Plotly TreeMap 台股版塊地圖製作教學｜Python 打造互動式族群漲跌圖
開發動機
常見美股財經部落客分享 Finviz 精美強大的圖表，像是美股板塊地圖，一目瞭然各板塊漲跌幅表現，依照顯示顏色紅綠深淺，很快就可以知道市場的熱門族群分佈。族群面積大小照市值排行，輕易看出各板塊的權值股代表。一張圖可說包山包海，掌握不同維度的資料，可以快速掌握市場動態，不用一直滑 app 查半天。
但在台股的網站上，看不太到這類功能，好在學了 Python，知道 Python 在資料處理和資料視覺化非常強大，就來自己開發一下。
Plotly 範例解析
搜尋一下 Plotly，這類圖表稱為 TreeMap，很快就找到精美的範例。
且程式碼精簡的不可思議：
顯示程式碼
import plotly.express as px
import numpy as np
df = px.data.gapminder().query("year == 2007")
df["world"] = "world" # in order to have a single root node
fig = px.treemap(df, path=['world', 'continent', 'country'], values='pop',
color='lifeExp', hover_data=['iso_alpha'],
color_continuous_scale='RdBu',
color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()稍微解析一下 px.treemap，完整用法可參考：
帶入 DataFrame，path 為 Top Down 排序，最前面的 value 是最外圍的方塊，範例由世界-洲-國家來排序，由外而內樹狀分佈。
value 是決定方塊大小，這裡是用 pop(人口)。
color 是用 lifeExp(壽命)來決定，方塊顏色會依照該國平均壽命大小對應到 color_continuous_scale 的樣式。
hover_data 是互動圖表的功能，滑鼠移到方塊上時閃現的資訊，通常不用特別設定。
color_continuous_midpoin 是決定 lifeExp 對應 color_continuous_scale 顏色條的中間點數值為何？例如範例中的 'RdBu' 色條，數值由大到小是藍-白-紅，而我們希望用全世界人類平均餘命來定義中間點白色數值，則可寫成 np.average(df['lifeExp'], weights=df['pop'])，越大於平均的數字越藍，越小的越紅。
台股版塊程式撰寫
主程式
顯示程式碼
class TwStockTreeMap:
def __init__(self, close, basic_info, start=None, end=None):
self.start = start
self.end = end
self.close = close
self.basic_info = basic_info
# dataframe filter by selected date
def df_date_filter(self, df, start=None, end=None):
if start:
df = df[df.index >= start]
if end:
df = df[df.index <= end]
return df
# map stock_name from basic info(stock_id +name)
def map_stock_name(self, basic_info, s):
target = basic_info[basic_info['stock_id'].str.find(s) > -1]
if len(target) > 0:
s = target['stock_id'].values[0]
return s
def create_data(self):
close_data = self.df_date_filter(self.close, self.start, end=self.end)
return_ratio = (close_data.iloc[-1] / close_data.iloc[0]).dropna().replace(np.inf, 0)
return_ratio = round((return_ratio - 1) * 100, 2)
return_ratio = pd.concat([return_ratio, close_data.iloc[-1]], axis=1).dropna()
return_ratio = return_ratio.reset_index()
return_ratio.columns = ['stock_id', 'return_ratio', 'close']
return_ratio['stock_id'] = return_ratio['stock_id'].apply(lambda s: self.map_stock_name(basic_info, s))
return_ratio = return_ratio.merge(self.basic_info[['stock_id', '產業類別', '市場別', '實收資本額(元)']], how='left',
on='stock_id')
return_ratio = return_ratio.rename(columns={'產業類別': 'category', '市場別': 'market', '實收資本額(元)': 'base'})
return_ratio['market_value'] = round(return_ratio['base'] / 10 * return_ratio['close'] / 100000000, 2)
return_ratio = return_ratio.dropna(thresh=5)
return_ratio['country'] = 'TW-Stock'
return_ratio['return_ratio_text_info']=return_ratio['return_ratio'].astype(str).apply(lambda s: '+' + s if '-' not in s else s) + '%'
return return_ratio
def create_fig(self, relative_market_strength=False):
df = self.create_data()
if relative_market_strength is True:
color_continuous_midpoint = np.average(df['return_ratio'], weights=df['base'])
else:
color_continuous_midpoint = 0
fig = px.treemap(df, path=['country', 'market', 'category', 'stock_id'], values='market_value',
color='return_ratio',
color_continuous_scale='Tealrose',
color_continuous_midpoint=color_continuous_midpoint,
custom_data=['return_ratio_text_info','close'],
title=f'TW-Stock Market TreeMap({self.start}~{self.end})',
width=1350,
height=900)
fig.update_traces(textposition='middle center',
textfont_size=24,
texttemplate= "%{label}<br>%{customdata[0]}<br>%{customdata[1]}"
)
return fig
資料處理邏輯
有了官方範例，我們很容易依樣畫葫蘆，只要用出同樣邏輯的 dataframe 就可套入。path 的 ['world', 'continent', 'country'] 換成 ['country', 'market', 'category', 'stock_id']，ex:台股-上市-半導體-台積電，分為四層。
邏輯確定後就可開始撰寫 dataframe，只會用到收盤價算報酬率、企業基本資料(公開資訊觀測站資料源)抓股名、上市櫃分類、產業類別、實收資本額。計算市值時將單位化成億元單位。ETF 由於沒有產業類別與實收資本額，會被排除掉。詳見 create_data() 程式碼。
繪圖程式修改
詳見 create_fig() 的內容，短短的程式碼就能弄出厲害的圖表:
1.value 採用 market_value(市值)。
2.color 採用 return_ratio(報酬率)。
3.color_continuous_scale 採用 'Tealrose'，因為由大到小，是紅到綠，與習慣相符。
4.color_continuous_midpoin 設為 0，因為我們希望漲的都是紅色系，跌的都是綠色系，若用原本範例的畫法，則是以相對市場平均強弱來顯現。
5.設置 custom_data=['return_ratio_text_info','close']，客製化 texttemplate 會用到，不然只會有 stock_id
6.加入 title、width、height 畫布樣式，設定標題與長寬。
7.fig.update_traces(textposition='middle center', textfont_size=24,texttemplate= "%{label}<br>%{customdata[0]}<br>%{customdata[1]})，textposition 設定資料顯示字體位置，textfont_size 字體大小，texttemplate 使用 custom_data 自訂方塊內顯示的文字資訊。
plotly_express_treemap 強大的地方是還會幫你自動計算整個板塊市值的市場占比，且點擊每一個方塊會自動縮放，放大各類股和企業區塊，有一些市值比較小的公司一開始看不到，透過點擊放大，就可以看出資料，這是原先 finviz 無法達成的互動性效果。
程式若在 Colab 跑，可用 colab 的 form 語法跑出簡易的操作介面，選取區間日期，查整體市場該期間的報酬情況。
顯示程式碼
#@title 台股漲跌與市值板塊圖
start= '2021-05-20' #@param {type:"date"}
end = '2021-05-21' #@param {type:"date"}
relative_market_strength = "False" #@param ["False", "True"] {type:"raw"}
產生 date widget
繪圖輸出
是不是跟 Finviz 有 87 分像呢？有興趣的同學也可以把報酬率改成本益比或其他指標，或改成多指標選單，讓板塊圖的功能更加完善喔！