tushare 是一个立足于国内的 金融数据包 。通过它可以相当容易地获取包括股票、基金、期货在内的大量金融数据，使用非常简便而且基础功能免费。
tushare 的早期版本是完全免费的，不过功能也相对单一，后来升级到了 tushare pro 之后，支持的数据种类大大扩展，同时也开启了积分的功能，部分高级数据获取功能是需要一定积分的，积分通常需要付费而且每年都需要支付。不过，平心而论，相比早期版本，升级到pro版本后，数据的丰富程度、数据提取速度和稳定性、可靠性都大大提升，相比获得的提升，支付一点点费用完全可以说是物超所值的。
mplfinance 是 matplotlib 的一个分支，它是基于 matplotlib 的一个金融数据可视化图表包，可以非常方便地用于各种常见金融数据的可视化。它最初的来源是 matplotlib.finance ，后来从 matplotlib 中分离出来成为一个独立的项目，曾经使用过 mpl-finance 的名字，后来改名为 mplfinance ,它是一个开源项目， gitHub 链接在这里。
对大多数金融数据使用者来说，最简单也最常见的金融图表非K线图莫数，后面可以看到，使用mplfinance模块，只需要一行代码就可以生成需要的K线图了。不过，为了生成K线数据，我们需要一支股票的open，high，low，close，以及volume历史价格/成交量数据，并且把这些数据存储到一个包含时间序列标签的DataFrame对象中。
所有数据都可以通过tushare模块获取，而且也只要一行代码即可。
tushare提供了一系列的股票数据接口，在tushare的文档网站上有相当完备的解释，因此这里就不赘述了，只简单介绍tushare的最基本用法。
首先导入tushare模块
import tushare as ts
在 tushare 中可以用 pro_bar() 函数获取股票的K线数据，默认的数据是日线数据。将股票代码、起止日期传入函数后就可以获取相应时段里的K线数据，例如，通过以下代码可以获取股票“000001.SZ”在2019年的全部日线数据：
In [1]: daily = ts.pro_bar('000001.SZ', start_date='2019-01-01', end_date='20191231')
In [2]: daily
ts_code trade_date open ... pct_chg vol amount
0 000001.SZ 20191231 16.57 ... -0.7242 704442.25 1154704.348
1 000001.SZ 20191230 16.46 ... -0.3608 976970.31 1603152.786
2 000001.SZ 20191227 16.53 ... 0.9715 1042574.72 1741473.179
3 000001.SZ 20191226 16.34 ... 1.0429 372033.86 610381.757
4 000001.SZ 20191225 16.45 ... -0.6098 414917.98 679664.596
.. ... ... ... ... ... ... ...
239 000001.SZ 20190108 9.73 ... -0.8214 402388.11 389247.795
240 000001.SZ 20190107 9.84 ... -0.1026 865687.66 841166.430
241 000001.SZ 20190104 9.24 ... 5.0647 1481159.06 1422149.888
242 000001.SZ 20190103 9.18 ... 0.9793 415537.95 384457.707
243 000001.SZ 20190102 9.39 ... -2.0256 539386.32 498695.109
[244 rows x 11 columns]
分析获取的数据的结构，可以发现 tushare 直接获取的数据并不符合 mplfinance 的需要。获取的数据结构如下：
In [3]: daily.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 11 columns):
ts_code 244 non-null object
trade_date 244 non-null object
open 244 non-null float64
high 244 non-null float64
low 244 non-null float64
close 244 non-null float64
pre_close 244 non-null float64
change 244 non-null float64
pct_chg 244 non-null float64
vol 244 non-null float64
amount 244 non-null float64
dtypes: float64(9), object(2)
memory usage: 21.1+ KB
其中的open、high、low、close、和vol几列信息是需要的，其余的数据列都可以删除掉，另外，这些数据的 Index 并不是时间序列，交易日期是以字符串的形式存储在 trade_date 列中的，需要将日期作为 DataFrame的Index ，并把它们转化为 pandas.Timestamp 格式。
In [4]: daily.index=daily.trade_date
In [5]: daily = daily.rename(index=pd.Timestamp)
转化后，删除不需要的列，调整 vol 列的列名称为volume，并把数据按日期排序：
In [6]: daily.drop(columns=['ts_code', 'trade_date', 'pre_close', 'change', 'pct_chg', 'amount'], inplace=True)
In [7]: daily.columns=['open', 'high', 'low', 'close', 'volume']
In [8]: daily.sort_index(inplace=True)
In [9]: daily.info()
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 244 entries, 2019-01-02 to 2019-12-31
Data columns (total 5 columns):
open 244 non-null float64
high 244 non-null float64
low 244 non-null float64
close 244 non-null float64
volume 244 non-null float64
dtypes: float64(5)
memory usage: 21.4+ KB
这样，K线数据就已经准备好了。
通过mplfinance可以非常容易地生成K线图，只要将这个DataFrame对象直接传递到plot()函数中即可。