4. 绘制工具与数据准备

双轴复盘图的质量，八成取决于数据准备。很多人在通达信或同花顺里看到漂亮的分时图，就以为“导出即用”，结果把数据拖进 Excel 或 Python 后才发现：时间列是文本、成交量单位是“手”而价格是“元”、午休时段被压缩成连续时间轴、停牌日出现空行。本节围绕“导出—清洗—对齐—前置校验”这条真实工作链，讲清楚三款常用软件各自能导出什么、导出后要改什么，以及画双轴图之前必须完成的几项关键操作。

一、三款软件的数据能力与导出路径

通达信、同花顺、TradingView 的定位不同，导出的数据粒度也不同，选工具前先明确你要的是“分时（1 分钟）”还是“日线”。通达信在分时图界面右键通常有“输出数据/导出数据”入口，可导出当前分时或历史分时的 1 分钟数据，字段一般包含时间、开高低收、成交量、成交额；其优势是本地数据完整、支持批量导出多日分时，缺点是导出文件常为 .txt 或 .xls，编码可能是 GBK，且成交量默认以“手”为单位。同花顺的分时数据导出入口类似，但部分版本对历史分时导出有限制，更适合导出当日或近若干交易日的分时；它的字段命名与通达信略有差异，例如“成交量”列可能直接给“量”或“现量”。TradingView 则以图表和指标见长，导出能力相对弱：免费版通常只能导出图表图片，历史逐笔/分钟数据需要通过“导出图表数据”功能或 API/第三方数据源获取，且时间戳多为 UTC，需要转换为北京时间。

因此一个实用的选择原则是：需要多日分时批量复盘，优先用通达信导出；只需要当日或少量交易日，同花顺足够；需要跨市场、跨品种或做程序化回测，考虑 TradingView 配合外部数据源。无论哪款软件，导出后都不要直接画图，先进入清洗环节。

二、分时数据清洗的四个关键动作

第一，统一时间格式与交易时段。导出的时间列常见“09:30”“930”“2024/06/03 09:30”等混排。应统一为“HH:MM”或完整时间戳，并明确 A 股连续竞价时段为 09:30–11:30、13:00–15:00，午休 11:30–13:00 不属于交易时间。若直接按行号画图，午休会被“压缩”，分时曲线在 11:30 后突然跳到 13:00，视觉上产生虚假的连续走势。正确做法是保留时间列作为横轴分类轴，或在绘图时显式插入午休断点。

第二，统一价格与成交量的单位。价格一般为“元”，成交量在通达信/同花顺中常为“手”（1 手 = 100 股），成交额为“元”或“万元”。双轴图中价格轴与成交量轴量纲完全不同，必须先确认单位再设定坐标范围。例如某日分时成交量合计显示为 12.6 万手，换算成股数应为 1260 万股；若误把“手”当“股”，成交量轴会整体缩小 100 倍，量价对比关系完全失真。

第三，处理缺失值与异常值。停牌、集合竞价、数据断点会产生空行或 0 值。清洗时应删除全空行，对成交量缺失但价格连续的时段做标记而非随意插值；对明显异常（如成交量突增 10 倍且价格无对应波动）先核对是否为除权、复牌或数据源错误。清洗后建议保留一列“数据状态”标记正常/缺失/异常，便于复盘时回看。

第四，计算派生字段。双轴复盘图常需要均价线、累计成交量、量比等。均价可用累计成交额除以累计成交量得到；累计成交量按时间顺序累加；若要做“量价背离”判断，还可计算单位时间成交量与价格变动的比值。这些派生列应在清洗阶段一次算好，避免绘图时反复处理。

三、双轴图绘制的前置操作

清洗完成后，进入绘图前的最后准备。以 Excel 为例：将时间列设为横轴分类，价格列（收盘价或最新价）设为左轴主坐标，成交量列设为右轴次坐标，选择“组合图—折线+柱形”。关键前置操作有三点：一是确认横轴顺序，按时间升序排列，避免导出文件倒序导致曲线反向；二是设定双轴范围，价格轴不必从 0 开始（可分时图常用当日最高最低自适应），成交量轴必须从 0 开始，否则柱形高低失去可比性；三是处理午休断点，在 11:30 与 13:00 之间插入空行或使用分类轴，使曲线在午休处断开。

若用 Python（matplotlib/pandas）绘制，前置操作对应为：用 pd.to_datetime 统一时间、用 set_index 设时间索引、用 twinx() 创建次坐标轴、用 axvline 标注午休分界。下面给出一个最小可运行的处理骨架，参数为示例假设，实际使用时替换为你的导出文件路径与列名：

import pandas as pd
import matplotlib.pyplot as plt

# 示例：读取通达信导出的分时数据（假设列名如下）
df = pd.read_csv("fen shi_20240603.txt", sep="\t", encoding="gbk")
df.columns = ["时间", "开盘", "最高", "最低", "收盘", "成交量", "成交额"]
df["时间"] = pd.to_datetime(df["时间"], format="%H:%M").dt.time
df = df.sort_values("时间").reset_index(drop=True)

# 单位换算：手 -> 股（示例假设导出为手）
df["成交量股"] = df["成交量"] * 100

fig, ax1 = plt.subplots(figsize=(12, 5))
ax1.plot(df["时间"].astype(str), df["收盘"], color="#2563eb", label="价格")
ax1.set_ylabel("价格（元）")
ax2 = ax1.twinx()
ax2.bar(df["时间"].astype(str), df["成交量股"], color="#f59e0b", alpha=0.5, label="成交量")
ax2.set_ylabel("成交量（股）")
ax2.set_ylim(bottom=0)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

这段代码体现了三个前置要点：时间排序、单位换算、次坐标轴从 0 开始。运行后应检查：曲线是否在 11:30 与 13:00 之间出现合理断点、成交量柱是否与价格走势在关键时点对应、坐标轴标签单位是否与原始数据一致。若发现曲线在午休处“连成一条斜线”，说明横轴被当成了连续数值轴，需要改为分类轴或插入断点。

四、一个可复用的前置检查表

把上述操作整理成一张检查表，每次导出新数据后逐项打勾，能显著减少返工。表中参数为示例，实际按你的数据源调整：

最后提醒一个容易被忽略的细节：不同软件导出的“收盘价”在分时数据中通常指该分钟的收盘价，而非当日收盘价；若你要画的是“最新价”曲线，应确认列名对应关系，避免把开盘价当收盘价使用。数据准备做到位，双轴图才能真正承担“量价关系复盘”的分析任务，而不是一张好看但不可信的示意图。