画一个很炫纳斯达克100的看板，发朋友圈会很有面

颜值即正义

这是一张顶流投行都在使用的美股看板。

如果发到朋友圈，是不是瞬间甩周围人十八条街。

它甚至还是可以交互的。

热图显示了相当多的信息：

• 公司分布在不同的行业
• 方框的大小代表每家公司的市值
• 每只股票的颜色代表前一天股价的变化
• 交互式并允许放大和缩小

python的库

我们将使用以下三个库：pandas、yfinance和plotly。

pip install pandas yfinance plotly

获取股票数据

在此示例中，我将与从 S&P 500 公司中随机选择的 100 家公司合作。

获取 S&P 500 公司名单

此维基百科页面包含标准普尔 500 强公司。该列表采用表格格式，因此我们可以使用pandas.read_html直接抓取该信息。

请注意，有两个表，我们只需要第一个表。

import pandas as pd
sp500 = pd.read_html(r'https://en.wikipedia.org/wiki/List_of_S%26P_500_companies')[0]['Symbol']

下载个股资料

我们将使用yfinance库下载股票信息。

我们对以下信息感兴趣：

• 股票行情（已从维基百科获得）
• 公司部门
• 公司市值
• 股价变动（较前一交易日）

我们将初始化一些列表来存储上述信息：

tickers = []
deltas = []
sectors =[]
market_caps = []

然后我们将循环遍历 sp500 列表（其中包含 100 家随机选择的公司）并下载相关信息。

for ticker in sp500:
    
    try:
        ## create Ticker object
        stock = yf.Ticker(ticker)
        tickers.append(ticker)

        ## download info
        info = stock.info

        ## download sector
        sectors.append(info['sector'])

        ## download daily stock prices for 2 days
        hist = stock.history('2d')

        ## calculate change in stock price (from a trading day ago)
        deltas.append((hist['Close'][1]-hist['Close'][0])/hist['Close'][0])

        ## calculate market cap
        market_caps.append(info['sharesOutstanding'] * info['previousClose'])

        ## add print statement to ensure code is running
        print(f'downloaded {ticker}')
    except Exception as e:
        print(e)

请注意，yfinance库直接从雅虎财经网站抓取，速度可能相当慢。我们在代码中包含了一条print语句来显示消息，这样我们就可以看到代码正在运行而不是冻结。因此，这取决于您要下载多少家公司。要获取所有 S&P 500 公司，我建议您在后台运行代码，同时做其他事情。

如果您只想要 S&P 500 公司的子集，则 pandas.sample ()方法可以快速从 S&P 500 公司列表中选择一些随机样本。例如，sample(100) 将返回 100 个随机样本。

sp500 = sp500.sample(100)

使用 Python Plotly 绘制股票热图

现在我们已经掌握了所有信息，是时候在绘图之前进行一些数据处理了。

数据准备

首先，我们将所有数据放入 pandas 数据框中。

df = pd.DataFrame({'ticker':tickers,
                  'sector': sectors,
                  'delta': deltas,
                  'market_cap': market_caps,
                  })

然后，我们将根据股票价格的变化（即增量）将数据分为不同的组。这是为了给每个公司分配不同的颜色。

我选择了一些任意阈值：-100%、-2%、-1%、0%、1%、2% 和 100%。您可以选择任何适合您需求的乐队。

然后我们使用pd.cut方法对数据进行分箱。我们还根据 bin 分配颜色名称：

color_bin = [-1,-0.02,-0.01,0, 0.01, 0.02,1]
df['colors'] = pd.cut(df['delta'], bins=color_bin, labels=['red','indianred','lightpink','lightgreen','lime','green'])
df

生成的数据框如下所示：

使用plotly.express 绘图

plotly 库提供了两种不同的绘图类（和 API）。更简单的一种称为plotly.express，更高级的称为plotly.graph_objects。对于这个演示，我们将使用plotly.express。我们将在另一篇教程中讨论如何使用plotly.graph_objects，因为这需要更多的准备工作。

Plotly 有一个热图，但这不是我们要使用的！

相反，我们将使用树形图，这对于可视化分层数据（例如公司及其部门）很有帮助。

注意我们需要指定：

• 分层数据结构的路径参数。
• value参数决定每个框的大小。
• 颜色参数告诉函数在哪个数据帧列（即“颜色”列）中查找颜色信息。
• color_discrete_map参数是一个字典，它将每个颜色值（在“颜色”列中）映射到可以通过绘图呈现的颜色名称。
• 最后但并非最不重要的一点是，hover_data参数有助于格式化工具提示上的文本。即将小数转换为百分比。

import plotly.express as px
fig = px.treemap(df, path=[px.Constant("all"), 'sector','ticker'], values = 'market_cap', color='colors',
                 color_discrete_map ={'(?)':'#262931', 'red':'red', 'indianred':'indianred','lightpink':'lightpink', 'lightgreen':'lightgreen','lime':'lime','green':'green'},

                hover_data = {'delta':':.2p'}
                ))
fig.show()