前五篇我们一直在跟数字打交道：NumPy 算数组，Pandas 读表格。你可能已经发现了，df.head() 打出来一大屏数字，看半天也看不出这支股票到底是在涨还是在跌。人眼对数字不敏感，但对图形极其敏感——一条曲线往上翘还是往下弯，一眼就看出来了。这就是为什么所有量化平台的第一屏都是图，而不是表格。
上一篇我们学了 Pandas 的时间序列与滚动计算，会用 rolling 算滚动均值了。算出来的均线如果只是打印数字，很难直观感受它「贴合价格、滞后于价格」的特性。本篇就在这个基础上补上最后一块拼图：可视化。我们会学 Python 画图的标准库 matplotlib，把价格、成交量画出来，最后亲手画一张简化的 K 线图——K 线是全世界股民最熟悉的图形，能自己画出来，你对 OHLC 数据的理解会上一个台阶。
本篇目标
学完本篇，你能够做到：
- 理解 matplotlib 的两层结构：
figure（画布）与axes（子图），不再分不清plt.plot和ax.plot的区别。 - 解决 matplotlib 显示中文和负号的乱码问题，让图表标题、坐标轴正常显示中文。
- 把价格和成交量画在上下两个联动的子图里，形成专业的行情图布局。
- 用柱体颜色区分涨跌，画出一张「简化版 K 线图」，理解 K 线的 OHLC 本质。
- 知道
mplfinance这个进阶库的存在，以后画正经 K 线图可以偷懒用它。
核心概念
figure 与 axes：画布和画纸
matplotlib 有两种使用方式，新手很容易在这里晕。第一种是「 pyplot 交互式」：直接调 plt.plot()、plt.title()，matplotlib 帮你悄悄维护一个「当前图」，画完调 plt.show() 展示。这种方式写起来快，适合一两张简单图。
第二种是「面向对象式」：先显式创建画布（Figure，可以理解成一张画板），再在画板上摆好一张或多张画纸（Axes，每张画纸是一块独立的坐标系），之后所有绘制操作都指名道姓地画在某个 Axes 上。专业写法是这一句：
fig, axes = plt.subplots(2, 1) # 2 行 1 列的子图布局
它返回画布对象 fig 和一个装着两张画纸的数组 axes。axes[0] 是上面那张，axes[1] 是下面那张。建议一开始就养成面向对象的习惯，因为行情图几乎都是「价格一张图、成交量一张图」的多子图布局， pyplot 交互式在这种场景下会越写越乱。
划重点：
figure是画板，axes是画板上的每张画纸。记住这句话，matplotlib 的 API 有一半你就懂了。
常用绘图命令速览
ax.plot(x, y)：画折线图，画价格曲线用它。ax.bar(x, height)：画柱状图，画成交量用它。ax.set_title()/ax.set_xlabel()/ax.set_ylabel()：设置标题和坐标轴标签。ax.legend()：显示图例，多根线挤在一张图里时必须有。ax.grid(True, alpha=0.3)：加浅色网格线，方便对齐读数。fig.autofmt_xdate()：自动倾斜日期刻度，避免日期挤成一团。plt.tight_layout()：自动调整子图间距，防止标题和标签互相重叠。
还有一个几乎人人都要踩的坑：中文乱码。matplotlib 默认字体不含中文字符，标题里的中文会显示成一个个小方框。解决办法是画图前改一下运行时配置：
plt.rcParams["font.sans-serif"] = ["SimHei"] # Windows 用黑体；Mac 可换 "Arial Unicode MS"
plt.rcParams["axes.unicode_minus"] = False # 让负号正常显示，否则负数会变方框
K 线的本质：一根柱子装下四个价格
K 线图（Candlestick Chart，蜡烛图）每根「蜡烛」由当日的开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）四个价格画成。中间胖胖的部分叫实体，从收盘到开盘（阳线是低到高，阴线是高到低）；上下伸出的细线叫影线，顶到最高价和最低价。收盘价高于开盘价画红色（A股习惯，涨为红），反之画绿色。
所以画 K 线的思路拆开特别朴素：
- 影线：从当日最低价到最高价画一条竖线，对应 matplotlib 的
ax.vlines(x, low, high)。 - 实体：画一个柱形，底是
min(open, close)，高是abs(close - open)，对应ax.bar()或者更底层的Rectangle补丁。 - 上色：收盘价不低于开盘价的日子用红色，否则用绿色。
我们自己手画一遍这个流程，比直接调库收获大得多——以后你看到任何 K 线形态（锤子线、十字星），脑子里都能立刻对应到这四个价格上。写完之后再介绍一句：实际项目里有个现成的库 mplfinance，一行 mpf.plot(df, type='candle', volume=True) 就能画出专业 K 线图，本篇先手写理解原理，进阶时再去用它。
价格与成交量为什么放一起
价格是「涨到哪了」，成交量是「有多少人认可这个价」。光看价格线，你分不清温和上涨和疯狂追高；配上成交量柱，放量上涨和缩量上涨一眼可辨。所以专业行情图的标准布局是：上子图画价格，下子图画成交量，两张图共用同一条时间轴。matplotlib 里用 sharex=True 参数就能实现时间轴联动——你拖动缩放任何一张图，另一张跟着动。
完整代码
本篇只用 matplotlib 和 pandas，安装命令：
uv pip install matplotlib pandas
为了让每位读者都能跑通，代码里准备了两份数据：优先用第 7 篇才会讲的 akshare 拉取真实 A 股行情；如果没装 akshare 或网络不通，就自动降级为本地随机造一段模拟行情（用固定随机种子，保证每次结果一致）。下面是第一部分：造数据 + 布局画价格和成交量。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# ---------- 中文显示设置（每次画图前都要执行） ----------
plt.rcParams["font.sans-serif"] = ["SimHei"] # Windows 黑体；Mac 可换成 "Arial Unicode MS"
plt.rcParams["axes.unicode_minus"] = False # 修复负号显示为方框的问题
def get_data():
"""优先拉真实数据，失败则本地造数据，保证代码永远可跑。"""
try:
import akshare as ak
df = ak.stock_zh_a_hist(symbol="000001", period="daily",
start_date="20200101", end_date="20201231",
adjust="qfq") # 前复权，避免除权跳空
df = df.rename(columns={"日期": "date", "开盘": "open", "收盘": "close",
"最高": "high", "最低": "low", "成交量": "volume"})
df["date"] = pd.to_datetime(df["date"])
df = df.set_index("date")
print("已使用 akshare 真实数据：平安银行 2020 年日线")
except Exception as e: # 网络不通、没装 akshare、接口变更，都走这里
print(f"akshare 不可用（{e}），改用本地模拟数据。")
rng = np.random.default_rng(42) # 固定种子，保证每人跑出的图一样
n = 243 # 一年大约 243 个交易日
dates = pd.bdate_range("2020-01-02", periods=n) # 仅工作日
close = 16 * np.exp(np.cumsum(rng.normal(0.0003, 0.018, n))) # 几何随机游走
open_ = close * (1 + rng.normal(0, 0.004, n))
high = np.maximum(open_, close) * (1 + np.abs(rng.normal(0, 0.006, n)))
low = np.minimum(open_, close) * (1 - np.abs(rng.normal(0, 0.006, n)))
volume = rng.integers(50, 300, n) * 1e4
df = pd.DataFrame({"open": open_, "close": close, "high": high,
"low": low, "volume": volume}, index=dates)
df.index.name = "date"
print("已使用本地模拟数据（随机种子 42，模拟 2020 年日线）")
return df
df = get_data()
print(df.head())
# 本段只负责准备数据；下面一段接续本段，开始真正画图。
划重点：
plt.rcParams两行字体设置建议存进你自己的「画图模板」，以后每个画图脚本开头都复制一遍，一劳永逸。
接下来是本篇真正的主角——先画「价格 + 成交量」双子图，再画「简化 K 线」。把下面这段原样接在上一段的 df = get_data() 与 print(df.head()) 之后（同一个脚本里接着写即可）：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# （承上一代码块）df 已就绪，且已设置中文字体
# ---------- 图一：价格与成交量双子图 ----------
fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True,
gridspec_kw={"height_ratios": [3, 1]}) # 价格区高、量区矮
axes[0].plot(df.index, df["close"], color="#1f77b4", linewidth=1.2, label="收盘价")
axes[0].set_title("平安银行 2020 年日线收盘价（数据不可用时为模拟数据）")
axes[0].set_ylabel("价格（元）")
axes[0].legend(loc="upper left")
axes[0].grid(True, alpha=0.3)
# 用涨跌颜色画成交量柱：当日收盘 >= 开盘记为红（涨），否则绿（跌）
colors = np.where(df["close"] >= df["open"], "#d62728", "#2ca02c")
axes[1].bar(df.index, df["volume"], color=colors, width=1.0)
axes[1].set_ylabel("成交量（股）")
axes[1].grid(True, alpha=0.3)
fig.autofmt_xdate() # 日期刻度自动倾斜
plt.tight_layout() # 自动排布，防止标题重叠
plt.show()
# ---------- 图二：手绘简化 K 线 ----------
fig2, ax = plt.subplots(figsize=(12, 6))
for date, row in df.iterrows(): # 逐日画一根蜡烛
up = row["close"] >= row["open"] # 判断当天是阳线还是阴线
color = "#d62728" if up else "#2ca02c"
ax.vlines(date, row["low"], row["high"], color=color, linewidth=0.8) # 影线
body_bottom = min(row["open"], row["close"])
body_height = max(abs(row["close"] - row["open"]), 0.001) # 避免十字星高度为 0
ax.bar(date, body_height, bottom=body_bottom, width=0.7,
color=color, edgecolor=color) # 实体
ax.set_title("简化 K 线图（影线 = 高低价，实体 = 开收盘价）")
ax.set_ylabel("价格（元）")
ax.grid(True, alpha=0.3)
fig2.autofmt_xdate()
plt.tight_layout()
plt.show()
代码逐段解释
第 1 段：字体与数据函数。 get_data() 用了 try/except：先尝试用 akshare 拉平安银行 2020 年真实日线，并把中文列名统一改成英文小写（open/close/high/low/volume），后面所有代码只认这套列名。任何异常——没装库、断网、接口改名——都会落入 except 分支，用固定随机种子的几何随机游走造出 243 天模拟行情。用 np.exp(np.cumsum(...)) 而不是直接累加，是为了保证价格恒为正，更接近真实股价的行为。无论走哪个分支，df 的结构和列名完全一致，后面的绘图代码不需要任何改动。
第 2 段：双子图布局。 plt.subplots(2, 1, sharex=True) 创建上下两张画纸并共享 X 轴；height_ratios=[3, 1] 让价格图占 3 份高度、成交量图占 1 份——这是行情图的经典比例。上图画收盘价折线；下图画成交量柱，柱子颜色由 np.where 按当日涨跌批量生成（当日收盘价不低于开盘价为红，否则为绿），这比写 for 循环逐根判断快得多。示例输出示意如下（数字为示意，实际以你运行为准）：
已使用 akshare 真实数据：平安银行 2020 年日线
open close high low volume
date
2020-01-02 16.30 16.45 16.50 16.15 78341502
2020-01-03 16.52 16.36 16.60 16.28 66878254
...（弹出一个 12x8 的窗口：上面蓝色价格线，下面红绿成交量柱）
第 3 段：手绘 K 线循环。 遍历 DataFrame 的每一行，先用 close >= open 判断阴阳决定颜色；ax.vlines(date, low, high) 画出从最低价到最高价的影线；再用 ax.bar(date, 高度, bottom=底边) 画实体——注意实体是「从实体底边往上画指定高度」，所以要传 bottom=min(open, close)，高度是 abs(close - open)。这里加了个教学性的小处理：给实体高度托底 0.001，防止开盘价等于收盘价的十字星因为高度为 0 而画不出来。真实十字星确实没有实体，我们托一个极小的高度只是为了让它在图上可见，这是显示层面的简化，不影响数据。
划重点：逐行 for 循环画 243 根蜡烛在 matplotlib 里完全没问题，但几万根就会明显卡顿。实际项目里请用
mplfinance，它对 K 线做了专门优化，还自带成交量、均线叠加等功能。
关于 mplfinance。 装好后（uv pip install mplfinance）三行就能出专业 K 线图：import mplfinance as mpf，把 DataFrame 转成含 Open/High/Low/Close/Volume 大写列名后执行 mpf.plot(df, type="candle", volume=True, style="cn")。它适合以后画正式图表；今天手写的版本价值在于让你看清 K 线的每一根线是怎么来的。
第 4 段：把图保存成文件。 弹窗看一眼就关了，但量化研究里的图要能存档、能贴进笔记和报告。用 fig.savefig("路径") 就能把画布存成 PNG，其中 dpi（Dots Per Inch，每英寸点数）控制清晰度：屏幕看 120 够用，贴文档建议 200 以上。下面顺带演示「不弹窗、只落盘」的静默画图模式，批量出图时很常用。本块按独立脚本编写，数据用本篇同款随机种子重建：
import matplotlib
matplotlib.use("Agg") # 静默模式：不弹窗，图直接存文件（必须放在画图前）
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams["font.sans-serif"] = ["SimHei"] # 新进程里字体设置要重新执行
plt.rcParams["axes.unicode_minus"] = False
# ---- 重建数据（独立运行本块时用；同一脚本里紧跟前文可省略） ----
rng = np.random.default_rng(42)
n = 243
dates = pd.bdate_range("2020-01-02", periods=n)
close = 16 * np.exp(np.cumsum(rng.normal(0.0003, 0.018, n)))
df = pd.DataFrame({"open": close * (1 + rng.normal(0, 0.004, n)),
"close": close}, index=dates)
fig, ax = plt.subplots(figsize=(12, 5))
ax.plot(df.index, df["close"], color="#1f77b4", linewidth=1.2, label="收盘价")
ax.set_title("保存到文件的示例图")
ax.legend()
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.savefig("price_2020.png", dpi=200) # 保存为 PNG，dpi 越高越清晰、文件也越大
print("图片已保存：price_2020.png")
# 在同一画布上并排放两张子图，一次导出
fig2, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5))
ax1.plot(df.index, df["close"], color="#1f77b4", linewidth=1.0)
ax1.set_title("收盘价")
ax2.bar(df.index, (df["close"] - df["open"]).abs(), color="#ff7f0e")
ax2.set_title("每日实体高度（开收盘价差）")
fig2.autofmt_xdate()
fig2.tight_layout()
fig2.savefig("price_panels.png", dpi=200)
print("图片已保存：price_panels.png")
注意两个细节：第一，matplotlib.use("Agg") 属于后端切换，必须在 pyplot 第一次被使用之前执行，放脚本开头最稳妥；第二，同一脚本里如果已经弹过窗再切后端，行为可能不符合预期，所以本块按独立脚本假设重新导入并重建数据。运行后你会在脚本目录下看到两张 PNG：一张单图，一张左右双图。示例输出示意：
图片已保存：price_2020.png
图片已保存：price_panels.png
常见坑与小练习
坑 1：中文标题全是方框。 现象：标题、图例处显示 □□□。原因：matplotlib 默认字体 DejaVu Sans 不含中文字形。避免方式：每次画图前先执行 plt.rcParams["font.sans-serif"] = ["SimHei"]；如果仍无效，说明系统里没有黑体，Mac 用户可换成 Arial Unicode MS 或 PingFang SC，Linux 用户需要先安装中文字体。
坑 2：负号显示为方框。 现象：Y 轴负数刻度变成 □。原因：字体切换后 unicode 减号没了对应字形。避免方式：plt.rcParams["axes.unicode_minus"] = False，让 matplotlib 改用普通连字符。
坑 3：plt.plot() 画出的图不显示或顺序错乱。 现象：在脚本里画了两张图却只弹出一个窗口，或两个窗口内容混在一起。原因：pyplot 交互式共享「当前图」状态。避免方式：多图场景一律用 fig, axes = plt.subplots() 面向对象写法，每张图配 plt.show() 或保存为文件。
坑 4：X 轴日期挤成一团。 现象：横轴日期密密麻麻互相重叠。原因：默认刻度数量对长区间太多。避免方式：调用 fig.autofmt_xdate() 自动倾斜，或用 ax.xaxis.set_major_locator(mdates.MonthLocator()) 只显示每月刻度。
坑 5：实体高度为 0 的蜡烛消失。 现象：十字星在图上找不到。原因：bar 高度为 0 画不出东西。避免方式：给高度加一个极小托底值，或者接受「十字星就是看不见」并改用 vlines 全程加粗代替。
小练习 1： 把本篇的成交量柱改成「当日收盘价相对前一日上涨为红」，也就是和开盘价比改成和昨收比（提示：df["close"].diff() 求每日差分，正数为涨）。
思路提示：
colors = np.where(df["close"].diff() >= 0, "#d62728", "#2ca02c")，注意第一行 diff 结果是 NaN，先用fillna(0)处理。
小练习 2： 在价格子图上叠加你在上一篇算过的 20 日均线（提示：df["close"].rolling(20).mean()），让均线和价格画在同一张图里，并加 label 后调用 legend()。
思路提示：直接在
axes[0]上再plot一次即可；前 19 天均线是 NaN，matplotlib 会自动跳过，不用手动处理。
小练习 3： 用 mplfinance 重画一遍 K 线图，对比自己手写版和它的效果差异（提示：注意它要求列名为大写的 Open/High/Low/Close）。
思路提示：
df_mpf = df.rename(columns={"open": "Open", "close": "Close", "high": "High", "low": "Low", "volume": "Volume"})，然后mpf.plot(df_mpf, type="candle", volume=True)。
本文策略仅用于教学，不构成投资建议，实盘前请充分测试。