新华财经纽约1月6日电（记者 刘亚南）由于当日公布的宏观数据显示美国经济继续降温和市场对美联储加息预期减弱，纽约股市三大股指在6日高开，盘中涨幅显著扩大，收盘时纽约股市三大股指涨幅均超2%。

截至当天收盘，道琼斯工业平均指数比前一交易日上涨700.53点，收于33630.61点，涨幅为2.13%；标准普尔500种股票指数上涨86.98点，收于3895.08点，涨幅为2.28%；纳斯达克综合指数上涨264.05点，收于10569.29点，涨幅为2.56%。

板块方面，标普500指数十一大板块全线上涨。材料板块和科技板块分别以3.44%和2.99%涨幅领涨，医疗板块涨幅最小，为0.89%。

降温迹象明显

尽管美国就业市场整体依然充满韧性，但市场高度关注的平均小时工资涨幅明显回落，市场对高通胀持续的担忧得到缓解。同时，服务业景气指数两年多来首次进入收缩区间，显示经济在进一步降温，一些投资者对美国出现经济软着陆的乐观预期回升。这些因素均提振了市场人气。

美国劳工部公布的数据显示，2022年12月份美国非农部门新增就业岗位数量为22.3万个，高于市场预期的20万个，而2022年11月份新增非农就业数量则从26.3万个下调至25.6万个。数据还显示，美国2022年12月份失业率为3.5%，低于市场预期的3.7%，而前一个月的失业率则从3.7%下调至3.6%。美国劳动参与率为62.3%，高于2022年11月份的62.2%。

值得注意的是，2022年12月份美国平均小时工资收入环比涨幅为0.3%，低于市场预期的0.4%，2022年11月份平均小时工资收入环比涨幅则从0.6%向下修订为0.4%。

亚特兰大联邦储备银行行长拉斐尔•博斯蒂克（Raphael Bostic）表示，当日公布的就业数据是美国经济在逐渐放缓的另一个迹象，如果这一趋势继续，美联储可能会在下一次议息会议上把加息幅度降至25个基点。

道富环球投资顾问公司首席投资策略师迈克尔•阿伦（Michael Arone）表示，所有投资者关心的是数据显示通胀在朝美联储的目标移动。平均小时工资收入情况显示通胀在继续放缓，投资者为此感到兴奋。

美国商务部公布的数据显示，美国2022年11月份制成品新订单金额为5433亿美元，环比下降1.8%，弱于市场预期的-0.7%，而2022年10月份环比涨幅则从1%下调至0.4%。

美国供应管理学会公布的数据显示，美国2022年12月份服务业景气指数为49.6，低于市场预期的55和前一个月的56.5，这是2020年5月以来该指数首次进入收缩区间。

里士满联邦储备银行行长托马斯•巴尔金（Thomas Barkin）表示，美联储进一步调低加息幅度将有助于限制加息对经济造成的伤害。他说，在2022年激进加息后，美联储现在可以采取更加从容不迫的行动。

高盛首席经济学家扬•哈祖斯（Jan Hatzius）表示，目前美国经济增长低于趋势增速，这对实现经济再平衡是必要的。工资增长在逐渐放缓，价格上涨回落的相当快。这对实现经济增长“软着陆”而言是令人鼓舞的。

外汇资讯网站FXEmpire市场分析师弗拉基米尔•泽尔诺夫(Vladimir Zernov) 表示，由于高利率给经济带来太多的压力，交易商认为美联储将会被迫放弃鹰派的计划。国债收益率出现强劲的下行动能，这显示市场人气在发生变化。

当日，美国10年期国债收益率显著下跌15.65个基点，收于3.563%，对市场人气带来显著提振。而美国2年期国债收益率则大幅下降了18.3个基点，收于4.283%。

仍需更多证据

尽管美国经济和通胀看起来在美联储此前激进加息下正逐渐降温，但美联储货币政策要转向仍需要更多的证据确证。在2023年伊始美国股市明显承压的情况下，投资者无疑有理由为通胀继续放缓和可能实现经济“软着陆”而兴奋，但仍需警惕市场波动。

瑞银集团表示，由于工资增长放缓的迹象缓解了对美联储进一步收紧货币政策程度的担忧，美国股市在6日上涨。服务业景气指数的大幅下降强化了投资者对美联储加息周期可能更接近结束的看法。尽管如此，其他数据显示，就业市场仍旧紧张，美联储需要看到工资增长放缓的证据才会考虑停止加息。预计股市仍然充满波动，股市持续上涨的宏观经济条件尚不具备。

美国银行全球研究部美国经济学家迈克尔•加彭（Michael Gapen）表示，6日公布的就业数据可以让美联储感到一些宽慰，但就业数据的多个方面显示美国就业市场的失衡进一步扩大。

加彭说，一方面，美联储看起来处于阻止就业市场失衡进一步扩大的边缘。如果月度新增就业岗位回落到10万个左右，这可能会实现阻止就业市场失衡的扩大。另一方面，这只是意味着就业市场的失衡停止扩大，但失衡尚未出现翻转。预计美联储会进一步加息，预计美联储会在2月初和3月份的议息会议上分别加息50个基点和25个基点。虽然当日的就业报告无疑构成利好，但不足以让决策者把下一次加息幅度降至25个基点。

高盛集团分析师认为，本周公布的大量经济数据总体上指向就业市场富有韧性和全美商业信心受到侵蚀。即便美国单月新增就业岗位超过20万个，空缺岗位数量超1000万个，但制造业和服务业的情况感觉在变得更糟。

高盛集团分析师表示，经济增长放缓、高通胀和高股票估值的不寻常组合很可能让今后一年的市场交易环境并不平坦，很可能意味着2023年的投资回报是温和的。

瑞银金融服务公司美洲资产配置负责人杰森•德拉霍（Jason Draho）在日前表示，很多因素会影响市场在2023年的表现，但主要的宏观问题是就业市场是否能在充分降温的同时而不带来危机，关注的焦点将是平均小时工资收入。平均小时工资收入是2023年通胀收缩幅度所面临的最大的不确定性。由于平衡的就业市场是美联储转向降息的前提条件，平均小时工资变化情况将对美联储带来影响。

德拉霍认为，劳动力市场降温而不出现危机的能力以及对美联储货币政策的影响是美国经济将出现软着陆、温和衰退或深度衰退的最大决定因素。

编辑：刘润榕

声明：新华财经为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。

每经记者：吴永久 每经编辑：何剑岭

周五，外围市场遭遇大跌，确实有一些令人意外，原因是南非的新冠变异病毒。

原油一天暴跌13%，而在前段时间，原油期货还在80美元上方之时，牛眼君就认为，需要注意80美元附近的压力。

原油暴跌之后，有利于减轻通胀压力，因此这是好事。

美元指数周五也出现显著回落，在前几天，牛眼君就认为，其处于20年周期的压力线附近。

对于南非的新冠变异毒株，现在市场对此众说纷纭的。

牛眼君（每经牛眼：njcjnews）觉得，此事对市场的影响或许不大。原因是，第一，此次新冠变异毒株来自南非，而非欧美国家，南非的经济占全球比重非常低，影响较小；第二，经过去年的疫情，全球防疫措施显著升级。

有高手觉得，明天低开之后，或许是一个抄底机会。从技术分析角度来看，上证指数250日均线是一条重要支撑线。

这个周末，有一个重要消息是，烟草专卖法实施条例修改，电子烟参照卷烟有关规定执行。

牛眼君看了一下这个规定，里面规定，生产、批发、零售烟草均须办理许可证。

这意味着，这对有许可证的相关公司是一个利好，还有就是中烟的核心供应商。

吸烟对身体是不太好的，只要毅力坚强，还是能够戒掉的。

还有一个重要消息是，周五数字货币概念股暴涨，这源于一个消息“微信、支付宝收款码不能用于经营收款”，不过，周末中国人民银行有关部门表示该说法系误读。

从近期的市场来看，牛眼君发现，年底排名战打响，一些机构重仓股悄悄连续大涨。

如几个月前调入自选股的一只科创板股票，近一个月股价就翻倍了，十大流通股东里面不少大牌基金。当时是基于科创将走出一波大行情的判断，所以选了一些科创板股票。不过，目前觉得，一些股票估值不算便宜，并且个股研究蛮复杂的。

在目前的存量资金博弈格局下，专注于小盘成长股或困境反转股或许是个不错的策略。

今年的大多主流基金操作不太好，因此可以跟踪一些善于挖掘小盘成长股的基金经理持仓。

如景顺长城李进，此前其管理的宝盈基金几只产品收益率还不错。

以前在访谈之中，他说道，“我相对于其他基金经理没有特别明显的优势，这个行业有太多人比我优秀。如果一定要说一个的话，中国有句话说得挺好，笨鸟先飞。我属于比较笨的人，也相对比较勤奋、努力。”投资之外，他最喜欢看最喜欢的书是《孙子兵法》。

目前管理的3只产品之中，景顺长城科技创新混合有三季报的持仓，显示道通科技为第一大重仓股。

资料显示，道通科技是汽车智能诊断龙头，公司产品主销美国、欧洲、日本等70多个国家和地区， 与博世、实耐宝并列世界三大汽车诊断产品领军者。目前主要业务包括汽车智能诊断和检测、TPMS（胎压监测系统）和ADAS（高级辅助驾驶系统）产品及相关软件云服务。

对于自动驾驶，目前是大热门，很多整车公司，以及苹果、华为等研发。

还有就是，一些高手看好科创etf。

（风险提示：本文仅供参考，不构成买卖依据，入市风险自担。）

每日经济新闻

央视财经（财经评论员 越淋）今天沪深两市低开后震荡，午后有所反弹，三大指数均小幅下跌。板块方面，ChatGPT、web3.0、数据要素、中船系等板块涨幅居前；贵金属、乳业、房地产、汽车整车等板块跌幅居前。截至收盘，沪指跌0.68%，深成指跌0.63%，创业板指跌0.85%。

1、两市缩量震荡 沪指走出长下影

今天沪深两市小幅低开后便在分时低位震荡，午后行情有所回暖，跌幅缩窄，但仍是绿盘报收。沪指来看，今天在跌穿了5天和10天均线后，午后资金进入，走出一根长下影，显示下方仍有承托资金进入。周线级别来看，沪指已经来到60周均线上方，能否突破有效，需要继续关注。

2、ChatGPT持续活跃 可以关注热点题材的结构性机会

虽然今天大盘呈现一个弱势震荡的格局，但是盘面上热点还是层出不穷，尤其是近期火热的ChatGPT、AIGC等概念，人气指标股依然封在涨停板上。在市场普跌的格局下，短线题材方向依然能够保持热度，后续可以关注热点题材的结构性机会。

3、北向资金结束17个交易日净流入 需要注意资金的动向

今天北向资金出现了净流出，结束了连续17个交易日的净流入。在1月份，北向资金就大举流入，单月流入数额就超过了去年全年，洪峰过后，部分获利资金了结，外资配置的窗口期逐渐过去。虽然北向具有一定的参考价值，但是跟动辄每天万亿的成交量相比，只占很小一部分，这轮反弹持续性如何，还更应该关注内资的动向和态度。

转载请注明央视财经

（编辑 彭琳）

前言：

本人也是股票投资爱好着，这段时间行情不是很好，就想着做些其他事情转移下注意力，突然想起之前写过的小项目代码，运行后会对你想要的时间日期进行数据的分析生成，然后保存到本地，数据库之前我用的是tushare的，不过太久没用现在不知道数据的接口有没有改变，要想运行成功还是得要去他们那里搞个账号，具体我就不细节展开了。下面我放出代码，供各位大佬们参考，有能力的应该可以改成精美的图形html展示形式。

import os

import docx

import time

import warnings

import pandas as pd

import tushare as ts

from docx.shared import Cm, Inches

from docx.enum.text import WD_ALIGN_PARAGRAPH

from docx.shared import RGBColor,Pt

warnings.filterwarnings('ignore')

#pd.set_option()就是pycharm输出控制显示的设置

pd.set_option('expand_frame_repr', False)#True就是可以换行显示。设置成False的时候不允许换行

pd.set_option('display.max_columns', None)# 显示所有列

#pd.set_option('display.max_rows', None)# 显示所有行

pd.set_option('colheader_justify', 'centre')# 显示居中

#os.chdir()用于改变当前工作目录到指定的路径

#此路径必须改为放数据的路径且中间的不能缺失任何一天数据，例如get_analysis_stockdata('20200101', '20200106')，

#那么你放数据文件夹内不能缺少任何一个这段时期内的交易数据文件，否则报错

os.chdir('D:/stock_data/') #保存的绝对路径，需要自己修改跟创建,就是切换默认的工作目录到你设置的路径

pro = ts.pro_api('要到tushare官网注册个账户然后将token复制到这里')

#df_basic = pro.stock_basic() 获取基础信息数据，包括股票代码、名称、上市日期、退市日期等

#df_daily = pro.daily() 获取所有股票日行情信息，或通过通用行情接口获取数据，包含了前后复权数据，停牌期间不提供数据

#df_daily_basic = pro.daily_basic(）获取全部股票每日重要的基本面指标，可用于选股分析、报表展示等。

def get_all_stockdata(st_date, ed_date):

trade_d = pro.trade_cal(exchange='SSE', is_open='1',start_date=st_date,end_date=ed_date,fields='cal_date')

for date in trade_d['cal_date'].values:

df_basic = pro.stock_basic(exchange='', list_status='L') #再获取所有股票的基本信息

df_daily = pro.daily(trade_date=date) # 先获得所有股票的行情数据，成交额单位是千元，成交量是手

df_daily_basic = pro.daily_basic(ts_code='', trade_date=date,fields='ts_code, turnover_rate, turnover_rate_f,'

' volume_ratio, pe, pe_ttm, pb, ps, ps_ttm,'

' dv_ratio, dv_ttm, total_share, float_share,'

' free_share, total_mv, circ_mv ') #获取每日指标，单位是万股，万元

#基本数据跟行情数据合并，再跟每日指标数据合并生成一个csv数据文件

df_first = pd.merge(left=df_basic, right=df_daily, on='ts_code', how='outer') #on='ts_code'以ts_code为索引，合并数据，how='outer'，取并集

df_all = pd.merge(left=df_first, right=df_daily_basic, on='ts_code', how='outer')

#数据清洗，删除symbol列数据，跟ts_code数据重复

df_all = df_all.drop('symbol', axis=1)

for w in ['name', 'area', 'industry', 'market']: #在'name', 'area', 'industry', 'market'列内循环填充NaN值

df_all[w].fillna('问题股', inplace=True)

df_all['ts_code'] = df_all['ts_code'].astype(str) #强制转换成str字符串格式

df_all['list_date'] = pd.to_datetime(df_all['list_date'])

df_all['trade_date'] = pd.to_datetime(df_all['trade_date'])

 

df_all.to_csv(str(date) + '_ts.csv', index=False, encoding='gbk') #保存数据，不保存索引，如果index=True，则保存索引会多出一列

print(df_all)

print('%s is downloaded.' % (str(date)))

return df_all

#分析数据并生成docx文档，存储至本地D盘D:/stock_analysis/

def get_analysis_stockdata(st_date, ed_date):

trade_d = pro.trade_cal(exchange='SSE', is_open='1',start_date=st_date,end_date=ed_date,fields='cal_date') #获取st_date,ed_date时间段内的交易日期

for date_now in trade_d['cal_date'].values: #将以上获取时间段的交易日期赋值给date_now

df = pd.read_csv('{}_ts.csv'.format(str(date_now)), encoding='gbk') #读取时间段内每日的股票数据

df.fillna(0, inplace=True) #fillna填充缺失数据,传入inplace=True直接修改原对象

#astype强制将涨幅，PE，总市值，流通市值转换成float格式,ts_code转化成str后，NAN也变成nan str格式

df[['change', 'pe', 'total_mv', 'circ_mv']] = df[['change', 'pe', 'total_mv', 'circ_mv']].astype(float)

df['list_date'] = pd.to_datetime(df['list_date'])

df['ts_code'] = df['ts_code'].astype(str)

# 添加交易所列

df.loc[df['ts_code'].str.startswith('3'), 'exchange'] = 'CY'

df.loc[df['ts_code'].str.startswith('6'), 'exchange'] = 'SH'

df.loc[df['ts_code'].str.startswith('0'), 'exchange'] = 'SZ'

df_up = df[df['change'] > 0.00] #找出上涨的股票

df_even = df[df['change'] == 0.00] #找出走平的股票

df_down = df[df['change'] < 0.00] #找出下跌的股票

# 找出涨停的股票

limit_up = df[df['change']/df['pre_close'] >= 0.097]

limit_down = df[df['change']/df['pre_close'] <= -0.0970]

# 涨停股数中的未封板股，上市日期小于15天

limit_up_new = limit_up[pd.to_datetime(date_now) - limit_up['list_date'] <= pd.Timedelta(days=15)]

# 涨停股数中次新股，上市日期小于1年

limit_up_fresh = limit_up[pd.to_datetime(date_now) - limit_up['list_date'] <= pd.Timedelta(days=365)]

# 涨停股数中的未封板股，上市日期小于15天

limit_down_new = limit_down[pd.to_datetime(date_now) - limit_down['list_date'] <= pd.Timedelta(days=15)]

# 涨停股数中次新股，上市日期小于1年

limit_down_fresh = limit_down[pd.to_datetime(date_now) - limit_down['list_date'] <= pd.Timedelta(days=365)]

#df_up.shape[0]获取上涨的行数

print('A股上涨个数： %d, A股下跌个数： %d, A股走平个数: %d。' % (df_up.shape[0], df_down.shape[0], df_even.shape[0]))

print('A股总成交额：%d, 总成交量：%d' % (df['amount'].sum(), df['vol'].sum()))

print('A股平均市盈率：%.2f， 平均流通市值 %.2f 亿, 平均总市值 %.2f 亿' % (df['pe'].mean(), df['circ_mv'].mean(), df['total_mv'].mean()))

print('涨停数量：%d 个, 涨停中上市日期小于15天的：%d, 涨停中上市日期小于1年的：%d' % (limit_up.shape[0], limit_up_new.shape[0], limit_up_fresh.shape[0]))

print('跌停数量：%d 个, 跌停中上市日期小于15天的：%d, 跌停中上市日期小于1年的：%d' % (limit_down.shape[0], limit_down_new.shape[0], limit_down_fresh.shape[0]))

file = docx.Document()

#设置总标题,居中

headb = file.add_heading('%s中国股市今日收盘分析报告' % (date_now), level=0).alignment = WD_ALIGN_PARAGRAPH.CENTER

head1 = file.add_heading('股市基本概况：',level=1) #设置一级标题

#添加段落内容

text1 = file.add_paragraph() #首先创建一个空的段落，然后再往里面加文字，这样方便设置文字格式字体等设置,另外一种写法，缺点不能单独设置字体属性

# text1 = file.add_paragraph('A股上涨个数： %d, A股下跌个数： %d, A股走平个数: %d。' % (df_up.shape[0], df_down.shape[0], df_even.shape[0]))

text1.add_run('A股上涨个数：').bold = True #添加文字并设置粗体

text1.add_run('{} '.format(str(df_up.shape[0]))).font.color.rgb = RGBColor(255, 0, 0) #添加变量

text1.add_run('A股下跌个数：').bold = True

text1.add_run('{} '.format(str(df_down.shape[0]))).font.color.rgb = RGBColor(0, 255, 0)

text1.add_run('A股走平个数：').bold = True

text1.add_run('{} '.format(str(df_even.shape[0]))).font.color.rgb = RGBColor(0, 0, 255)

text1.line_spacing = Pt(25) #设置段落行距

text1.style = 'List Bullet' # 设置项目符号列表

text2 = file.add_paragraph()

text2.add_run('A股总成交额：').bold = True

text2.add_run('{}'.format(str(round(df['amount'].sum(),2)))).font.color.rgb = RGBColor(128, 0, 128)

text2.add_run('千元 ')

text2.add_run('总成交量：').bold = True

text2.add_run('{}'.format(str(round(df['vol'].sum(),2)))).font.color.rgb = RGBColor(128, 0, 128)

text2.add_run('手 ')

text2.line_spacing = Pt(25)

text2.style = 'List Bullet'

text3 = file.add_paragraph()

text3.add_run('A股平均市盈率：').bold = True

text3.add_run('{} '.format(str(round(df['pe'].mean())))).font.color.rgb = RGBColor(128, 0, 128)

text3.add_run('平均流通市值：').bold = True

text3.add_run('{}'.format(str(round(df['circ_mv'].mean(),2)))).font.color.rgb = RGBColor(128, 0, 128)

text3.add_run('万元')

text3.add_run('\n')

text3.add_run('平均总市值：').bold = True

text3.add_run('{}'.format(str(round(df['total_mv'].mean(),2)))).font.color.rgb = RGBColor(128, 0, 128)

text3.add_run('万元 ')

text3.line_spacing = Pt(25)

text3.style = 'List Bullet'

text3.add_run('\n')

text4 = file.add_paragraph()

text4.add_run('涨停数量：').bold = True

text4.add_run('{}'.format(str(limit_up.shape[0]))).font.color.rgb = RGBColor(255, 0, 0)

text4.add_run('个 ')

text4.add_run('涨停中上市日期小于15天的：').bold = True

text4.add_run('{}'.format(str(limit_up_new.shape[0]))).font.color.rgb = RGBColor(255, 0, 0)

text4.add_run('个 ')

text4.add_run('\n')

text4.add_run('涨停中上市日期小于1年的：').bold = True

text4.add_run('{}'.format(str(limit_up_fresh.shape[0]))).font.color.rgb = RGBColor(255, 0, 0)

text4.add_run('个 ')

text4.line_spacing = Pt(25)

text4.style = 'List Bullet'

text5 = file.add_paragraph()

text5.add_run('跌停数量：').bold = True

text5.add_run('{}'.format(str(limit_down.shape[0]))).font.color.rgb = RGBColor(0, 255, 0)

text5.add_run('个 ')

text5.add_run('跌停中上市日期小于15天的：').bold = True

text5.add_run('{}'.format(str(limit_down_new.shape[0]))).font.color.rgb = RGBColor(0, 255, 0)

text5.add_run('个 ')

text5.add_run('\n')

text5.add_run('跌停中上市日期小于1年的：').bold = True

text5.add_run('{}'.format(str(limit_down_fresh.shape[0]))).font.color.rgb = RGBColor(0, 255, 0)

text5.add_run('个 ')

text5.line_spacing = Pt(25)

text5.style = 'List Bullet'

file.add_page_break() #添加分页符

def get_output(df, columns='_industry', name='_limit_up'):

# df.copy（deep= False）和df.copy()都是浅拷贝，是复制了旧对象的内容，然后重新生成一个新对象，改变旧对象不会影响新对象。

df = df.copy()

output = pd.DataFrame()

#df.groupby(columns)根据列值分组数据，并根据股票代码统计数据

output = pd.DataFrame(df.groupby(columns)['ts_code'].count())

output['平均市盈率'] = round(df.groupby(columns)['pe'].mean(),2)

output['平均流通市值(万)'] = round(df.groupby(columns)['circ_mv'].mean(),2)

output['平均总市值(万)'] = round(df.groupby(columns)['total_mv'].mean(),2)

output['平均成交量(手)'] = round(df.groupby(columns)['vol'].mean(),2)

output['平均成交额(千)'] = round(df.groupby(columns)['amount'].mean(),2)

#依据ts_code进行降序，排序后的数据集替换原来的数据

output.sort_values('ts_code', ascending=False, inplace=True)

#改列值名字，将ts_code改成name+‘_count’的形式

output.rename(columns={'ts_code': name + '合计'}, inplace=True)

return output

for i in ['industry', 'exchange', 'area']:

# 对涨停的股票分析

output_limit_up = get_output(limit_up, columns=i, name='涨停').reset_index()

# 对跌停的股票分析

output_limit_down = get_output(limit_down, columns=i, name='跌停').reset_index()

# 对全量的股票分析

output_total = get_output(df, columns=i, name='全部').reset_index()

#添加表格开头类别说明

tabletext = file.add_paragraph()

tabletext.add_run('类别：').bold = True

tabletext.add_run('{} '.format(str(i))).font.color.rgb = RGBColor(222, 125, 44)

print(output_limit_up)

print(output_limit_down)

print(output_total)

for j in [output_limit_up, output_limit_down, output_total]: #, output_total

tb = file.add_table(rows=len(j.index)+1, cols=len(j.columns),style='Medium Grid 3 Accent 1')

tb.autofit = True #关闭表格行宽自适应

for x in range(len(j.columns)):

tb.cell(0, x).text = j.columns[x] #添加表列头

#tb.cell(0, x).width = Inches(1.2) #设置行宽

tb.cell(0, x).paragraphs[0].alignment = WD_ALIGN_PARAGRAPH.CENTER #文字居中

for row in range(len(j.index)):

for col in range(len(j.columns)):

tb.cell(row+1, col).text = str(j.iloc[row, col]) #设置行宽

tb.cell(row+1, col).paragraphs[0].alignment = WD_ALIGN_PARAGRAPH.CENTER #文字居中

file.add_paragraph('\n') #表格换行

file.add_page_break() #每制成一个类别表格分一次页面

#之所以生成文件慢是因为output_total这个统计需要长时间计算，如果需要速度快你可以试着把output_total去掉

#生成一个docx文件我的电脑需要3到4分钟左右

file.save('D:\\stock_analysis\\{}_分析报告.docx'.format(str(date_now)))

print('{}_分析报告分析完成'.format(str(date_now)))

if __name__=="__main__":

get_all_stockdata('20200611', '20200611')

get_analysis_stockdata('20200611', '20200611')

上一篇：股票(尤夫股份股票停牌)

下一篇：安防概念股票有哪些(安防概念股票)