我用Python写了个实时板块资金热力图 🎨💰
大家好，这里是花姐，今天带来一个有点"热辣滚烫"的Python实战项目------实时板块资金热力图！🔥
这两年，股市的热度时高时低，但大家对资金流向的关注度始终不减。有没有办法直观地看到哪些板块在吸金，哪些板块在被资金抛弃呢？答案是：当然有！
于是，我撸起袖子，用 Python + Streamlit + AkShare + Plotly 搞了一款实时的资金流向可视化工具，颜值爆表，还能自动刷新，堪称炒股助手！🎯
📌 需求分析
在金融市场里，资金流向是一个很重要的指标，主力资金的流入流出往往决定了一个板块的短期走势。
我们希望做到：
✅ 实时获取资金流向数据 ，并展示行业板块的资金进出情况 。
✅ 可视化呈现数据 ，用颜色区分资金净流入和净流出，一眼就能看出哪些板块是**"香饽饽"，哪些是 "弃儿"**。
✅ 自动刷新，让用户无需手动点刷新，信息一直是最新的。
有了目标，就开始撸代码吧！🚀
🛠 技术栈
- Streamlit：Python神器，一键搞定Web应用。
- AkShare：国内行情数据神器，能直接获取资金流向数据。
- Plotly ：强大的可视化库，这次用它做树状热力图。
- Pandas：数据处理少不了它。
📊 代码实现
1. 获取资金流向数据
股市数据当然得从靠谱的地方获取，我们用 AkShare 的 stock_sector_fund_flow_rank 来搞定资金流数据：
python
import akshare as ak
import pandas as pd
def process_data(indicator):
"""获取并处理资金流数据"""
try:
raw = ak.stock_sector_fund_flow_rank(
indicator=indicator,
sector_type="行业资金流"
)
df = raw.rename(columns={'名称': '板块名称'})
df['资金净流入(亿)'] = df['主力净流入-净额'] / 100000000 # 转换为"亿"
df['资金净流入(亿)'] = df['资金净流入(亿)'].round(2) # 保留两位小数
df['涨跌幅'] = pd.to_numeric(df['涨跌幅'], errors='coerce')
df['流向强度'] = abs(df['资金净流入(亿)'])
return df.dropna(subset=['资金净流入(亿)'])
except Exception as e:
print(f"数据获取失败: {e}")
return pd.DataFrame()这样，我们可以用 process_data("今日") 来获取今日的行业板块资金流数据。
2. 生成热力图 🎨
有了数据，接下来就是可视化部分了，我们用 Plotly 画一个树状热力图：
python
import plotly.express as px
COLOR_SCALE = [
[0.0, "#00ff00"], # 绿色（流出最大）
[0.45, "#dfffdf"], # 浅绿色（小幅流出）
[0.5, "#ffffff"], # 白色（平衡点）
[0.55, "#ffe5e5"], # 浅红色（小幅流入）
[1.0, "#ff0000"] # 红色（流入最大）
]
def generate_heatmap(df):
"""生成树状热力图"""
fig = px.treemap(
df,
path=['板块名称'],
values='流向强度',
color='资金净流入(亿)',
color_continuous_scale=COLOR_SCALE,
hover_data={
'涨跌幅': ':%',
'资金净流入(亿)': ':'
},
height=800
)
return fig这张图的颜色代表资金的流向，红色表示资金流入，绿色表示资金流出，一眼就能看出主力资金的动向！
3. 使用 Streamlit 构建交互界面
有了数据和图表，我们用 Streamlit 搭建一个 Web 界面：
python
import streamlit as st
from datetime import datetime
def sidebar_controls():
with st.sidebar:
st.header("控制面板")
indicator = st.radio("分析周期", ["今日", "5日", "10日"], index=0, horizontal=True)
refresh_interval = st.slider("自动刷新间隔 (秒)", 60, 3600, 60, 60)
return indicator, refresh_interval
def main_display(df):
st.title("📊 资金流向热力图")
st.caption(f"数据更新时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
if not df.empty:
st.plotly_chart(generate_heatmap(df), use_container_width=True)
else:
st.warning("⚠️ 数据获取失败，请检查网络连接")4. 自动刷新系统 ⏳
资金流是动态的，当然不能只显示静态数据 ，我们加个 自动刷新功能：
python
import time
def auto_refresh_system(refresh_interval):
time.sleep(refresh_interval)
st.rerun()5. 整合一键运行 🚀
python
if __name__ == "__main__":
st.set_page_config(layout="wide")
indicator, refresh_interval = sidebar_controls()
df = process_data(indicator)
main_display(df)
auto_refresh_system(refresh_interval)只要运行 streamlit run app.py，就能看到实时的资金流向热力图了！🎉
🎯 成果展示
运行之后，你会看到一个 大屏可视化的热力图，资金流向一目了然：
- 颜色：红色代表资金流入，绿色代表流出，越深代表金额越大。
- 自动刷新，完全不用手动点击更新！
- 交互性：鼠标悬停可以查看详细数据。
这比在 Excel 里手动分析好用多了吧？😆
最终源码（粘贴过来就能用）
python
import streamlit as st
import akshare as ak
import plotly.express as px
import pandas as pd
import time
from datetime import datetime
from decimal import Decimal, ROUND_HALF_UP
# 自定义颜色映射
COLOR_SCALE = [
[0.0, "#00ff00"], # 绿色（资金流出最大）
[0.45, "#dfffdf"], # 浅绿色（小幅流出）
[0.5, "#ffffff"], # 白色（平衡点）
[0.55, "#ffe5e5"], # 浅红色（小幅流入）
[1.0, "#ff0000"] # 红色（资金流入最大）
]
# 数据预处理增强版
@st.cache_data(ttl=300)
def process_data(indicator):
"""强化数据预处理逻辑"""
try:
raw = ak.stock_sector_fund_flow_rank(
indicator=indicator,
sector_type="行业资金流"
)
raw.columns = raw.columns.str.replace(indicator, '', regex=False)
# 数值转换
df = raw.rename(columns={'名称': '板块名称'})
df['资金净流入(亿)'] = df['主力净流入-净额'] / 100000000
df['资金净流入(亿)'] = df['资金净流入(亿)'].round(2)
df['涨跌幅'] = pd.to_numeric(df['涨跌幅'], errors='coerce')
# 流向强度计算
df['流向强度'] = abs(df['资金净流入(亿)'])
return df.dropna(subset=['资金净流入(亿)'])
except Exception as e:
st.error(f"数据错误: {str(e)}")
return pd.DataFrame()
# 热力图生成引擎
def generate_heatmap(df):
"""生成符合金融行业标准的树状热力图"""
fig = px.treemap(
df,
path=['板块名称'],
values='流向强度',
color='资金净流入(亿)',
color_continuous_scale=COLOR_SCALE,
range_color=[-max(abs(df['资金净流入(亿)'].min()), abs(df['资金净流入(亿)'].max())),
max(abs(df['资金净流入(亿)'].min()), abs(df['资金净流入(亿)'].max()))],
color_continuous_midpoint=0,
branchvalues='total',
hover_data={
'涨跌幅': ':%',
'资金净流入(亿)': ':',
'主力净流入-净占比': ':%'
},
height=1000
)
# 高级样式配置
fig.update_traces(
texttemplate=(
"<b>%{label}</b><br>"
"📈%{customdata[0]}%<br>"
"💰%{customdata[1]}亿"
),
hovertemplate=(
"<b>%{label}</b><br>"
"涨跌幅: %{customdata[0]}%<br>"
"资金净流入: <b>%{customdata[1]}</b>亿<br>"
"主力占比: %{customdata[2]}%"
),
textfont=dict(size=18, color='black')
)
fig.update_layout(
margin=dict(t=0, l=0, r=0, b=0),
coloraxis_colorbar=dict(
title="资金流向(亿)",
ticks="inside",
thickness=20,
len=0.6,
y=0.7
)
)
return fig
# 侧边栏控件组
def sidebar_controls():
with st.sidebar:
st.header("控制面板")
indicator = st.radio(
"分析周期",
["今日", "5日", "10日"],
index=0,
horizontal=True
)
refresh_interval = st.slider(
"自动刷新间隔 (秒)",
min_value=60, max_value=3600,
value=60, step=60,
help="设置自动刷新间隔，默认1分钟"
)
return indicator, refresh_interval
# 主界面
def main_display(df):
st.title("📊 资金流向热力图")
st.caption(f"数据更新于: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
if not df.empty:
with st.spinner("生成可视化..."):
st.plotly_chart(generate_heatmap(df), use_container_width=True)
# 动态摘要面板
with st.expander("📌 实时快报", expanded=True):
col1, col2, col3 = st.columns(3)
col1.metric("🔥 最强流入",
f"{df['资金净流入(亿)'].max():.2f}亿",
df.loc[df['资金净流入(亿)'].idxmax(), '板块名称'])
col2.metric("💧 最大流出",
f"{df['资金净流入(亿)'].min():.2f}亿",
df.loc[df['资金净流入(亿)'].idxmin(), '板块名称'])
col3.metric("⚖️ 多空比",
f"{len(df[df['资金净流入(亿)']>0])}:{len(df[df['资金净流入(亿)']<0])}",
f"总净额 {df['资金净流入(亿)'].sum():.2f}亿")
else:
st.warning("⚠️ 数据获取失败，请检查网络连接")
# 自动刷新系统
def auto_refresh_system(refresh_interval):
time.sleep(refresh_interval)
st.rerun()
print("数据刷新了")
# 主程序
if __name__ == "__main__":
st.set_page_config(layout="wide")
indicator, refresh_interval = sidebar_controls()
df = process_data(indicator)
main_display(df)
auto_refresh_system(refresh_interval)🏆 总结
这个项目用 Python 搞定了： ✅ 数据抓取（AkShare）
✅ 数据处理（Pandas）
✅ 交互式可视化（Plotly）
✅ Web 界面（Streamlit）
✅ 自动刷新机制
一句话总结：用最少的代码，做出了最直观的金融数据可视化！💡
对于炒股的朋友，这个工具可以帮助你快速了解市场资金流向，不用再看密密麻麻的表格了！📈
喜欢的话，记得点个赞❤️，咱们下次见！🎉