本文分享基于Streamlit的申万行业数据分析平台，从设计背景、代码实现、界面展示三方面展开，平台支持行业指数走势、个股数据展示及上市公司综合评价等等。

一、设计背景

（一）项目定位与核心目标

申万行业分类是国内主流标准，本平台打造轻量化可视化工具，自动化完成“选行业-看数据-做评价”流程，降低非技术门槛，提升研究效率。

（二）核心需求拆解

• 自由筛选申万一级行业，精准匹配数据；

• 图表化展示行业指数及个股走势；

• 结构化呈现核心数据（指数交易、公司信息等）；

• 基于PCA实现上市公司综合评分排名。

（三）技术选型依据

围绕“轻量化、开发快、可视化优”诉求，技术栈选择如下：

• 前端：Streamlit，Python直出界面，无需前端知识，自带可视化组件；

• 数据处理：Pandas，高效完成数据读筛、合并等操作；

• 综合评价：Scikit-learn，调用标准化及PCA模块，简化算法实现；

• 可视化：Matplotlib，自定义图表，兼容Streamlit渲染。

二、代码实现

平台采用模块化设计，核心为三个关键函数，分工明确、协同实现全功能。

（一）数据处理与绘图模块（st_data函数）

核心功能：输入行业名称与分类表，完成数据读筛、绘图、关联，输出图表与结构化数据。核心逻辑：

1. 数据读取层

读取行业指数、股票交易、财务、上市公司信息等基础数据。

# 读取相关数据
import pandas as pd
data=pd.read_csv('index_trdata.csv')  # 行业指数交易数据
trdata=pd.read_csv('stk_trdata.csv')  # 股票交易数据
findata=pd.read_csv('fin_data.csv')   # 财务数据
co_data=pd.read_excel('上市公司基本信息.xlsx')  # 上市公司基本信息

2. 行业数据筛选与清洗

筛选目标行业指数数据（需>600条），按交易日期排序并标准化列名。

data_i=data.iloc[data['name'].values==nm,:]  # 筛选目标行业指数数据
data_i=data_i.sort_values(['trade_date'])    # 按交易日期排序
data_i.columns=['指数代码','行业名称','交易日期','开盘指数','收盘指数','成交量','市盈率','市净率']  # 标准化列名
if len(data_i)>600:  # 仅处理数据量充足的行业

3. 可视化图表绘制

绘制两类图表并返回句柄：

• 行业指数走势图（f1）：Matplotlib绘折线图，优化坐标轴标签；

• 个股价格走势图（f2）：筛选>600条记录个股，前6只绘3行2列子图。

• # 行业指数走势图绘制
  plt.rcParams['font.sans-serif'] = 'SimHei'  # 解决中文乱码
  f1,ax=plt.subplots()
  plt.title('申万'+nm+'行业指数走势图')
  x1=data_i['交易日期'].values
  y1=data_i['收盘指数'].values
  plt.plot(range(len(x1)),y1)
  plt.xticks([0,100,200,300,400,500,600],x1[[0,100,200,300,400,500,600]],rotation=45)

4. 数据关联与整合

基于股票代码关联目标行业上市公司信息、交易及财务数据。

# 关联上市公司基本信息
chy_code=info.iloc[(info['新版一级行业'].values==nm)&(info['交易所'].values=='A股'),[2,3]]
chy_code.columns=['ts_code','nm']
co_data=pd.merge(co_data,chy_code,how='inner',on='ts_code')

# 关联股票交易数据
trdata_hy=pd.merge(trdata,chy_code,how='inner',on='ts_code')
trdata_hy=trdata_hy.sort_values(['ts_code','trade_date'])

（二）综合评价模块（Fr函数）

基于PCA实现上市公司财务指标综合评价，输入财务数据与年度，输出排名数据。核心逻辑：筛选年度数据→匹配有效指标→缺失值填充+标准化→PCA分析→计算得分与排名。

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 标准化数据
scaler = StandardScaler()
scaled_data = scaler.fit_transform(pca_data)

# 执行PCA
n_components = min(2, len(pca_columns))
pca = PCA(n_components=n_components)
pca_scores = pca.fit_transform(scaled_data)

# 计算综合得分与排名
yearly_data['综合得分'] = pca_scores[:, 0]
yearly_data['排名'] = yearly_data['综合得分'].rank(ascending=False, method='dense')

（三）界面布局与交互模块（st_fig函数）

实现Streamlit可视化交互界面，核心逻辑：页面配置→侧边栏选行业→调用数据模块→分栏展结果。

1. 界面基础配置

设置页面标题与宽布局，读取申万行业分类表并提取一级行业列表。

import streamlit as st
st.set_page_config(
        page_title="数据解读案例",  # 页面标题
        layout='wide',  # 宽布局
    )
info=pd.read_excel('最新个股申万行业分类(完整版-截至7月末).xlsx')
nm_L=list(set(info['新版一级行业'].values))  # 提取一级行业列表

2. 侧边栏行业选择

设置行业下拉框，默认加载首个行业数据。

with st.sidebar:
    st.subheader('请选择指数&行业')
    nm = st.selectbox(" ", nm_L)  # 行业选择下拉框

分栏展示图表（行业指数+个股走势），呈现四类结构化数据，提供年度与排名数量选择，展示综合排名。

三、界面展示

界面分为侧边栏选择区与主内容区，核心展示如下：

（一）整体界面布局

宽布局，侧边栏紧凑，主内容区按“图表-表格-评价”排序，贴合使用习惯。

【图片插入位置1：平台整体布局截图】 图注：申万行业数据分析平台整体界面，展示侧边栏行业选择区与主内容区的布局关系

（二）行业选择与图表展示界面

侧边栏支持全一级行业切换，主内容区两栏展示行业指数与3行2列个股走势图。

（三）结构化数据展示界面

依次展示四类核心数据表格，股票交易数据限前2000条，列名标准化。

（四）综合评价交互界面

提供年度与前N名选择框，实时展示上市公司综合排名核心信息。

四、总结

核心优势：轻量化易上手，无需前端经验；数据处理全流程，交互贴合需求。后续可优化数据导出、图表交互及异常处理。