Python K线图:用Pandas Resample和Bokeh实现数据可视化

2025-04-18 21:38:37

用 Pandas Resample 和 Bokeh 绘制 K 线图：从时间序列数据到可视化

搞金融数据分析或者量化交易，经常需要画 K 线图 (Candlestick Chart)。这种图能直观地展示一个时间段内的开盘价 (Open)、最高价 (High)、最低价 (Low) 和收盘价 (Close)，也就是常说的 OHLC 数据。

手里有现成的 OHLC 数据当然好办，用 Bokeh 这类可视化库画起来很顺手。比如下面这段代码，数据已经是整理好的每日 OHLC：

import pandas as pd
from datetime import datetime
from bokeh.plotting import figure, show
from bokeh.models import NumeralTickFormatter

# 准备好每日 OHLC 数据
data_ohlc = {
    'time': pd.to_datetime([ # 确保是 DatetimeIndex 或类似兼容格式
        datetime(2025, 1, 1),
        datetime(2025, 1, 2),
        datetime(2025, 1, 3),
    ]),
    'open':  [10, 40, 20],
    'close': [40, 20, 30],
    'low':   [ 5, 10, 20],
    'high':  [40, 50, 35],
}

df_ohlc = pd.DataFrame(data_ohlc).set_index('time') # 将 time 列设为索引

# 判断涨跌
inc = df_ohlc.close > df_ohlc.open
dec = df_ohlc.open > df_ohlc.close

# 创建 Bokeh 图表
p = figure(x_axis_type="datetime", height=300, width=800, title="每日 K 线图 (OHLC 数据)")
p.xaxis.axis_label = "日期"
p.yaxis.axis_label = "价格"
p.yaxis[0].formatter = NumeralTickFormatter(format="0,0") # 格式化 Y 轴刻度

# 绘制影线 (最高价到最低价的竖线)
# 注意：Bokeh K线图通常需要处理好时间轴，直接用 index 可能对不上位置
# 我们需要一个数值化的时间表示，或者确保 Bokeh 理解 DatetimeIndex
# 为了精确，我们稍微调整一下 x 轴坐标，让 K 线柱体居中显示
# 定义 K 线柱体的宽度，例如半天
w = 12*60*60*1000 # K 线柱体宽度 (ms)，半天
p.segment(df_ohlc.index, df_ohlc.high, df_ohlc.index, df_ohlc.low, color="black")

# 绘制实体 (开盘价和收盘价组成的矩形)
# 上涨 K 线 (阳线)
p.vbar(df_ohlc.index[inc], w, df_ohlc.open[inc], df_ohlc.close[inc], fill_color="#49a3a3", line_color="#49a3a3")
# 下跌 K 线 (阴线)
p.vbar(df_ohlc.index[dec], w, df_ohlc.open[dec], df_ohlc.close[dec], fill_color="#eb3c40", line_color="#eb3c40")


show(p)

这段代码跑出来，效果杠杠的，就是一张标准的 K 线图：

但实际情况往往没这么理想。咱们拿到的原始数据可能更“裸”一点，没有直接的 OHLC，只有一连串的时间戳和对应的价格点，像这样：

import pandas as pd
from datetime import datetime

# 原始数据：时间戳和价格
data_raw = {
    'time': [
        datetime(2025, 1, 1, 6),
        datetime(2025, 1, 1, 10),
        datetime(2025, 1, 1, 14),
        datetime(2025, 1, 1, 18),

        datetime(2025, 1, 2, 6),
        datetime(2025, 1, 2, 10),
        datetime(2025, 1, 2, 14),
        datetime(2025, 1, 2, 18),

        datetime(2025, 1, 3, 6),
        datetime(2025, 1, 3, 10),
        datetime(2025, 1, 3, 14),
        datetime(2025, 1, 3, 18),
    ],
    'price': [
        10,  5, 40, 40, # 1月1日
        40, 10, 50, 20, # 1月2日
        20, 20, 35, 30, # 1月3日
    ]
}
df_raw = pd.DataFrame(data_raw)
# 最好先确认时间列是 datetime 类型
df_raw['time'] = pd.to_datetime(df_raw['time'])
print("原始数据 DataFrame:")
print(df_raw)

面对这种只有时间和价格的数据，想画 K 线图，第一反应就是用 pandas 的 resample 方法。这个方法是处理时间序列数据的神器，能按指定的时间频率（比如每天 'D'）对数据进行分组聚合。

咱们知道，一根 K 线需要四个值：开盘价、最高价、最低价、收盘价。对于按天 ('D') 重采样来说：

开盘价 (Open)：是当天第一条记录的价格。
最高价 (High)：是当天所有价格中的最大值。
最低价 (Low)：是当天所有价格中的最小值。
收盘价 (Close)：是当天最后一条记录的价格。

Pandas resample 配合聚合函数正好能干这事儿：

# 确保 time 列是 Datetime 类型，并设为索引，这对于 resample 很重要
df_raw = df_raw.set_index('time')

# 按天 ('D') 对数据进行重采样
# 'on=' 参数适用于 DataFrame 列，如果 time 已经是索引，则不需要 on 参数
# kind='period' 会生成 PeriodIndex，而 kind='timestamp' (默认或省略) 生成 DatetimeIndex
# 对于 Bokeh 绘图，DatetimeIndex 通常更方便
resampler = df_raw['price'].resample('D') # 或者 df_raw.resample('D')['price'] 效果类似

# 获取 OHLC 值
open_price = resampler.first()
high_price = resampler.max()
low_price = resampler.min()
close_price = resampler.last()

print("\nResample 后的 OHLC 数据:")
print("Open:\n", open_price)
print("High:\n", high_price)
print("Low:\n", low_price)
print("Close:\n", close_price)

看起来万事俱备，拿到了 open, high, low, close 四个 Series，数据都有了。但问题来了，怎么把这些分散的 Series 喂给 Bokeh 画图呢？原来的代码里，画影线用了 df.index, df.high, df.low，画 K 线实体用了 df.index[inc], df.open[inc] 等等。现在这些 open_price, high_price... 都是独立的 Series，之前的 df.index 该用哪个 Series 的 index 呢？它们按理说 index 应该是一样的（都是按天聚合后的时间戳），但怎么方便地整合起来，生成和第一个例子里 df_ohlc 结构类似的数据框，再传给 Bokeh 呢？

这就是卡壳的地方：如何将 resample 分别计算出的 OHLC 数据组合成一个适合绘图的 DataFrame，并确定绘图时使用的正确时间索引？

为啥直接用 resample 的结果画图会卡壳？

咱们刚才分别调用了 .first(), .max(), .min(), .last()，确实得到了需要的 OHLC 数据。但它们是四个独立的 pandas Series。而 Bokeh 画 K 线图（特别是用 vbar 和 segment 组合的方式）通常期望你提供一个统一的数据源，比如一个 DataFrame，里面包含了所有绘图需要的信息（时间戳、OHLC 值）。

直接用 open_price.index, high_price, low_price 去画影线，再用 open_price.index[dec], open_price[dec], close_price[dec] 画阴线... 代码会变得非常冗长且混乱。更重要的是，你需要确保这四个 Series 的索引完全一致，并且在筛选 inc 和 dec 时，索引也能对齐。虽然 resample 出来的结果索引理论上是一致的，但代码组织上不方便。

核心问题在于，我们需要一个 单一的、包含所有 OHLC 列和对应时间索引的 DataFrame ，就像第一个例子里的 df_ohlc 那样。

解决方案：整合 Resample 结果并绘制 K 线图

解决这个问题的关键，就是把分散的聚合操作合并，一次性生成包含所有 OHLC 信息的 DataFrame。

方案：使用 `agg()` 方法聚合数据

Pandas resample 对象提供了一个非常强大的方法：agg()。它允许你对同一份重采样后的数据应用多个聚合函数。我们可以把 first, max, min, last 这些操作一次性传给 agg()。

1. 原理与作用:

resampler.agg() 接收一个字典或列表，指定要应用的聚合函数。如果对同一个列（比如 'price'）应用多个函数，可以传入一个函数名列表。agg() 会返回一个新的 DataFrame，其索引是重采样后的时间戳，列是聚合操作的结果。

2. 代码示例:

import pandas as pd
from datetime import datetime
from bokeh.plotting import figure, show
from bokeh.models import NumeralTickFormatter

# 原始数据
data_raw = {
    'time': [
        datetime(2025, 1, 1, 6), datetime(2025, 1, 1, 10), datetime(2025, 1, 1, 14), datetime(2025, 1, 1, 18),
        datetime(2025, 1, 2, 6), datetime(2025, 1, 2, 10), datetime(2025, 1, 2, 14), datetime(2025, 1, 2, 18),
        datetime(2025, 1, 3, 6), datetime(2025, 1, 3, 10), datetime(2025, 1, 3, 14), datetime(2025, 1, 3, 18),
    ],
    'price': [
        10,  5, 40, 40, # 1月1日
        40, 10, 50, 20, # 1月2日
        20, 20, 35, 30, # 1月3日
    ]
}
df_raw = pd.DataFrame(data_raw)
df_raw['time'] = pd.to_datetime(df_raw['time'])
df_raw = df_raw.set_index('time')

# 使用 agg 一次性计算 OHLC
# 对 'price' 列应用多个聚合函数
ohlc_agg = df_raw['price'].resample('D').agg(['first', 'max', 'min', 'last'])

# 重命名列名，使其更清晰，符合 OHLC 习惯
ohlc_agg.columns = ['open', 'high', 'low', 'close']

print("使用 agg() 生成的 OHLC DataFrame:")
print(ohlc_agg)

# 现在 ohlc_agg 的结构就和第一个例子的 df_ohlc 非常相似了
# 它的索引 ohlc_agg.index 就是我们需要的时间轴
# 它的列包含了 open, high, low, close

# 判断涨跌
inc = ohlc_agg.close > ohlc_agg.open
dec = ohlc_agg.open > ohlc_agg.close

# --- 开始 Bokeh 绘图 ---
p = figure(x_axis_type="datetime", height=350, width=800, title="每日 K 线图 (Resample + agg)")
p.xaxis.axis_label = "日期"
p.yaxis.axis_label = "价格"
p.yaxis.formatter = NumeralTickFormatter(format="0,0.00") # Y轴格式，可根据需要调整

# K 线宽度，根据重采样频率调整。这里是按天 ('D')，可以设为半天宽度
# 注意：如果你的数据时间跨度很大，这个宽度可能需要调整，或者使用 Bokeh 的自动宽度
w = 12 * 60 * 60 * 1000 # 半天的毫秒数

# 绘制影线 (最高价到最低价)
p.segment(ohlc_agg.index, ohlc_agg.high, ohlc_agg.index, ohlc_agg.low, color="black")

# 绘制 K 线实体
# 上涨 K 线 (阳线)，填充绿色，边框也是绿色
p.vbar(ohlc_agg.index[inc], w, ohlc_agg.open[inc], ohlc_agg.close[inc], fill_color="#26a69a", line_color="#26a69a")

# 下跌 K 线 (阴线)，填充红色，边框也是红色
p.vbar(ohlc_agg.index[dec], w, ohlc_agg.open[dec], ohlc_agg.close[dec], fill_color="#ef5350", line_color="#ef5350")

# 添加交互提示工具 (HoverTool)
from bokeh.models import HoverTool
hover = HoverTool(
    tooltips=[
        ("时间", "@x{%F}"), # 显示日期，格式为 YYYY-MM-DD
        ("开盘", "@open{0,0.00}"),
        ("最高", "@high{0,0.00}"),
        ("最低", "@low{0,0.00}"),
        ("收盘", "@close{0,0.00}"),
    ],
    formatters={
        '@x': 'datetime', # 关键：告诉 HoverTool x 轴是时间格式
        # '@open': 'printf', # 或者用 numbro 格式化
        # '@high': 'printf',
        # '@low': 'printf',
        # '@close': 'printf',
    },
    # 仅在 K 线实体上显示 tooltips
    # 注意：由于我们有两个 vbar glyph（上涨和下跌），需要为它们指定名称
    # 在 vbar 调用时添加 name 参数：name="kline"
    # renderers=[r_inc, r_dec] # 需要获取 vbar 的 renderer 对象
    # 或者，为了简单起见，让它在所有垂直元素上触发
    mode='vline' # 鼠标悬停在垂直区域时触发
)
# 在 p.vbar(...) 调用时添加 name='kline_inc' 和 name='kline_dec'
# ... 然后修改 hover tool 的 renderers ...
# 为了演示方便，这里使用 mode='vline'
p.add_tools(hover)

show(p)

解释:

df_raw['price'].resample('D') 创建了一个按天重采样的 Resampler 对象，作用于 'price' 列。
.agg(['first', 'max', 'min', 'last']) 对每个分组（每天）计算这四个聚合值。结果是一个 DataFrame，索引是每天的开始时间戳，列名是 'first', 'max', 'min', 'last'。
ohlc_agg.columns = ['open', 'high', 'low', 'close'] 把列名改成我们熟悉的 OHLC。
关键点： 现在 ohlc_agg 这个 DataFrame 的结构和我们最初的目标 df_ohlc 非常相似了！它有一个时间索引 ohlc_agg.index，以及 open, high, low, close 四个列。
回答核心问题： 绘制 K 线图时，ohlc_agg.index 就是我们要找的等价于原来 df.index 的时间轴 。所有绘图操作（segment, vbar）都应该使用 ohlc_agg.index 作为 X 坐标，并从 ohlc_agg 的相应列中获取 OHLC 数据。
后续的绘图代码就和第一个例子非常类似了，只是把 df_ohlc 换成了 ohlc_agg。

3. 关于时间索引 (PeriodIndex vs DatetimeIndex):

如果你在 resample 时用了 kind='period'，生成的索引会是 PeriodIndex。虽然 Bokeh 某些情况下也能处理，但有时可能会遇到兼容性问题或绘图行为不符合预期。
resample 默认（或显式使用 kind='timestamp'）生成的是 DatetimeIndex，这通常与 Bokeh 的 x_axis_type="datetime" 配合得最好。
如果你的 ohlc_agg.index 是 PeriodIndex，可以很容易地转换它：
```
# 如果 ohlc_agg.index 是 PeriodIndex，转换为 Timestamp Index
if isinstance(ohlc_agg.index, pd.PeriodIndex):
    ohlc_agg.index = ohlc_agg.index.to_timestamp()
```
在绘图前做这一步转换，可以确保与 Bokeh 的时间轴类型匹配。上面的 agg 示例代码默认会生成 DatetimeIndex，通常无需转换。

4. 安全建议 / 进阶使用:

数据完整性： 原始数据可能有缺失。resample 对空的时间段默认如何处理（比如是否填充 NaN）取决于你的 pandas 版本和具体用法。检查 ohlc_agg 是否有 NaN 值，可能需要 .dropna() 或者填充处理 (.fillna())，依据你的业务逻辑决定。例如，如果某天完全没有交易数据，OHLC 都应该是 NaN。
真正的开盘/收盘: first() 和 last() 是基于原始数据的时间排序。如果你的数据不是严格按时间排序的，或者一天内可能有多个相同时间戳的数据点，结果可能不符合预期。确保原始数据在 resample 前是按时间排序的 (df_raw.sort_index(inplace=True)).
交易时间: resample('D') 是按自然天聚合。金融市场有交易时段。如果你的数据横跨多个交易日，但你只想聚合每个交易日内部的数据，可能需要更复杂的逻辑（比如先按日期分组，再在组内找特定时间的开盘价等），或者使用特定于交易日历的库。
性能考量: 对于非常大的数据集 (几百万行以上)，resample().agg() 仍然是相当高效的。如果遇到性能瓶颈，可以考虑 Dask (用于并行计算 Pandas DataFrame) 等工具。

代码实战：整合后的完整流程

下面是把数据加载、resample 与 agg 结合、以及用 Bokeh 绘图的完整可运行代码：

import pandas as pd
from datetime import datetime
from bokeh.plotting import figure, show
from bokeh.models import NumeralTickFormatter, HoverTool

# 1. 准备原始数据
data_raw = {
    'time': [
        datetime(2025, 1, 1, 6), datetime(2025, 1, 1, 10), datetime(2025, 1, 1, 14), datetime(2025, 1, 1, 18),
        datetime(2025, 1, 2, 6), datetime(2025, 1, 2, 10), datetime(2025, 1, 2, 14), datetime(2025, 1, 2, 18),
        datetime(2025, 1, 3, 6), datetime(2025, 1, 3, 10), datetime(2025, 1, 3, 14), datetime(2025, 1, 3, 18),
    ],
    'price': [
        10,  5, 40, 40, # 1月1日: open=10, high=40, low=5, close=40 -> 涨
        40, 10, 50, 20, # 1月2日: open=40, high=50, low=10, close=20 -> 跌
        20, 20, 35, 30, # 1月3日: open=20, high=35, low=20, close=30 -> 涨
    ]
}
df_raw = pd.DataFrame(data_raw)
df_raw['time'] = pd.to_datetime(df_raw['time'])
df_raw = df_raw.set_index('time')
# (可选) 确保数据按时间排序，对 first()/last() 很重要
df_raw.sort_index(inplace=True)

# 2. 使用 resample 和 agg 生成 OHLC 数据
# 按天 ('D') 重采样 'price' 列
resampler = df_raw['price'].resample('D')
# 应用聚合函数，一次性得到 OHLC
ohlc_agg = resampler.agg(['first', 'max', 'min', 'last'])
# 重命名列名
ohlc_agg.columns = ['open', 'high', 'low', 'close']

# (可选) 检查并处理缺失值，如果某天无数据，resample 可能产生 NaN 行
# ohlc_agg.dropna(inplace=True) # 如果需要，移除完全没有数据的行

print("生成的 OHLC DataFrame:")
print(ohlc_agg)

# 3. 准备绘图所需数据
# 判断涨跌
inc = ohlc_agg.close > ohlc_agg.open
dec = ohlc_agg.open > ohlc_agg.close
# K线宽度（毫秒） - 半天
w = 12 * 60 * 60 * 1000

# 4. 使用 Bokeh 绘图
p = figure(x_axis_type="datetime", height=400, width=900, title="股票 K 线图 (Pandas Resample 生成)",
           tools="pan,wheel_zoom,box_zoom,reset,save") # 添加常用工具栏
p.xaxis.axis_label = "日期"
p.yaxis.axis_label = "价格"
p.yaxis.formatter = NumeralTickFormatter(format="0,0.00") # Y 轴数字格式
p.grid.grid_line_alpha=0.3 # 网格线透明度

# 绘制影线 (最高/最低价连线)
p.segment(ohlc_agg.index, ohlc_agg.high, ohlc_agg.index, ohlc_agg.low, color="black")

# 绘制 K 线实体 - 阳线 (上涨)
# 添加 name 参数以便 HoverTool 可以指定渲染器
r_inc = p.vbar(ohlc_agg.index[inc], w, ohlc_agg.open[inc], ohlc_agg.close[inc],
       fill_color="#26a69a", line_color="#26a69a", name="kline_inc")

# 绘制 K 线实体 - 阴线 (下跌)
r_dec = p.vbar(ohlc_agg.index[dec], w, ohlc_agg.open[dec], ohlc_agg.close[dec],
       fill_color="#ef5350", line_color="#ef5350", name="kline_dec")

# 添加提示工具 HoverTool
hover = HoverTool(
    # 指定只在这两个 K 线实体渲染器上触发 tooltips
    renderers=[r_inc, r_dec],
    tooltips=[
        ("时间", "@x{%F}"),  # @x 代表 x 轴坐标 (这里是index), {%F} 是日期格式
        ("开盘", "@top{0,0.00}"),  # 对于 vbar, top/bottom 对应开盘/收盘 (或反过来)
        ("收盘", "@bottom{0,0.00}"), # 注意：需要根据 inc/dec 判断哪个是开盘/收盘
                                      # 更通用的方法是直接引用 DataFrame 列
        # 为了通用性，引用原始 ohlc_agg 数据。但这需要将 ohlc_agg 提供给 ColumnDataSource
        # 为了简单起见，这里我们暂时接受 vbar 的 top/bottom (可能需要根据 inc/dec 逻辑反转)
        # --- 或者 ---
        # 使用更可靠的方式，先创建一个 ColumnDataSource
        # from bokeh.models import ColumnDataSource
        # source = ColumnDataSource(ohlc_agg)
        # 然后 p.segment(x='index', y0='low', y1='high', source=source, ...)
        # p.vbar(x='index', top='open', bottom='close', source=source, ...)
        # hover.tooltips = [...] 直接引用列名 '@open', '@close' etc.

        # 修正 tooltip, 使其更准确反映 OHLC (需要一点技巧)
        # Bokeh 的 vbar 对于正负方向 (top/bottom) 有点 tricky
        # 我们还是用比较通用的方式，直接展示对应时间点的 OHLC
        ("开", "@{open}{0,0.00}"), # 需要确保这些列在 CDS 中
        ("高", "@{high}{0,0.00}"),
        ("低", "@{low}{0,0.00}"),
        ("收", "@{close}{0,0.00}"),
    ],
    formatters={'@x': 'datetime', '@{open}': 'printf', '@{high}': 'printf', '@{low}': 'printf', '@{close}': 'printf'},
    mode='vline' # 在垂直线上移动时显示
)
# 如果直接在 p.vbar 上引用 ohlc_agg 的列作为 tooltips，需要确保数据被传递了。
# 最好的方式是创建 ColumnDataSource
from bokeh.models import ColumnDataSource
source = ColumnDataSource(ohlc_agg)
source.add(inc, name='inc') # 把 inc/dec 也加进去，虽然 tooltips 不直接用
source.add(dec, name='dec')

# 重新绘制，使用 ColumnDataSource
p = figure(x_axis_type="datetime", height=400, width=900, title="股票 K 线图 (Pandas Resample 生成 + CDS)",
           tools="pan,wheel_zoom,box_zoom,reset,save,hover") # 直接在 figure 上添加 hover tool
p.xaxis.axis_label = "日期"
p.yaxis.axis_label = "价格"
p.yaxis.formatter = NumeralTickFormatter(format="0,0.00")
p.grid.grid_line_alpha=0.3

p.segment(x='index', y0='low', y1='high', source=source, color="black", name="segment")
p.vbar(x='index', width=w, top='open', bottom='close', source=source, filter=BooleanFilter(booleans=source.data['inc']),
       fill_color="#26a69a", line_color="#26a69a", name="kline_inc")
p.vbar(x='index', width=w, top='open', bottom='close', source=source, filter=BooleanFilter(booleans=source.data['dec']),
       fill_color="#ef5350", line_color="#ef5350", name="kline_dec")


# 获取 HoverTool 并配置 Tooltips (假设 figure 初始化时已添加 hover)
hover_tool = p.select(type=HoverTool)[0]
hover_tool.tooltips=[
        ("时间", "@index{%F}"), # @index 是 CDS 中索引列的默认名称
        ("开", "@open{0,0.00}"),
        ("高", "@high{0,0.00}"),
        ("低", "@low{0,0.00}"),
        ("收", "@close{0,0.00}"),
    ]
hover_tool.formatters={'@index': 'datetime'}
hover_tool.mode='vline'


# # 修正 HoverTool, 使用CDS后，引用列名即可
# # p = figure(... , tools=[... , hover]) # 初始化 figure 时加入 hover
# p.hover.tooltips = [
#     ("时间", "@index{%F}"), # index 是 DatetimeIndex，需告知 formatter
#     ("开盘", "@open{0,0.00}"),
#     ("最高", "@high{0,0.00}"),
#     ("最低", "@low{0,0.00}"),
#     ("收盘", "@close{0,0.00}"),
# ]
# p.hover.formatters = {'@index': 'datetime'} # 告诉 hovertool index 列是时间格式
# p.hover.mode = 'vline' # 鼠标悬停在垂直区域时触发

show(p)

注意: 在最终的代码示例中，为了让 HoverTool 更准确地显示 OHLC 数据，推荐使用了 Bokeh 的 ColumnDataSource。这是一种更标准的做法，它将你的 DataFrame 包装成 Bokeh 能更好理解和引用的数据结构。这样，在定义 tooltips 时，你可以直接使用 DataFrame 的列名（如 @open, @high 等）。@index 通常用来引用数据源的索引。同时，BooleanFilter 用于根据 inc 和 dec 条件分别绘制上涨和下跌的 K 线柱。

进阶技巧与注意事项

添加交易量 (Volume): 如果你的原始数据包含交易量 volume 列，可以在 agg 中一起聚合它，通常是求和 sum。
```
# 假设 df_raw 还有 'volume' 列
ohlcv_agg = df_raw.resample('D').agg({
    'price': ['first', 'max', 'min', 'last'],
    'volume': 'sum'
})
# 重命名列，可能需要处理多级索引
ohlcv_agg.columns = ['open', 'high', 'low', 'close', 'volume']
```
然后可以用 p.vbar 在 K 线图下方添加一个交易量柱状图子图（通常需要创建第二个 figure 并用 gridplot 或 column 布局组合）。
选择重采样频率: 'D' 代表自然日。你可以改成 'B' (工作日), 'W' (周), 'M' (月), 'H' (小时), '15T' (15分钟) 等等，根据你的分析需求调整频率。K 线柱体的宽度 w 也应相应调整。
自定义 K 线颜色: 你可以根据自己的喜好修改阳线 (上涨) 和阴线 (下跌) 的颜色代码。
处理数据间隙: 如果数据在时间上不连续（比如周末或假期没有数据），resample 默认会创建这些时间点的索引，但对应的 OHLC 值可能是 NaN。使用 .dropna() 可以去除这些没有数据的行。如果希望在图上跳过这些间隙，Bokeh 通常会自动处理（因为它基于时间戳绘制）。