保姆级教程：用mplfinance和Tushare绘制A股专业K线图（附完整代码）

从零构建A股K线分析工具：mplfinance实战指南

引言

第一次打开股票软件时，那些红红绿绿的蜡烛图总让人既好奇又困惑。作为技术分析的基础工具，K线图能直观展示股价波动、成交量变化等关键信息。但对于刚接触Python量化分析的新手来说，从数据获取到专业图表生成，每一步都可能遇到意想不到的障碍。

本文将带你用mplfinance和Tushare搭建完整的A股数据分析流水线。不同于简单的API调用教程，我们会聚焦三个核心目标：

1. 解决真实场景问题：处理中文显示异常、日期格式转换等实际编码中的"坑"
2. 构建完整工作流：从环境配置到最终可视化，形成可复用的分析模板
3. 深入定制化图表：超越基础蜡烛图，添加均线、成交量等专业元素

无论你是金融专业学生还是个人投资者，这套代码都能直接应用于你的分析项目。我们将使用**贵州茅台(600519.SH)**作为示例，但所有代码只需修改股票代码即可适配其他A股。

1. 环境准备与数据获取

1.1 安装必要库

在开始前，确保已安装Python 3.7+环境。推荐使用conda创建独立环境：

conda create -n stock_analysis python=3.8 conda activate stock_analysis

安装核心依赖库：

pip install mplfinance pandas tushare matplotlib

注意：mplfinance是matplotlib的金融数据专用扩展库，相比原matplotlib.finance模块，它提供了更简洁的API和更专业的金融图表支持。

1.2 配置Tushare Pro接口

Tushare是目前最稳定的A股数据源之一，其Pro版本需要token验证：

1. 注册Tushare Pro账号
2. 在个人中心获取API token
3. 初始化接口：

import tushare as ts pro = ts.pro_api('你的token') # 替换为实际token

为方便后续分析，建议设置pandas显示选项：

import pandas as pd pd.set_option('display.max_columns', None) # 显示所有列 pd.set_option('display.unicode.ambiguous_as_wide', True) # 解决中文对齐问题

2. 数据获取与清洗

2.1 获取复权行情数据

股票除权除息会影响价格连续性，使用后复权数据(hfq)能更准确反映实际收益：

# 获取贵州茅台后复权日线数据 df = pro.daily(ts_code='600519.SH', start_date='20200101', end_date='20230630')

关键参数说明：

2.2 数据清洗与格式转换

原始数据需要转换为mplfinance要求的格式：

# 重命名列以匹配mplfinance要求 df = df.rename(columns={ 'trade_date': 'Date', 'open': 'Open', 'high': 'High', 'low': 'Low', 'close': 'Close', 'vol': 'Volume' }) # 转换日期格式并设为索引 df['Date'] = pd.to_datetime(df['Date']) df.set_index('Date', inplace=True) # 按日期升序排列 df = df.sort_index() # 保留必要列 df = df[['Open', 'High', 'Low', 'Close', 'Volume']]

常见问题处理：

• 日期格式错误：确保使用pd.to_datetime转换
• 列名不匹配：mplfinance严格要求Open/High/Low/Close/Volume列名
• 数据顺序：必须按日期升序排列

3. 基础K线图绘制

3.1 解决中文显示问题

matplotlib默认不支持中文，需额外配置：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题

3.2 绘制基础蜡烛图

使用mplfinance的plot函数绘制最基本K线：

import mplfinance as mpf mpf.plot(df, type='candle', title='贵州茅台日K线', ylabel='价格(元)')

参数解析：

• type='candle'：指定蜡烛图类型
• title：图表标题
• ylabel：Y轴标签

3.3 图表样式定制

mplfinance内置多种样式，可通过style参数切换：

# 查看可用样式 print(mpf.available_styles()) # 使用雅虎财经风格 mpf.plot(df, type='candle', style='yahoo', title='贵州茅台(Yahoo风格)')

常用样式对比：

4. 高级图表配置

4.1 添加移动平均线

移动平均线(MA)是判断趋势的重要指标：

mpf.plot(df, type='candle', mav=(5, 10, 20), # 5日、10日、20日均线 volume=True, # 显示成交量 title='贵州茅台带均线K线图')

MA参数配置技巧：

• 短线交易：关注5日、10日均线
• 中线投资：建议添加20日、60日均线
• 长线分析：可包含120日、250日均线

4.2 成交量分析

成交量是验证价格变动的重要指标：

mpf.plot(df, type='candle', mav=(5, 10, 20), volume=True, ylabel='价格', ylabel_lower='成交量', figratio=(12, 8), # 调整图表宽高比 figscale=1.2) # 整体缩放比例

成交量柱状图颜色规则：

• 红色：当日收盘价高于开盘价
• 绿色：当日收盘价低于开盘价

4.3 多图组合分析

使用addplot参数可以叠加技术指标：

# 计算RSI指标 delta = df['Close'].diff() gain = (delta.where(delta > 0, 0)).rolling(window=14).mean() loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean() rs = gain / loss rsi = 100 - (100 / (1 + rs)) # 创建附加绘图 apds = [mpf.make_addplot(rsi, panel=2, color='purple', ylabel='RSI')] mpf.plot(df, type='candle', mav=(5, 10, 20), volume=True, addplot=apds, figratio=(12, 10), title='贵州茅台K线+成交量+RSI')

常用技术指标集成方法：

1. MACD：

   exp12 = df['Close'].ewm(span=12, adjust=False).mean() exp26 = df['Close'].ewm(span=26, adjust=False).mean() macd = exp12 - exp26 signal = macd.ewm(span=9, adjust=False).mean()

2. 布林带：

   df['MA20'] = df['Close'].rolling(window=20).mean() df['Upper'] = df['MA20'] + 2*df['Close'].rolling(window=20).std() df['Lower'] = df['MA20'] - 2*df['Close'].rolling(window=20).std()

5. 实战技巧与问题排查

5.1 处理非交易日问题

A股市场有节假日休市，默认会留下空白：

# 填充非交易日 df_all_dates = df.asfreq('D') # 生成连续日期索引 mpf.plot(df_all_dates, type='candle', show_nontrading=True)

两种处理策略对比：

5.2 保存高清图表

为报告或演示保存高质量图片：

save_kwargs = dict( fname='茅台K线分析.png', dpi=300, # 打印质量 bbox_inches='tight' # 去除白边 ) mpf.plot(df, type='candle', savefig=save_kwargs)

推荐保存格式：

• PNG：适合屏幕查看
• PDF：适合打印和矢量编辑
• SVG：可进一步编辑的矢量格式

5.3 常见错误排查

1. 列名错误：

   KeyError: 'Open'

   检查数据列名是否准确匹配Open/High/Low/Close/Volume

2. 日期格式问题：

   TypeError: Cannot compare type 'Timestamp' with type 'str'

   确保使用pd.to_datetime转换日期列

3. 中文乱码：

   • 确认已配置中文字体
   • 检查系统是否安装SimHei字体

4. 图表显示不全：

   plt.tight_layout() # 自动调整子图间距

6. 完整代码示例

以下是可直接运行的完整示例：

import pandas as pd import matplotlib.pyplot as plt import mplfinance as mpf import tushare as ts # 1. 环境配置 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 2. 数据获取 pro = ts.pro_api('你的token') df = pro.daily(ts_code='600519.SH', start_date='20230101', end_date='20230630') # 3. 数据清洗 df = df.rename(columns={ 'trade_date': 'Date', 'open': 'Open', 'high': 'High', 'low': 'Low', 'close': 'Close', 'vol': 'Volume' }) df['Date'] = pd.to_datetime(df['Date']) df.set_index('Date', inplace=True) df = df.sort_index()[['Open', 'High', 'Low', 'Close', 'Volume']] # 4. 计算20日均线 df['MA20'] = df['Close'].rolling(20).mean() # 5. 创建附加绘图 apds = [ mpf.make_addplot(df['MA20'], color='blue', width=0.7) ] # 6. 绘制完整图表 mpf.plot(df, type='candle', mav=(5, 10), volume=True, addplot=apds, style='yahoo', title='贵州茅台专业K线分析', ylabel='价格(元)', ylabel_lower='成交量', figratio=(12, 8), savefig=dict(fname='茅台分析.png', dpi=300, bbox_inches='tight'))

7. 扩展应用方向

掌握了基础K线绘制后，可以考虑以下进阶应用：

1. 自动化报告生成：

   • 结合Jupyter Notebook定期生成分析报告
   • 使用Python自动化邮件发送最新分析

2. 多股对比分析：

   # 获取多只股票数据 stocks = ['600519.SH', '000858.SZ', '600036.SH'] dfs = {code: get_data(code) for code in stocks} # 对比绘制 fig, axes = plt.subplots(len(stocks), 1, figsize=(12, 18)) for ax, (code, df) in zip(axes, dfs.items()): mpf.plot(df, type='candle', ax=ax, title=code)

3. 交互式可视化：

   • 使用Plotly实现可交互K线图
   • 结合ipywidgets创建参数调节界面

4. 量化策略回测：

   • 基于K线形态开发交易策略
   • 结合backtrader等库进行历史回测

在实际项目中，我发现最实用的技巧是将这些图表生成过程封装成函数，比如创建一个plot_stock函数，只需传入股票代码和日期范围就能生成标准化的分析图表。这样不仅能提高工作效率，也便于保持团队内部的分析标准统一。