

> 收盘后翻一遍自选股，10 只票涨涨跌跌各不相同，看完就忘。哪天白酒强、哪天银行杀，凭印象根本说不清。这一篇把"市场冷暖"画成地图：涨跌家数看人气、涨跌幅直方图看分布、个股×交易日热度矩阵看轮动——整张盘面一屏扫完。

## 一、盘面冷热，为什么要用"图"看

每天 5000 多只股票，人脑处理不了原始行情，但处理得了三张图：

1. **涨跌家数对比**：每天上涨多少家、下跌多少家——最朴素的市场情绪计；
2. **涨跌幅分布直方图**：今天的涨跌是"普涨普跌"还是"极端分化"，直方图的形状一望便知；
3. **热度矩阵**：行是个股、列是交易日，格子颜色红深绿深代表当日涨跌幅——连看 10 天，板块轮动的节奏自己会"跳"出来。

**本文你将得到：**

1. 多只行业代表股数据批量拉取与按日期对齐的手法；
2. 每日涨跌家数分组条形图（涨红跌绿）的画法；
3. `imshow` 热度矩阵 + 数值标注 + 色条的完整代码；
4. 行业层面聚合均值，把个股热度升级成"板块热度"。

## 二、准备环境

```bash
pip install mairui matplotlib pandas numpy
```

本篇选 10 只行业代表股（白酒、银行、新能源、医药、券商各 2 只），每只调一次行情 API 拉日线。证书换成你自己的即可拿到真实行情。

## 三、完整代码（已实测跑通）

```python
from mairui import Client
import random
import pandas as pd
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
RED, GREEN = "#d43f3a", "#3a9d5d"           # A股惯例：涨红跌绿

# 代码 -> (名称, 行业, 演示扰动种子)
STOCKS = {
    "600519": ("贵州茅台", "白酒", 101),
    "000858": ("五粮液", "白酒", 102),
    "601398": ("工商银行", "银行", 103),
    "600036": ("招商银行", "银行", 104),
    "300750": ("宁德时代", "新能源", 105),
    "002594": ("比亚迪", "新能源", 106),
    "600276": ("恒瑞医药", "医药", 107),
    "300760": ("迈瑞医疗", "医药", 108),
    "600030": ("中信证券", "券商", 109),
    "601688": ("华泰证券", "券商", 110),
}


def perturb(bars, seed):
    # 演示证书返回固定样例数据；每股不同种子做确定性 ±5% 扰动，
    # 模拟差异化走势。换成正式证书后删掉本函数调用即可。
    rng = random.Random(seed)
    out = []
    for b in bars:
        k = 1.0 + (rng.random() - 0.5) * 0.10
        nb = dict(b)
        for f in ("o", "c", "h", "l"):
            if f in nb and nb[f] is not None:
                nb[f] = round(float(nb[f]) * k, 2)
        out.append(nb)
    return out


def fetch_closes(code):
    bars = Client(LICENCE).stock_history(code=code, st="", et="", period="d", dividend="f")
    if not bars:
        raise RuntimeError(f"{code} 未获取到数据，请检查证书是否有效")
    bars = perturb(bars, STOCKS[code][2])
    return pd.Series([float(b["c"]) for b in bars],
                     index=[str(b.get("t", "")) for b in bars])


def main(out="sector_heatmap.png"):
    px = pd.DataFrame({c: fetch_closes(c) for c in STOCKS}).dropna()
    ret = px.pct_change().dropna() * 100  # 日涨跌幅（%）

    # 行业热度：个股涨跌幅按行业分组取均值
    industry_map = {c: STOCKS[c][1] for c in STOCKS}
    ind_ret = ret.T.groupby(ret.columns.map(industry_map)).mean().T

    up_cnt = (ret > 0).sum(axis=1)   # 每日上涨家数
    dn_cnt = (ret < 0).sum(axis=1)   # 每日下跌家数
    last_day = ret.index[-1]

    print(f"共同交易日: {len(px)} 天 | 区间: {px.index[0]} ~ {px.index[-1]}")
    print(f"最新交易日 {last_day}：上涨 {int(up_cnt.iloc[-1])} 家 / 下跌 {int(dn_cnt.iloc[-1])} 家")
    for ind in ["白酒", "银行", "新能源", "医药", "券商"]:
        cols = [c for c in ret.columns if industry_map[c] == ind]
        print(f"  {ind}: 当日均涨跌 {ret[cols].iloc[-1].mean():+.2f}% "
              f"| 近10日累计 {ind_ret[ind].tail(10).sum():+.2f}%")

    fig = plt.figure(figsize=(13, 9))
    gs = fig.add_gridspec(2, 2, height_ratios=[1, 1.4])
    # 图1：每日涨跌家数
    ax1 = fig.add_subplot(gs[0, 0])
    x = range(len(up_cnt))
    ax1.bar([i - 0.2 for i in x], up_cnt.values, width=0.4, color=RED, alpha=0.8, label="上涨家数")
    ax1.bar([i + 0.2 for i in x], dn_cnt.values, width=0.4, color=GREEN, alpha=0.8, label="下跌家数")
    ax1.set_title("每日涨跌家数", fontsize=13)
    ax1.set_xlabel("交易日序号"); ax1.set_ylabel("家数")
    ax1.legend(fontsize=10); ax1.grid(alpha=0.25, axis="y")
    # 图2：最新日涨跌幅分布直方图
    ax2 = fig.add_subplot(gs[0, 1])
    last_ret = ret.iloc[-1]
    ax2.hist(last_ret[last_ret >= 0], bins=8, color=RED, alpha=0.8, label="上涨")
    ax2.hist(last_ret[last_ret < 0], bins=8, color=GREEN, alpha=0.8, label="下跌")
    ax2.axvline(0, color="#555", linewidth=0.8)
    ax2.set_title(f"最新日涨跌幅分布（{last_day}）", fontsize=13)
    ax2.set_xlabel("涨跌幅（%）"); ax2.set_ylabel("个股数")
    ax2.legend(fontsize=10); ax2.grid(alpha=0.25, axis="y")
    # 图3：近10日 个股×交易日 热度矩阵
    ax3 = fig.add_subplot(gs[1, :])
    show = ret.tail(10)
    data = show.T.values
    vmax = max(abs(data.min()), abs(data.max()))
    im = ax3.imshow(data, cmap="RdYlGn_r", vmin=-vmax, vmax=vmax, aspect="auto")
    ax3.set_xticks(range(len(show)))
    ax3.set_xticklabels([d[5:] for d in show.index], fontsize=9)
    ax3.set_yticks(range(len(STOCKS)))
    ax3.set_yticklabels([f"{STOCKS[c][0]}({c})" for c in show.columns], fontsize=9)
    ax3.set_title("近10日个股涨跌幅热度矩阵（红=涨 绿=跌）", fontsize=13)
    for i in range(data.shape[0]):
        for j in range(data.shape[1]):
            ax3.text(j, i, f"{data[i, j]:.1f}", ha="center", va="center",
                     color="#222", fontsize=7.5)
    fig.colorbar(im, ax=ax3, fraction=0.03, pad=0.01, label="涨跌幅（%）")
    plt.suptitle("板块轮动热力监控", fontsize=15)
    plt.tight_layout(rect=[0, 0, 1, 0.96])
    plt.savefig(out, dpi=120)
    plt.close(fig)
    print(f"图表已保存: {out}")


if __name__ == "__main__":
    main()
```

## 四、真实运行结果

在 Python 3.9 环境实测运行，控制台输出：

```text
共同交易日: 50 天 | 区间: 2025-09-15 ~ 2025-12-01
最新交易日 2025-12-01：上涨 5 家 / 下跌 5 家
  白酒: 当日均涨跌 +1.29% | 近10日累计 +0.84%
  银行: 当日均涨跌 -3.17% | 近10日累计 -6.09%
  新能源: 当日均涨跌 +0.32% | 近10日累计 +0.27%
  医药: 当日均涨跌 +5.30% | 近10日累计 +2.65%
  券商: 当日均涨跌 -1.65% | 近10日累计 -1.99%
图表已保存: sector_heatmap.png
```

生成的 `sector_heatmap.png`：上左是 50 天里红绿柱的拉锯（哪几天红柱压倒性多数，哪几天绿柱成片，情绪拐点直接可见）；上右是最新日的涨跌幅分布；下方通栏热度矩阵 10 行 × 10 列，红色格连成一片的行就是强势股、绿色成片的行就是持续阴跌——横向扫过去，轮动节奏尽收眼底。从汇总数字也能读出同样的信息：医药当日 +5.30% 最强，银行近 10 日累计 -6.09% 最弱。

> 说明：演示证书下 10 只股票的原始样例数据相同，代码用每股不同的扰动种子模拟差异化走势；换成你自己的正式证书后删掉 `perturb` 调用，10 只股票各自的真实行情直接成图，其余逻辑零改动。

## 五、两个必须懂的实现细节

1. **热度矩阵的对称色标**：`vmin=-vmax, vmax=vmax` 且以最大绝对值为准——保证红绿的"深浅刻度"对称，+3% 和 -3% 颜色深浅一致，否则涨跌会被视觉放大或缩小。
2. **行业热度先转置再分组**：`ret.T.groupby(...)` 把"列=股票代码"转成行再按行业映射分组求均值。直接在原始 DataFrame 上按列分组容易踩 `axis` 语义坑，转置后写法最直观。

## 六、小结与下篇预告

涨跌家数看情绪、直方图看分布、热度矩阵看轮动——三张图把"盘面冷暖"从印象变成了证据。再配合 #03 的多股对比，你的自选股监控已经有了完整的静态武器库。

**下篇预告**：《【Python量化数据可视化 #06】从静态图到看板：搭建你的量化监控可视化面板》——把前面几篇的图拼成一块每天自动刷新的监控面板，越限自动标红。

## 免责声明

本文所有代码与数据仅用于技术学习与演示，不构成任何投资建议。股市有风险，投资需谨慎。

## 代码与文档

SDK 与更多语言版本：https://github.com/MaiRuiApi


收盘后翻一遍自选股，10 只票涨涨跌跌各不相同，看完就忘。哪天白酒强、哪天银行杀，凭印象根本说不清。这一篇把"市场冷暖"画成地图：涨跌家数看人气、涨跌幅直方图看分布、个股×交易日热度矩阵看轮动——整张盘面一屏扫完。

【Python量化数据可视化 #05】板块轮动一眼看穿：涨跌分布与热力图实战

人工智能

本文介绍如何用三张可视化图表监控A股市场冷暖：涨跌家数柱状图反映每日市场情绪，涨跌幅直方图展示个股分布，个股×交易日热度矩阵揭示板块轮动节奏。通过10只行业代表股数据演示完整Python代码实现，涵盖数据抓取、行业聚合和热力图绘制，帮您将盘面信息转化为直观判断依据。

数据可视化

代码解释

Python

GitHub

2026上云采购 | AI焕新·智启新局

tcmg

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化数据可视化 #05】板块轮动一眼看穿：涨跌分布与热力图实战-腾讯云开发者社区-腾讯云

【Python量化数据可视化 #05】板块轮动一眼看穿：涨跌分布与热力图实战

【Python量化数据可视化 #05】板块轮动一眼看穿：涨跌分布与热力图实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐