向填充或者插值否则收益计算会中断。我封装了一个函数统一处理def clean_stock_data(df: pd.DataFrame, handle_missing: str drop) - pd.DataFrame: 清洗股票数据 :param handle_missing: drop删除缺失行ffill前向填充 df df.copy() # 类型转换 numeric_cols [open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] for col in numeric_cols: df[col] pd.to_numeric(df[col], errorscoerce) # 处理缺失值 if handle_missing drop: df df.dropna(subset[close, volume]) elif handle_missing ffill: df df.fillna(methodffill) # 按日期升序排列确保时间序列连续 df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) return df技术指标衍生。分析时用到最多的均线、涨跌幅、波动率这些指标在清洗阶段就预先算好后面画图省事很多。日均线我用pandas的rolling函数5日、10日、20日、60日四条线够用了。def add_technical_indicators(df: pd.DataFrame) - pd.DataFrame: 计算常见技术指标均线、涨跌幅、振幅 df df.copy() # 移动平均线 df[ma5] df[close].rolling(window5).mean() df[ma10] df[close].rolling(window10).mean() df[ma20] df[close].rolling(window20).mean() df[ma60] df[close].rolling(window60).mean() # 日收益率百分比 df[daily_return] df[close].pct_change() * 100 # 区间涨跌幅最新收盘价相对20个交易日前的变化 df[return_20d] (df[close] / df[close].shift(20) - 1) * 100 return df3.3 可视化模块pyecharts画K线和走势图数据清洗好了接下来就是重头戏——把数据变成能看的图表。我用pyecharts实现了三张核心图K线加均线组合图、区间走势对比图、全市场涨跌分布图。这三张图基本覆盖了日常分析的大部分场景。先看最核心的K线加均线组合图from pyecharts import options as opts from pyecharts.charts import Kline, Line, Bar, Grid def build_kline_chart(df: pd.DataFrame, symbol: str) - Grid: 生成K线成交量均线组合图 dates df[date].astype(str).tolist() # K线数据格式[开盘, 收盘, 最低, 最高] kline_data df[[open, close, low, high]].values.tolist() # K线图 kline Kline() kline.add_xaxis(dates) kline.add_yaxis( series_nameK线, y_axiskline_data, itemstyle_optsopts.ItemStyleOpts( color#ef232a, # 阳线颜色 color0#14b143, # 阴线颜色 border_color#ef232a, border_color0#14b143 ), ) # 均线 line Line() line.add_xaxis(dates) for ma_name, ma_color in [(ma5, #ffd700), (ma10, #ff8c00), (ma20, #ff6347), (ma60, #9370db)]: line.add_yaxis( series_namema_name.upper(), y_axisdf[ma_name].round(2).tolist(), is_smoothTrue, is_symbol_showFalse, linestyle_optsopts.LineStyleOpts(width1.5, colorma_color), label_optsopts.LabelOpts(is_showFalse), ) # K线和均线叠加 kline.overlap(line) # 成交量柱状图用Grid布局放在下方 bar Bar() bar.add_xaxis(dates) bar.add_yaxis( series_name成交量, y_axisdf[volume].tolist(), xaxis_index1, yaxis_index1, label_optsopts.LabelOpts(is_showFalse), itemstyle_optsopts.ItemStyleOpts( color#6495ed ), ) # 使用Grid组合三个图 grid Grid() grid.add( kline, grid_optsopts.GridOpts(pos_left8%, pos_right8%, pos_top15%, height55%) ) grid.add( bar, grid_optsopts.GridOpts(pos_left8%, pos_right8%, pos_top75%, height15%) ) # 全局配置 grid.set_global_opts( title_optsopts.TitleOpts(titlef{symbol} 日K线走势, pos_leftcenter), legend_optsopts.LegendOpts(pos_top5%), tooltip_optsopts.TooltipOpts(triggeraxis, axis_pointer_typecross), datazoom_opts[ opts.DataZoomOpts(type_inside, xaxis_index[0, 1]), opts.DataZoomOpts(type_slider, xaxis_index[0, 1], pos_top92%) ], xaxis_optsopts.AxisOpts( type_category, grid_index0, axislabel_optsopts.LabelOpts(is_showFalse) ), yaxis_optsopts.AxisOpts( type_value, grid_index0, splitarea_optsopts.SplitAreaOpts(is_showTrue, areastyle_optsopts.AreaStyleOpts(opacity0.02)) ), ) return grid这个图表里K线是主体四条均线叠加在上方成交量柱状图放在底部。图表支持鼠标悬停查看每个交易日的开高低收和成交量底部还有缩略图导航可以拖动查看历史行情。第一次跑通看到这张图的时候说实话比网页版的行情软件看着都舒服。再来看走势对比图这个图适合把多只股票或者指数放到一起对比走势def build_compare_chart(df_dict: dict, title: str 走势对比图) - Line: 多股票走势对比图 :param df_dict: 字典键为股票名值为已清洗的DataFrame line Line() for name, df in df_dict.items(): # 以第一个交易日收盘价为基准归一化为100便于对比 base_price df[close].iloc[0] norm_price (df[close] / base_price * 100).round(2) line.add_xaxis(df[date].astype(str).tolist()) line.add_yaxis( series_namename, y_axisnorm_price.tolist(), is_smoothTrue, linestyle_optsopts.LineStyleOpts(width2), label_optsopts.LabelOpts(is_showFalse), areastyle_optsopts.AreaStyleOpts(opacity0.1), ) line.set_global_opts( title_optsopts.TitleOpts(titletitle, pos_leftcenter), legend_optsopts.LegendOpts(pos_top5%), tooltip_optsopts.TooltipOpts(triggeraxis), yaxis_optsopts.AxisOpts( type_value, name归一化价格(基准100), splitline_optsopts.SplitLineOpts(is_showTrue) ), datazoom_opts[ opts.DataZoomOpts(type_inside), opts.DataZoomOpts(type_slider) ] ) return line这里有个细节值得说下对比走势时不同股票的绝对价格差异很大茅台一千多块银行股几块钱直接画在同一张图上低价股的走势曲线会被压成一条直线什么都看不出来。所以我做了归一化处理把每只股票的起始价格都设为100后续价格按比例变动。这样比的就是“从起点开始涨跌幅的表现”价格高低不再影响比较曲线走势立刻清晰了。最后是全市场涨跌分布直方图这个是从全市场实时行情快照生成用来快速判断市场整体情绪import matplotlib.pyplot as plt def build_market_distribution(spot_df: pd.DataFrame): 画出全市场涨跌幅分布直方图 plt.rcParams[font.sans-serif] [SimHei] # 解决中文乱码 plt.rcParams[axes.unicode_minus] False # 解决负号显示问题 pct spot_df[涨跌幅].dropna() fig, ax plt.subplots(figsize(12, 6)) ax.hist(pct, bins80, range(-10, 10), color#4169E1, alpha0.8) ax.axvline(x0, colorred, linestyle--, linewidth1.5) ax.axvline(xpct.median(), colororange, linestyle--, linewidth1.5, labelf中位数: {pct.median():.2f}%) ax.set_xlabel(涨跌幅 (%)) ax.set_ylabel(股票数量) ax.set_title(全市场涨跌幅分布) ax.legend() plt.tight_layout() return fig这张图一眼就能看出市场当天是普涨还是普跌中位数线在零轴右侧说明市场偏强左侧偏弱。这个和指数涨跌配合着看很有效指数涨但中位数跌说明是权重股拉的指数大部分个股在跌这种情况俗称“赚指数不赚钱”对于短线操作很有参考意义。3.4 主流程与调度让系统自己跑起来代码分模块写完以后还要串成主流程。我的设计是支持两个模式单股分析和全市场快照。def analyze_single_stock(symbol: str, name: str, output_dir: str output): 单只股票全流程分析 # 1. 拉取数据 df_raw fetch_hist_data(symbol, start_date20220101) # 2. 清洗 df_clean clean_stock_data(df_raw) # 3. 添加技术指标 df_teach add_technical_indicators(df_clean) # 4. 生成K线图 chart build_kline_chart(df_teach, f{name}({symbol})) chart.render(f{output_dir}/{symbol}_kline.html) # 5. 控制台输出摘要信息 latest df_teach.iloc[-1] print(f{name} 最新收盘: {latest[close]}) print(f{name} 当前5日均线: {latest[ma5]:.2f}) print(f{name} 当前20日均线: {latest[ma20]:.2f}) print(f区间涨跌幅(20日): {latest[return_20d]:.2f}%) # 6. 数据存CSV方便后续用 df_teach.to_csv(f{output_dir}/{symbol}_data.csv, indexFalse, encodingutf-8-sig) def market_snapshot(output_dir: str output): 全市场快照分析 df_spot fetch_spot_data() # 输出几个关键统计指标 total len(df_spot) up (df_spot[涨跌幅] 0).sum() down (df_spot[涨跌幅] 0).sum() flat (df_spot[涨跌幅] 0).sum() print(f全市场 {total} 只股票上涨 {up} 只下跌 {down} 只平盘 {flat} 只) print(f上涨占比: {up / total * 100:.2f}%) # 生成涨跌分布图 fig build_market_distribution(df_spot) fig.savefig(f{output_dir}/market_distribution.png, dpi150, bbox_inchestight) plt.close(fig)定时调度用schedule库比如设置每个交易日下午16点自动更新一次全市场数据import schedule import time def job(): print(开始执行每日数据更新...) market_snapshot() print(数据更新完成) # 工作日16:00执行周一到周五 schedule.every().monday.at(16:00).do(job) schedule.every().tuesday.at(16:00).do(job) schedule.every().wednesday.at(16:00).do(job) schedule.every().thursday.at(16:00).do(job) schedule.every().friday.at(16:00).do(job) while True: schedule.run_pending() time.sleep(60)有个坑必须提一下schedule的周一到周五定时任务要像上面这样分别注册不能只写一行schedule.every().day.at(16:00).do(job)那样周末也会执行但周末A股不开盘拉到的数据跟周五收盘一样反而会产生重复和误导。更稳妥的做法是在job函数内部判断当天是不是交易日比如用akshare的tool_trade_date_hist_sina()接口拉一下交易日历来判断非交易日直接跳过。4. 常见问题与排查技巧实录4.1 数据拉取失败或请求频率被限制这个是我实际运行中遇到最多的问题尤其在连续快速拉取几十只股票数据的时候。表现就是akshare抛异常报错信息一般是TimeoutError或者包含HTTP 403的状态码。排查思路是这样的先确认是不是单次请求网络问题直接重跑一次看能不能成功如果连续多次失败基本可以确定是请求频率太高被服务端限流了。解决办法是主动控制请求节奏在循环拉取多只股票时加休眠每两次请求之间至少sleep 1到2秒同时加上重试机制失败后延迟重试最多重试3次import time import random def fetch_with_retry(symbol: str, retries: int 3): for i in range(retries): try: return fetch_hist_data(symbol) except Exception as e: print(f第{i1}次尝试获取{symbol}失败: {e}) if i retries - 1: wait_time random.uniform(2, 5) time.sleep(wait_time) raise RuntimeError(f{symbol} 数据获取失败已重试{retries}次)另外可以在requests层面加一个User-Agent请求头模拟正常浏览器的访问。akshare底层其实可以通过传入请求参数来设置更通用的做法是手动构造requests.Session来接管请求import requests session requests.Session() session.headers.update({ User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 })4.2 数据接口返回结构变化导致解析报错东财的接口偶尔会调整字段名或者数据结构akshare本身会跟进但从拉取到本地处理的过程中如果akshare还没更新而接口已经变了你拿到的DataFrame列名可能对不上。这种问题排查方式比较直接把原始返回的DataFrame打印出来看列名和当前代码里用的是否一致不一致就调整代码里的列映射。更稳妥的做法是在数据清洗阶段加一层“列名校验”如果代码里预期列不存在就早失败早暴露而不是等到最后画图才出错def validate_columns(df: pd.DataFrame, required_cols: list): missing [col for col in required_cols if col not in df.columns] if missing: raise ValueError(f数据缺少必要字段: {missing}实际列名: {df.columns.tolist()}) return True4.3 pyecharts生成的HTML图表中文乱码这个问题是很多新手第一个遇到的。pyecharts生成的HTML默认是UTF-8编码浏览器打开一般不会有问题但如果你在代码里给图表加了自定义的中文标签偶尔会出现乱码究其原因还是本地PyCharm或终端的控制台编码跟UTF-8不一致导致生成的HTML内部混入了GBK编码的中文。解决方案是在代码文件开头明确指定编码# -*- coding: utf-8 -*-同时确保PyCharm的项目文件编码设置为UTF-8路径在File - Settings - Editor - File Encodings把Global Encoding和Project Encoding都设为UTF-8。做matplotlib静态图时要单独设置中文字体plt.rcParams[font.sans-serif] [SimHei] # 用它显示中文 plt.rcParams[axes.unicode_minus] False # 用它正常显示负号如果SimHei字体没生效用plt.rcParams[font.sans-serif].insert(0, Microsoft YaHei)换微软雅黑试试。4.4 多股票批量分析时的性能优化当需要批量分析几十只股票时如果每只都实时拉取历史数据总耗时可能要好几分钟。我的优化思路是加一层本地缓存当天已经拉取过的数据存成CSV文件到本地下次直接用文件不再请求网络。因为股票行情每天收盘后是不变的当天内多次分析没必须重新拉取全量历史数据。import os def get_cached_data(symbol: str, start_date: str, end_date: str, cache_dir: str cache): 带缓存的获取数据当日数据已存在则直接读本地 os.makedirs(cache_dir, exist_okTrue) cache_file os.path.join(cache_dir, f{symbol}_{start_date}_{end_date}.csv) if os.path.exists(cache_file): df_cached pd.read_csv(cache_file) latest_date pd.to_datetime(df_cached[date]).max().strftime(%Y%m%d) if latest_date end_date: print(f{symbol} 使用本地缓存) return df_cached df fetch_with_retry(symbol, start_date, end_date) df.to_csv(cache_file, indexFalse, encodingutf-8-sig) return df这个缓存的思路很朴素但对日常使用帮助极大。我之前批量分析重点关注股票池里40多只股票加缓存以后第二次跑同一批股票从原来的5分钟缩短到30秒以内。4.5 时段影响与数据完整性问题非交易时段拉不到当天数据的坑也要注意。比如周末或者节假日实时行情接口会返回之前最后一个交易日的快照如果不判断日期直接使用可能会误以为数据更新滞后。我加了一个简单的判断def is_trading_day(date_str: str ) - bool: 简单判断是否交易日周一至周五 if not date_str: d pd.Timestamp.now() else: d pd.to_datetime(date_str) return d.weekday() 5 # 0-4代表周一到周五这里其实已经简化处理了没有排除法定节假日如果要求严格判断用akshare拉一下tool_trade_date_hist_sina()接口拿到完整交易日历比对一下就行。历史数据拉取也有坑。akshare的stock_zh_a_hist接口返回的是前复权数据但停牌期间的缺失行在不同接口可能处理方式不一样有的直接不返回停牌日有的返回NaN。做回测分析时不连续的时间序列会导致收益率计算错乱所以要特别留意停牌日的处理策略严格按照前面清洗函数里的逻辑做缺失值删除或者填充。5. 进阶扩展方向系统跑通之后往上加东西就很容易了。几个我试过觉得实用的扩展方向供你参考。**板块与概念分析。**akshare提供板块数据接口比如行业板块、概念板块的日K线。加上这个模块后就能实现“先选出强势板块再从板块内挑强势个股”这种自上而下的选股思路。**多因子条件筛选。**在高频的实时行情快照基础上用数据分析的筛选逻辑只保留满足条件的股票。比如筛选同时满足“市盈率低于20倍、ROE大于15%、换手率在3%到8%之间”的股票几千只股票几秒钟就能筛完比你一只只翻F10效率高太多。**邮件自动推送日报。**配合smtplib库把每天生成的分析图表、筛选结果、市场统计指标打包成邮件定时推送给自己。这个相当于给自己做了一个私人投资日报。我在实际使用这套系统的过程中最深的体会是“数据干净了分析才有意义”。很多人一上来就画图最后发现图表出了但数据源头没处理干净出的结论都是错的。这套系统里清洗模块我花了最多时间反复打磨收益也最大。另外爬取公开数据时始终保持克制控制请求频率、做好缓存这样项目才能长期稳定运行也不会给数据源造成压力。最后再分享一个小经验设计模块的时候别贪多求全。我当时也想过把止损提醒、量化信号、仓位计算都塞进去后来发现功能越加越复杂核心的“取数据、洗干净、画好图”反而被拖累了。先跑通核心闭环后续再根据实际需要一步步扩展这才是个人项目最务实的路径。本文还有配套的精品资源点击获取 Python股票数据可视化分析系统：从数据获取到图表展示
简介这是一套基于Python开发的东方财富网股票数据可视化分析系统面向金融数据分析初学者、量化入门者及高校相关课程实践者旨在解决股票数据获取难、处理繁、图表展示不直观等实际问题。资源包共2000个文件含887个SVG矢量图表、627个PNG静态图、205个JS交互脚本、94个CSS样式文件及15个核心Python源码如app.py、config.py、models.py辅以design_stock.sql数据库建表脚本与requirements.txt依赖清单整体46.89MB结构完整覆盖前后端与数据层。已有173人学习下载资源内置深色/浅色双主题CSSstyle-dark.css等、多版本图标字体woff/eot/ttf及响应式前端组件可直接运行查看K线图、成交量热力图、行业涨跌幅雷达图等专业可视化效果并支持本地部署与二次开发。 说实话看到这个项目名我就知道是干什么的把东方财富网上那些公开的股票行情数据用Python拉下来再做清洗、分析、可视化展示。很多做量化研究、个人投资复盘或者课程设计的朋友都动过这个念头。这个项目的价值在于它把“数据获取—数据处理—可视化”这条链完整打通了不是只教你画一张K线图而是给你一套可以直接落地跑的股票数据可视化分析系统。这套东西适合谁三类人。第一类是刚学完Python基础、想找个真实项目练手的同学这套系统能把你学过的requests、pandas、pyecharts全串起来。第二类是平时看盘靠手动翻网页、想用程序自动汇总行情数据的个人投资者跑一次脚本数据全给你整理成表格和图表。第三类是做量化交易入门研究的开发者拿它当数据底座后面接策略回测也方便。下面我把这套系统的完整实现思路、技术选型逻辑、核心代码和踩坑记录都拆开讲一遍。所有代码都在Python 3.9以上版本实测跑过你照着敲就能复现。1. 项目整体设计与思路拆解1.1 为什么数据源选东方财富网做股票数据可视化第一步就是解决数据从哪来。市面上可选的公开数据源其实有好几个但综合对比下来东方财富网是最适合个人开发者做数据分析的。数据完整度上东方财富覆盖了A股全部股票的历史行情、实时行情、财务指标、资金流向、板块概念甚至龙虎榜数据都有开放接口。更新速度也够快分钟级数据基本实时同步做日内分析也能用。接入门槛上东财的接口不需要申请token不需要注册开发者账号直接通过HTTP请求就能拿数据这对个人项目来说非常友好。对比一下国内其他主流数据源tushare虽然数据质量好但很多高频接口需要积分积分要靠贡献或充值获取小白上手容易被卡住baostock免费但数据更新有延迟而且格式比较老国外数据源对A股支持又不够细。综合下来东方财富在“免费、稳定、覆盖面广”这三个维度上平衡得最好。不过要注意一点我实际开发时并没有直接用requests去抓东财的网页接口而是用了akshare这个开源库做中间层。akshare本质上是把东财、新浪、腾讯等公开数据接口做了一层统一封装返回的是已经格式化好的pandas DataFrame省掉了很多解析JSON、处理反爬的脏活累活。1.2 技术选型和模块划分这套系统的技术栈看起来很简单就Python几个常用库但每个库在项目里承担的角色是经过考虑的。数据采集层用akshare上一节说过它能稳定输出结构化的DataFrame天然适合接pandas做后续处理。这里我没有选择直接用requests写死东财接口是因为东财的接口参数和返回结构偶尔会调整通过akshare可以把“接口变动”这层风险挡在外面akshare社区更新频率很高基本东财接口一变akshare很快就跟进修复了。数据处理层用pandas加numpy。pandas做数据清洗、列名标准化、时间序列重采样、缺失值填充这些操作就是它的主场。numpy主要用来算收益率、波动率、移动平均这些指标时做向量化运算比纯Python循环快几个数量级。可视化层我用了pyecharts。选它不选matplotlib的原因很实际pyecharts生成的是交互式HTML图表鼠标悬停能看数值、能缩放、能切换K线周期这种交互体验用来做股票数据展示最合适。而且pyecharts的图表配色、布局审美在线最终交付的视觉效果比matplotlib那种静态图好太多了。matplotlib我只在需要快速出图验证时用用比如画个收益分布直方图。整个系统按功能拆成四个模块数据采集模块负责拉取行情和财务数据数据清洗模块负责统一字段格式、处理缺失值、计算衍生指标可视化模块负责生成K线图、走势图、涨跌分布图调度模块负责把这套流程串起来支持单个股票分析和多股票批量分析。1.3 这个设计能解决什么实际问题我见过不少类似的个人项目最容易犯的毛病是“能出图但不可复用”。写的时候各种硬编码换个股票要改一堆代码换个日期范围还要去改参数。这套系统在设计时就刻意规避了这个问题。数据采集函数全部参数化股票代码、起止日期、复权方式都作为函数参数传入。数据清洗逻辑独立成一个模块不管数据是akshare来的还是其他渠道来的进来之后统一清洗成一套标准格式。可视化部分按图表类型封装成不同函数K线图、走势图、柱状图各自独立互不影响。这样做的好处很明显今天你想分析“贵州茅台”明天换成“宁德时代”只需要改一行股票代码参数今天用日线数据画K线明天想用周线数据回测数据清洗模块里重采样函数直接支持。系统真正做到了“一套代码任意股票任意周期即插即用”。从长期使用的角度说写这套系统的绝对时间虽然比一次性脚本多但它是个能持续用下去的工具不是看完就跑的demo。2. 环境准备和依赖安装细节2.1 Python环境配置的几个关键选择建议使用Python 3.9及以上版本。我这里推荐3.10或者3.11这两个版本在性能和第三方库兼容性上比较平衡akshare和pyecharts对新版本Python支持都很及时不用担心兼容问题。强烈建议用虚拟环境别图省事直接装到全局环境里。股票数据可视化这种项目涉及依赖比较多akshare会带进来一堆间接依赖pandas、numpy这些库的版本又跟很多其他项目有耦合。用虚拟环境隔离后就算某个依赖版本升级搞坏了也不会影响你机器上其他项目的运行。创建方式很简单项目目录下执行python -m venv stock_envWindows系统激活命令是stock_env\Scripts\activateMac或Linux系统是source stock_env/bin/activate激活后命令行前面会出现(stock_env)前缀说明已经进入虚拟环境接下来安装的所有包都只会安装到这个环境里不会污染全局。2.2 依赖库清单与安装命令前面说了这个项目核心库有六个akshare、pandas、numpy、pyecharts、matplotlib、schedule。前五个负责核心功能schedule是个轻量级定时任务库我用它做每天收盘后自动拉取数据的定时调度这个后面细说。库名版本建议用途akshare 1.12.0获取股票行情、财务数据pandas 2.0.0数据清洗、处理、分析numpy 1.24.0数值计算、指标计算pyecharts 2.0.0生成交互式可视化图表matplotlib 3.7.0快速静态图、辅助分析schedule 1.2.0定时数据更新调度安装直接用一条命令搞定系统会自动解析依赖pip install akshare pandas numpy pyecharts matplotlib schedule如果网络环境不太好可以指定国内镜像源加速清华源或者阿里源都比较稳pip install -i https://pypi.tuna.tsinghua.edu.cn/simple akshare pandas numpy pyecharts matplotlib schedule安装完成后建议验证一下版本确保所有库都正常导入import akshare as ak import pandas as pd import numpy as np import pyecharts print(akshare版本:, ak.__version__) print(pandas版本:, pd.__version__) print(numpy版本:, np.__version__) print(pyecharts版本:, pyecharts.__version__)有版本号正常输出就说明环境没问题可以开始写代码了。2.3 数据获取合规需要注意的边界既然是做股票数据系统有些边界必须提前说清楚。这套系统用的所有数据都是东方财富网公开的市场行情数据个人用于学习研究、数据分析、辅助投资决策是没问题的。需要明确的是系统不应包含任何自动化下单、程序化交易的功能我也强烈不建议在这套系统上接入券商交易接口做自动交易那个涉及合规问题个人项目最好不要越线。另外程序在拉取数据时要主动控制频率比如每次请求之间做间隔限制。这既是技术上的礼貌也是实际需要——没有节制的高频请求会导致IP被对方服务器临时限制访问到时候反而拉不到数据了。这个在后面的代码里我会专门处理。3. 核心代码实现与实操要点3.1 数据采集模块实时行情与历史K线数据采集是整个系统的地基这个模块写好了后面所有分析都顺。先看历史K线数据的获取这是用的最多的数据接口。import akshare as ak import pandas as pd import time def fetch_hist_data(symbol: str, start_date: str 20200101, end_date: str , period: str daily): 获取股票历史行情数据 :param symbol: 股票代码6位数字如000001代表平安银行 :param start_date: 开始日期格式YYYYMMDD :param end_date: 结束日期格式YYYYMMDD默认今天 :param period: 周期daily日线 weekly周线 monthly月线 :return: 清洗后的DataFrame if not end_date: end_date pd.Timestamp.now().strftime(%Y%m%d) df ak.stock_zh_a_hist( symbolsymbol, periodperiod, start_datestart_date, end_dateend_date, adjustqfq # 前复权 ) # 统一列名为英文字段方便后续处理 df.columns [date, open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] return df # 调用示例拉取平安银行最近3年的日K线 df_hist fetch_hist_data(000001, start_date20220101) print(df_hist.head())这里有一个关键参数需要理解adjustqfq也就是前复权。股票会分红、送股、配股这些行为会导致股价在除权日出现跳空下跌如果不做复权处理K线图上就会出现不真实的巨大跌幅均线指标也会失真。前复权是以当前价格为基准把历史价格按比例调整这样技术指标的计算才是连续的、可比较的。实际分析中只要不是做精确的收益回测前复权数据基本够用了。实时行情数据用的是另一个接口返回的是全市场所有股票的实时快照def fetch_spot_data(): 获取A股全部股票实时行情快照 df_spot ak.stock_zh_a_spot_em() # 只保留分析用到的核心字段 core_cols [代码, 名称, 最新价, 涨跌幅, 涨跌额, 成交量, 成交额, 换手率, 市盈率-动态, 总市值] df_spot df_spot[core_cols] return df_spot这个接口返回大概五千多行覆盖全市场做全市场筛选、板块异动监控非常有用。实时行情拉取频率建议控制在两次请求间隔至少3秒以上避免触发频率限制。3.2 数据清洗与标准化分析质量的生命线拿到原始数据后直接拿去画图是不行的必须先做清洗标准化。这一步决定了下游分析质量的上限。我先列一下实际处理中优先级最高的几个问题。列名和类型标准化。不同接口返回的字段名不一样有的是中文有的是英文还有指数数据、板块数据这种特殊数据源字段差异更大。我的做法是统一转成英文小写这样后续写代码时不用频繁记中文列名也不容易因为中英文混用出错。复权因子处理。历史行情接口返回的数据已经带复权参数但如果哪天你切到原始数据记得除权日的跳空会直接扭曲走势判断。这个在代码里就是一行参数的事但忘了写就是完全不同的结果。缺失值处理。停牌股票在交易日志里会有缺失值尤其是连续停牌期间成交量、收盘价都是NaN。处理策略要分情况做K线可视化时停牌日直接删除行避免图表上出现断层做时间序列分析时需要前向填充或者插值否则收益计算会中断。我封装了一个函数统一处理def clean_stock_data(df: pd.DataFrame, handle_missing: str drop) - pd.DataFrame: 清洗股票数据 :param handle_missing: drop删除缺失行ffill前向填充 df df.copy() # 类型转换 numeric_cols [open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] for col in numeric_cols: df[col] pd.to_numeric(df[col], errorscoerce) # 处理缺失值 if handle_missing drop: df df.dropna(subset[close, volume]) elif handle_missing ffill: df df.fillna(methodffill) # 按日期升序排列确保时间序列连续 df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) return df技术指标衍生。分析时用到最多的均线、涨跌幅、波动率这些指标在清洗阶段就预先算好后面画图省事很多。日均线我用pandas的rolling函数5日、10日、20日、60日四条线够用了。def add_technical_indicators(df: pd.DataFrame) - pd.DataFrame: 计算常见技术指标均线、涨跌幅、振幅 df df.copy() # 移动平均线 df[ma5] df[close].rolling(window5).mean() df[ma10] df[close].rolling(window10).mean() df[ma20] df[close].rolling(window20).mean() df[ma60] df[close].rolling(window60).mean() # 日收益率百分比 df[daily_return] df[close].pct_change() * 100 # 区间涨跌幅最新收盘价相对20个交易日前的变化 df[return_20d] (df[close] / df[close].shift(20) - 1) * 100 return df3.3 可视化模块pyecharts画K线和走势图数据清洗好了接下来就是重头戏——把数据变成能看的图表。我用pyecharts实现了三张核心图K线加均线组合图、区间走势对比图、全市场涨跌分布图。这三张图基本覆盖了日常分析的大部分场景。先看最核心的K线加均线组合图from pyecharts import options as opts from pyecharts.charts import Kline, Line, Bar, Grid def build_kline_chart(df: pd.DataFrame, symbol: str) - Grid: 生成K线成交量均线组合图 dates df[date].astype(str).tolist() # K线数据格式[开盘, 收盘, 最低, 最高] kline_data df[[open, close, low, high]].values.tolist() # K线图 kline Kline() kline.add_xaxis(dates) kline.add_yaxis( series_nameK线, y_axiskline_data, itemstyle_optsopts.ItemStyleOpts( color#ef232a, # 阳线颜色 color0#14b143, # 阴线颜色 border_color#ef232a, border_color0#14b143 ), ) # 均线 line Line() line.add_xaxis(dates) for ma_name, ma_color in [(ma5, #ffd700), (ma10, #ff8c00), (ma20, #ff6347), (ma60, #9370db)]: line.add_yaxis( series_namema_name.upper(), y_axisdf[ma_name].round(2).tolist(), is_smoothTrue, is_symbol_showFalse, linestyle_optsopts.LineStyleOpts(width1.5, colorma_color), label_optsopts.LabelOpts(is_showFalse), ) # K线和均线叠加 kline.overlap(line) # 成交量柱状图用Grid布局放在下方 bar Bar() bar.add_xaxis(dates) bar.add_yaxis( series_name成交量, y_axisdf[volume].tolist(), xaxis_index1, yaxis_index1, label_optsopts.LabelOpts(is_showFalse), itemstyle_optsopts.ItemStyleOpts( color#6495ed ), ) # 使用Grid组合三个图 grid Grid() grid.add( kline, grid_optsopts.GridOpts(pos_left8%, pos_right8%, pos_top15%, height55%) ) grid.add( bar, grid_optsopts.GridOpts(pos_left8%, pos_right8%, pos_top75%, height15%) ) # 全局配置 grid.set_global_opts( title_optsopts.TitleOpts(titlef{symbol} 日K线走势, pos_leftcenter), legend_optsopts.LegendOpts(pos_top5%), tooltip_optsopts.TooltipOpts(triggeraxis, axis_pointer_typecross), datazoom_opts[ opts.DataZoomOpts(type_inside, xaxis_index[0, 1]), opts.DataZoomOpts(type_slider, xaxis_index[0, 1], pos_top92%) ], xaxis_optsopts.AxisOpts( type_category, grid_index0, axislabel_optsopts.LabelOpts(is_showFalse) ), yaxis_optsopts.AxisOpts( type_value, grid_index0, splitarea_optsopts.SplitAreaOpts(is_showTrue, areastyle_optsopts.AreaStyleOpts(opacity0.02)) ), ) return grid这个图表里K线是主体四条均线叠加在上方成交量柱状图放在底部。图表支持鼠标悬停查看每个交易日的开高低收和成交量底部还有缩略图导航可以拖动查看历史行情。第一次跑通看到这张图的时候说实话比网页版的行情软件看着都舒服。再来看走势对比图这个图适合把多只股票或者指数放到一起对比走势def build_compare_chart(df_dict: dict, title: str 走势对比图) - Line: 多股票走势对比图 :param df_dict: 字典键为股票名值为已清洗的DataFrame line Line() for name, df in df_dict.items(): # 以第一个交易日收盘价为基准归一化为100便于对比 base_price df[close].iloc[0] norm_price (df[close] / base_price * 100).round(2) line.add_xaxis(df[date].astype(str).tolist()) line.add_yaxis( series_namename, y_axisnorm_price.tolist(), is_smoothTrue, linestyle_optsopts.LineStyleOpts(width2), label_optsopts.LabelOpts(is_showFalse), areastyle_optsopts.AreaStyleOpts(opacity0.1), ) line.set_global_opts( title_optsopts.TitleOpts(titletitle, pos_leftcenter), legend_optsopts.LegendOpts(pos_top5%), tooltip_optsopts.TooltipOpts(triggeraxis), yaxis_optsopts.AxisOpts( type_value, name归一化价格(基准100), splitline_optsopts.SplitLineOpts(is_showTrue) ), datazoom_opts[ opts.DataZoomOpts(type_inside), opts.DataZoomOpts(type_slider) ] ) return line这里有个细节值得说下对比走势时不同股票的绝对价格差异很大茅台一千多块银行股几块钱直接画在同一张图上低价股的走势曲线会被压成一条直线什么都看不出来。所以我做了归一化处理把每只股票的起始价格都设为100后续价格按比例变动。这样比的就是“从起点开始涨跌幅的表现”价格高低不再影响比较曲线走势立刻清晰了。最后是全市场涨跌分布直方图这个是从全市场实时行情快照生成用来快速判断市场整体情绪import matplotlib.pyplot as plt def build_market_distribution(spot_df: pd.DataFrame): 画出全市场涨跌幅分布直方图 plt.rcParams[font.sans-serif] [SimHei] # 解决中文乱码 plt.rcParams[axes.unicode_minus] False # 解决负号显示问题 pct spot_df[涨跌幅].dropna() fig, ax plt.subplots(figsize(12, 6)) ax.hist(pct, bins80, range(-10, 10), color#4169E1, alpha0.8) ax.axvline(x0, colorred, linestyle--, linewidth1.5) ax.axvline(xpct.median(), colororange, linestyle--, linewidth1.5, labelf中位数: {pct.median():.2f}%) ax.set_xlabel(涨跌幅 (%)) ax.set_ylabel(股票数量) ax.set_title(全市场涨跌幅分布) ax.legend() plt.tight_layout() return fig这张图一眼就能看出市场当天是普涨还是普跌中位数线在零轴右侧说明市场偏强左侧偏弱。这个和指数涨跌配合着看很有效指数涨但中位数跌说明是权重股拉的指数大部分个股在跌这种情况俗称“赚指数不赚钱”对于短线操作很有参考意义。3.4 主流程与调度让系统自己跑起来代码分模块写完以后还要串成主流程。我的设计是支持两个模式单股分析和全市场快照。def analyze_single_stock(symbol: str, name: str, output_dir: str output): 单只股票全流程分析 # 1. 拉取数据 df_raw fetch_hist_data(symbol, start_date20220101) # 2. 清洗 df_clean clean_stock_data(df_raw) # 3. 添加技术指标 df_teach add_technical_indicators(df_clean) # 4. 生成K线图 chart build_kline_chart(df_teach, f{name}({symbol})) chart.render(f{output_dir}/{symbol}_kline.html) # 5. 控制台输出摘要信息 latest df_teach.iloc[-1] print(f{name} 最新收盘: {latest[close]}) print(f{name} 当前5日均线: {latest[ma5]:.2f}) print(f{name} 当前20日均线: {latest[ma20]:.2f}) print(f区间涨跌幅(20日): {latest[return_20d]:.2f}%) # 6. 数据存CSV方便后续用 df_teach.to_csv(f{output_dir}/{symbol}_data.csv, indexFalse, encodingutf-8-sig) def market_snapshot(output_dir: str output): 全市场快照分析 df_spot fetch_spot_data() # 输出几个关键统计指标 total len(df_spot) up (df_spot[涨跌幅] 0).sum() down (df_spot[涨跌幅] 0).sum() flat (df_spot[涨跌幅] 0).sum() print(f全市场 {total} 只股票上涨 {up} 只下跌 {down} 只平盘 {flat} 只) print(f上涨占比: {up / total * 100:.2f}%) # 生成涨跌分布图 fig build_market_distribution(df_spot) fig.savefig(f{output_dir}/market_distribution.png, dpi150, bbox_inchestight) plt.close(fig)定时调度用schedule库比如设置每个交易日下午16点自动更新一次全市场数据import schedule import time def job(): print(开始执行每日数据更新...) market_snapshot() print(数据更新完成) # 工作日16:00执行周一到周五 schedule.every().monday.at(16:00).do(job) schedule.every().tuesday.at(16:00).do(job) schedule.every().wednesday.at(16:00).do(job) schedule.every().thursday.at(16:00).do(job) schedule.every().friday.at(16:00).do(job) while True: schedule.run_pending() time.sleep(60)有个坑必须提一下schedule的周一到周五定时任务要像上面这样分别注册不能只写一行schedule.every().day.at(16:00).do(job)那样周末也会执行但周末A股不开盘拉到的数据跟周五收盘一样反而会产生重复和误导。更稳妥的做法是在job函数内部判断当天是不是交易日比如用akshare的tool_trade_date_hist_sina()接口拉一下交易日历来判断非交易日直接跳过。4. 常见问题与排查技巧实录4.1 数据拉取失败或请求频率被限制这个是我实际运行中遇到最多的问题尤其在连续快速拉取几十只股票数据的时候。表现就是akshare抛异常报错信息一般是TimeoutError或者包含HTTP 403的状态码。排查思路是这样的先确认是不是单次请求网络问题直接重跑一次看能不能成功如果连续多次失败基本可以确定是请求频率太高被服务端限流了。解决办法是主动控制请求节奏在循环拉取多只股票时加休眠每两次请求之间至少sleep 1到2秒同时加上重试机制失败后延迟重试最多重试3次import time import random def fetch_with_retry(symbol: str, retries: int 3): for i in range(retries): try: return fetch_hist_data(symbol) except Exception as e: print(f第{i1}次尝试获取{symbol}失败: {e}) if i retries - 1: wait_time random.uniform(2, 5) time.sleep(wait_time) raise RuntimeError(f{symbol} 数据获取失败已重试{retries}次)另外可以在requests层面加一个User-Agent请求头模拟正常浏览器的访问。akshare底层其实可以通过传入请求参数来设置更通用的做法是手动构造requests.Session来接管请求import requests session requests.Session() session.headers.update({ User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 })4.2 数据接口返回结构变化导致解析报错东财的接口偶尔会调整字段名或者数据结构akshare本身会跟进但从拉取到本地处理的过程中如果akshare还没更新而接口已经变了你拿到的DataFrame列名可能对不上。这种问题排查方式比较直接把原始返回的DataFrame打印出来看列名和当前代码里用的是否一致不一致就调整代码里的列映射。更稳妥的做法是在数据清洗阶段加一层“列名校验”如果代码里预期列不存在就早失败早暴露而不是等到最后画图才出错def validate_columns(df: pd.DataFrame, required_cols: list): missing [col for col in required_cols if col not in df.columns] if missing: raise ValueError(f数据缺少必要字段: {missing}实际列名: {df.columns.tolist()}) return True4.3 pyecharts生成的HTML图表中文乱码这个问题是很多新手第一个遇到的。pyecharts生成的HTML默认是UTF-8编码浏览器打开一般不会有问题但如果你在代码里给图表加了自定义的中文标签偶尔会出现乱码究其原因还是本地PyCharm或终端的控制台编码跟UTF-8不一致导致生成的HTML内部混入了GBK编码的中文。解决方案是在代码文件开头明确指定编码# -*- coding: utf-8 -*-同时确保PyCharm的项目文件编码设置为UTF-8路径在File - Settings - Editor - File Encodings把Global Encoding和Project Encoding都设为UTF-8。做matplotlib静态图时要单独设置中文字体plt.rcParams[font.sans-serif] [SimHei] # 用它显示中文 plt.rcParams[axes.unicode_minus] False # 用它正常显示负号如果SimHei字体没生效用plt.rcParams[font.sans-serif].insert(0, Microsoft YaHei)换微软雅黑试试。4.4 多股票批量分析时的性能优化当需要批量分析几十只股票时如果每只都实时拉取历史数据总耗时可能要好几分钟。我的优化思路是加一层本地缓存当天已经拉取过的数据存成CSV文件到本地下次直接用文件不再请求网络。因为股票行情每天收盘后是不变的当天内多次分析没必须重新拉取全量历史数据。import os def get_cached_data(symbol: str, start_date: str, end_date: str, cache_dir: str cache): 带缓存的获取数据当日数据已存在则直接读本地 os.makedirs(cache_dir, exist_okTrue) cache_file os.path.join(cache_dir, f{symbol}_{start_date}_{end_date}.csv) if os.path.exists(cache_file): df_cached pd.read_csv(cache_file) latest_date pd.to_datetime(df_cached[date]).max().strftime(%Y%m%d) if latest_date end_date: print(f{symbol} 使用本地缓存) return df_cached df fetch_with_retry(symbol, start_date, end_date) df.to_csv(cache_file, indexFalse, encodingutf-8-sig) return df这个缓存的思路很朴素但对日常使用帮助极大。我之前批量分析重点关注股票池里40多只股票加缓存以后第二次跑同一批股票从原来的5分钟缩短到30秒以内。4.5 时段影响与数据完整性问题非交易时段拉不到当天数据的坑也要注意。比如周末或者节假日实时行情接口会返回之前最后一个交易日的快照如果不判断日期直接使用可能会误以为数据更新滞后。我加了一个简单的判断def is_trading_day(date_str: str ) - bool: 简单判断是否交易日周一至周五 if not date_str: d pd.Timestamp.now() else: d pd.to_datetime(date_str) return d.weekday() 5 # 0-4代表周一到周五这里其实已经简化处理了没有排除法定节假日如果要求严格判断用akshare拉一下tool_trade_date_hist_sina()接口拿到完整交易日历比对一下就行。历史数据拉取也有坑。akshare的stock_zh_a_hist接口返回的是前复权数据但停牌期间的缺失行在不同接口可能处理方式不一样有的直接不返回停牌日有的返回NaN。做回测分析时不连续的时间序列会导致收益率计算错乱所以要特别留意停牌日的处理策略严格按照前面清洗函数里的逻辑做缺失值删除或者填充。5. 进阶扩展方向系统跑通之后往上加东西就很容易了。几个我试过觉得实用的扩展方向供你参考。**板块与概念分析。**akshare提供板块数据接口比如行业板块、概念板块的日K线。加上这个模块后就能实现“先选出强势板块再从板块内挑强势个股”这种自上而下的选股思路。**多因子条件筛选。**在高频的实时行情快照基础上用数据分析的筛选逻辑只保留满足条件的股票。比如筛选同时满足“市盈率低于20倍、ROE大于15%、换手率在3%到8%之间”的股票几千只股票几秒钟就能筛完比你一只只翻F10效率高太多。**邮件自动推送日报。**配合smtplib库把每天生成的分析图表、筛选结果、市场统计指标打包成邮件定时推送给自己。这个相当于给自己做了一个私人投资日报。我在实际使用这套系统的过程中最深的体会是“数据干净了分析才有意义”。很多人一上来就画图最后发现图表出了但数据源头没处理干净出的结论都是错的。这套系统里清洗模块我花了最多时间反复打磨收益也最大。另外爬取公开数据时始终保持克制控制请求频率、做好缓存这样项目才能长期稳定运行也不会给数据源造成压力。最后再分享一个小经验设计模块的时候别贪多求全。我当时也想过把止损提醒、量化信号、仓位计算都塞进去后来发现功能越加越复杂核心的“取数据、洗干净、画好图”反而被拖累了。先跑通核心闭环后续再根据实际需要一步步扩展这才是个人项目最务实的路径。本文还有配套的精品资源点击获取