笔者按：

本文将继续通过数据分析对影响涨幅的因子进行探索和分析，前一篇可以算作是数据预处理的一种思路，它告诉我们必须对于自身使用的数据要了解和熟悉，所以才能够有的放矢的对数据进行合理的处理。这一篇则是通过简单的统计学中的相关性进行探索，配上热力图进行图文说明。下一篇，将进行机器学习的无监督学习的探索，希望能够发掘出更多有趣的结论，敬请期待。

print(df01.corr())

数据展示：

由于数据过大，导致手机无法访问和阅读，所以删除展示。

可视化展示之热力图：

import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']#显示中文
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

#相关性检查
df01corr=df01.corr()
import seaborn as sns
sns.heatmap(df01corr,xticklabels=df01corr.columns.values,
            yticklabels=df01corr.columns.values)

plt.show()

这个热力图看起来不是很清楚，我们再进行调整一下：

#相关性检查
df01corr=df01.corr()
#以涨幅为关键字进行排序，降序处理，与后面的热力图刻度保持一致，便于观察和分析
df01corr=df01corr.sort_values(by='涨幅%',ascending=False)
# print(df01corr)

import seaborn as sns
sns.heatmap(df01corr,xticklabels=df01corr.columns.values,
            yticklabels=df01corr.columns.values)
#将x轴标签进行45度调整，便于观察
plt.xticks(rotation = 45)
plt.show()

• 以60%的相关性来分析，我们可以得到涨幅%与现价，涨跌，量比，涨停数等因子关系比较密切，由于现价没有方向，也没有参考系，所以只能放弃，涨跌是通过计算隐含着涨幅的计算，所以也不能算，值得引起我们注意的还是量比和涨停数，它们的存在与涨幅%没有多大关系，但是却是我们分析和观察市场最有利的帮手和参考。

量比是衡量相对成交量的指标。它是指股市开市后平均每分钟的成交量与过去5个交易日平均每分钟成交量之比。其计算公式为：量比=（现成交总手数 / 现累计开市时间(分) ）/ 过去5日平均每分钟成交量。

• 同理，与涨幅相关性较差的应当属于跌幅数，涨幅数【没想到吧】，换言之，普涨但是行业个股涨停数较少的都不能支撑涨幅%，换言之，衡量好的行业的涨幅的质量关键在于其成交量和涨停数两个重要指标，这也意味着，如果当一个行业大涨，但是其涨停数量较少或者没有，自然是一种颇为【虚胖】的情况，而这种情况应当回避。
• 涨幅与量比关系的亲密也告诉我们，任何市场的变化都是通过资金来进行推动的，我们的市场仍然是一个资金密集型的市场，其流动性依旧是股市的命脉，市场的焦点。市场中充斥着的追高追热点仍然是投资者的一个习惯。
• 由于数据是横截面的一天表现，没有体现出线性的关系，所以我们也很惊讶地发现市值，股本等在去年大出风头的因子在这里反而差强人意感到诧异和不安。尽管我们会强调大市值与涨跌幅的关系，但是很难受的，在这一天的表现探索中，这些优秀的因子不能起到任何有利作用。这也意味着，从短线的角度来看，尤其是超级短线的角度来看，市值和股本的降序选择似乎不会那么友好。大市值的公司大多数都在【银行、证券】等公司，也许对于牛市的期待还不能很近地到来，需要有一些耐心才是。
• 从累积涨幅来看，我们似乎会发现一个更加吃惊的事实，那就是过去涨得越凶的行业，在1月14日这天反而受到了压制，这似乎意味着，前期的强势将成为压制后期走势的重要参考，因此在创新高，突破上的关键点位则更加容易让人值得注意。它能够意味着主力【愿意突破前期高点，而且愿意付出成本来冲击前期高点】的意图十分明显，在这个过程中，价格的暴涨和成交量的持续放大都会引发市场的焦点和关注，自然在熊市和震荡市面前也更容易出现强势行业或者我们能够耳熟能详的【骗线】、【假突破】。

这是笔者的浅谈，大家可以结合代码和数据自行运行得出更多的结论。一天的分析肯定是不够的，所以笔者将进行封装以后，将有空进行测试和分析，便于得出更为有利的证据来证明。