akshare、pyecharts、pandas实现指定A股股票K线、成交量图（可缩放、可指定日期）

用pyecharts画出股票K线图和成交量的方法

—————————————————————————————————————————————
在金融市场中，K线图是一种用来表现股票价格波动情况的图表。它通过表示股票开盘价、收盘价、最高价和最低价来描绘一段时间内的股票变化趋势。

本篇文章将要介绍如何使用 Python 的 pyecharts 库来绘制指定股票日期内的 K 线图和成交量图，并添加移动平均线。

首先需要安装需要的库：

pip install akshare pandas pyecharts

ps:如果下载慢请看pip命令镜像源、镜像源、pip安装库、python、python镜像源、清华镜像源配置

关于akshare

akshare是一个基于Python的开源金融数据接口库，提供了对股票、基金、期货、债券、外汇等金融市场数据的获取和处理功能，同时还包括宏观经济数据和区块链相关数据等。
使用akshare，用户可以通过简单的Python代码轻松获取各种金融数据，并进行相应的数据处理和分析。akshare所提供的数据接口都来自于一些公开的金融数据平台，如新浪财经、东方财富等。
除此之外，akshare还提供了一些常用的数据可视化工具，例如K线图、面积图、条形图等，方便用户对所获取的数据进行图表展示。同时，akshare还支持多种数据格式的导入和导出，如CSV、Excel等，便于用户将数据集成到自己的工作流程中。
导入相关库：

关于pyecharts

pyecharts是一个基于Python的开源可视化库，用于生成各种类型的交互式图表。它是由Apache ECharts团队开发的，因此所有的图表都使用ECharts作为底层渲染引擎，可以生成高质量、美观、交互性强的可视化图表。
pyecharts支持多种图表类型，包括折线图、柱状图、散点图、饼图、雷达图、地图等。此外，pyecharts还支持自定义主题和样式，使得用户可以轻松实现自己需要的图表效果。
在数据方面，pyecharts支持多种数据格式的导入，如CSV、Excel、JSON等，同时还支持与pandas等数据处理库集成，方便用户快速生成可视化图表。
在交互方面，pyecharts提供了鼠标悬停、点击、缩放、平移等功能，用户可以通过这些交互方式更加直观地理解数据。

关于pandas

pandas是一个基于Python的强大数据处理库，它提供了高效的数据操作和分析工具，能够方便地处理各种结构化数据。
pandas主要包含两个核心数据结构：Series和DataFrame。其中，Series用于表示一维数组，类似于Python中的列表，但支持更多的数据类型和操作；而DataFrame则是一个二维表格，每列可以有不同的数据类型，并且可以进行行列索引以及基于标签、位置等方式的数据选择和操作。
pandas支持从各种数据源读取数据，如CSV、Excel、SQL数据库、JSON等，同时也支持将数据写入这些数据源。除此之外，pandas还提供了强大的数据处理和分析功能，如数据清洗、合并、排序、聚合、透视等，以及时间序列数据分析和统计建模等高级分析工具。

导包

import time
import akshare as ak
import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
import datetime

在这个示例中，我们将绘制股票代码为“002318”、起始日期为60天前到当前日期的K线图和成交量图。

now = datetime.datetime.now()
yyyymmdd = '%04d%02d%02d'%(now.year,now.month,now.day)
last_month = datetime.datetime.today()-datetime.timedelta(days=60)
l_yyyymmdd = '%04d%02d%02d'%(last_month.year,last_month.month,last_month.day)df = ak.stock_zh_a_hist(symbol="002318", start_date=f'{l_yyyymmdd}', end_date=f'{yyyymmdd}', adjust="qfq").iloc[:, [0,1,2,3,4,5,7]]

akshare 库提供了一个名为 stock_zh_a_hist 的函数，用于获取 A 股历史行情数据。我们将从60天前（last_month）到现在（now）获取股票代码为 “002318” 的历史行情数据，该数据经过前复权处理（ adjust (调整) =“qfq”）。

接下来，对数据进行处理，设置 index (指数) 并新建列：

# 把date作为日期索引
df.index = pd.to_datetime(df.date)
df.index = df.index.strftime('%Y%m%d')
df = df.sort_index()
df['sma'] = df.close.rolling(5).mean()
df['lma'] = df.close.rolling(10).mean()
df['lma20'] = df.close.rolling(20).mean()
df['lma30'] = df.close.rolling(30).mean()
df['lma60'] = df.close.rolling(60).mean()

将 date (日期) 列设为 DataFrame 的 index (指数) ，并把日期格式转换成 %Y%m%d 的字符串格式。然后按日期排序，添加五种不同的移动平均线：MA5、MA10、MA20、MA30 和 MA60。

接下来，我们将使用 pyecharts 创建 K 线图及均线。

kline = (Kline(init_opts=opts.InitOpts(width="600px", height="300px")).add_xaxis(xaxis_data=list(df.index))  # X轴数据.add_yaxis(series_name="klines",  # 序列名称y_axis=df[["open", "close", "low", "high"]].values.tolist(),  # Y轴数据itemstyle_opts=opts.ItemStyleOpts(color="#ec0000", color0="#00da3c"),markpoint_opts=opts.MarkPointOpts(data=[  # 添加标记符opts.MarkPointItem(type_='max', name='最大值',value_index=4),opts.MarkPointItem(type_='min', name='最小值',value_index=3), ],# symbol='circle',# symbol_size=[100,30]),).set_global_opts(title_opts=opts.TitleOpts(title="K线及均线", pos_left='45%'),  # 标题位置legend_opts=opts.LegendOpts(pos_right="35%", pos_top="5%"),  # 图例位置# legend_opts=opts.LegendOpts(is_show=True, pos_bottom=10, pos_left="center"),datazoom_opts=[opts.DataZoomOpts(is_show=False,type_="inside",  # 内部缩放xaxis_index=[0, 1], # x轴和y轴都缩放 range_start=0, # 起始位置为0% range_end=100, # 结束位置为100% ), yaxis_opts= opts (选择) .AxisOpts(is_scale=True), # Y轴刻度自适应 ) )

添加 MA5 ,MA10,MA20,MA30,MA60折线图

line_ma5 = ( Line().add_xaxis(xaxis_data=list(df.index  )).add_yaxis( series_name="MA5", y_axis=df['sma'].values.tolist(), is_smooth=True, linestyle_opts= opts.LineStyleOpts( width  =2, opacity=0.5), label_opts= opts.LabelOpts(is_show=False), ) )
line_ma10 = ( Line().add_xaxis(xaxis_data=list(df.index  )).add_yaxis( series_name="MA10", y_axis=df['lma'].values.tolist(), is_smooth=True, linestyle_opts= opts.LineStyleOpts( width  =2, opacity=0.5), label_opts= opts.LabelOpts(is_show=False), ) )
line_ma20 = ( Line().add_xaxis(xaxis_data=list(df.index  )).add_yaxis( series_name="MA20", y_axis=df['lma20'].values.tolist(), is_smooth=True, linestyle_opts= opts.LineStyleOpts( width  =2, opacity=0.5), label_opts= opts.LabelOpts(is_show=False), ) )
line_ma30 = ( Line().add_xaxis(xaxis_data=list(df.index  )).add_yaxis( series_name="MA30", y_axis=df['lma30'].values.tolist(), is_smooth=True, linestyle_opts= opts.LineStyleOpts( width  =2, opacity=0.5), label_opts= opts.LabelOpts(is_show=False), ) )

画出成交量柱状图，并将所有图添加到grid中生成最后的html

bar = (Bar().add_xaxis(xaxis_data=list(df.index))  # X轴数据.add_yaxis(series_name="volume",y_axis=df["volume"].tolist(),  # Y轴数据xaxis_index=1,yaxis_index=1,label_opts=opts.LabelOpts(is_show=False),itemstyle_opts=opts.ItemStyleOpts(color='#ef232a'  # '#14b143'),).set_global_opts(xaxis_opts=opts.AxisOpts(type_="category",  # 坐标轴类型-离散数据grid_index=1,axislabel_opts=opts.LabelOpts(is_show=False),),legend_opts=opts.LegendOpts(is_show=False),).overlap(line_ma5).overlap(line_ma10).overlap(line_ma20))# 图像排列
grid_chart = Grid(init_opts=opts.InitOpts(width="1600px",  # 显示图形宽度height="800px",animation_opts=opts.AnimationOpts(animation=False),  # 关闭动画)
)grid_chart.add(  # 加入均线图kline,grid_opts=opts.GridOpts(pos_left="10%", pos_right="8%", height="30%"),
)
grid_chart.add(  # 加入成交量图bar,grid_opts=opts.GridOpts(pos_left="10%", pos_right="8%", pos_top="40%", height="20%"),
)
grid_chart.render("volume.html")