⑴ 通过Tushare平台，获取指数信息存入数据库中
通过Tushare平台，获取并存入数据库指数信息，具体步骤如下：
首先，获取股票指数信息。利用Python的tushare库，通过账号访问数据源，获取上证综指、深证成指、上证50、沪深300与中证500等指数的数据。以2011年1月1日至2020年12月31日的数据为例，使用Pandas库进行数据处理，最后将数据连接至数据库。
其次，建立数据库连接并创建表格。在MySQL数据库中，创建一个名为tushare.index_daily的表格，表格包括指数代码、交易日期、开盘价、最高价、最低价、收盘价、昨收价与成交量。
再次，将获取的指数数据插入数据库中。使用for循环遍历各指数，执行SQL语句插入数据至指定表格。确保数据完整性和准确性。
接着，计算每个日期对应的星期。使用SQL的WEEKDAY函数，返回交易日期对应的星期编号（0为星期一，6为星期日）。
随后，计算每日涨跌幅。通过计算收盘价与昨收价的百分比变化，得出每日涨跌幅。
最后，统计分组得到每个指数不同天的平均涨跌幅。使用SQL语句，按指数代码与星期编号分组，并计算平均涨跌幅。结果按照指数代码与星期排序，便于分析。
将处理后的数据输出，使用Python连接数据库执行SQL查询，并将查询结果转化为列表输出。完成数据的获取、处理与展示。
⑵ 锲介檯镶＄エ鎸囨暟 涓嬭浇 python 鍖
Python涓鍙浠ヤ娇鐢ㄥ氱嶅寘𨱒ヤ笅杞藉浗闄呰偂绁ㄦ寚鏁版暟鎹锛屽俻andas_datareader銆乱finance绛夈
鍏充簬镶＄エ鎸囨暟鏁版嵁涓嬭浇
鍦ㄥ浗闄呰偂绁ㄦ暟鎹涓嬭浇鏂归溃锛孭ython鎻愪緵浜嗗氱嶅簱𨱒ュ府锷╁紑鍙戣呰幏鍙栭噾铻嶆暟鎹銆傚叾涓锛屽浗闄呰偂绁ㄦ寚鏁版暟鎹镄勮幏鍙栨槸杩欎簺搴撶殑涓涓閲嶈佸姛鑳姐傝繖浜涙暟鎹鍙浠ョ敤浜庡垎鏋愯偂绁ㄥ竞鍦鸿秼锷裤佸缓绔嬫姇璧勭瓥鐣ョ瓑銆
甯哥敤镄凯ython鍖
1. pandas_datareader锛氲繖鏄涓涓鐢ㄤ簬璇诲彇钖勭嶉噾铻嶆暟鎹镄凯ython搴撱傞氲繃杩欎釜搴掳纴鍙浠ヨ交𨱒惧湴浠庡悇绉嶆潵婧愪笅杞借偂绁ㄦ寚鏁版暟鎹锛屽俌ahoo Finance绛夈傚畠鎻愪緵浜嗕竴涓缁熶竴镄勬帴鍙ｆ潵璁块梾澶氱嶆暟鎹婧愶纴浣垮缑鏁版嵁銮峰彇鍙桦缑鐩稿圭亩鍗曘
2. yfinance锛氲繖鏄涓涓涓扑负Yahoo Finance璁捐＄殑Python搴撱傚畠鍙浠ョ敤𨱒ヤ笅杞借偂绁ㄣ佹湡璐с佸栨眹鍜屽姞瀵呜揣甯佺瓑閲戣瀺浜у搧镄勬暟鎹锛屽寘𨰾锲介檯镶＄エ鎸囨暟銆傜敱浜庡畠鏄涓挞棬阍埚筜ahoo Finance璁捐＄殑锛屽洜姝ゅ湪镆愪簺𨱍呭喌涓嫔彲鑳芥洿阃傜敤浜庣壒瀹氱殑镶＄エ鍜屽竞鍦恒
浣跨敤鏂瑰纺
杩欎簺搴撶殑浣跨敤阃氩父娑夊强鍒板畨瑁呯浉搴旂殑Python鍖咃纴铹跺悗阃氲繃绠鍗旷殑鍑芥暟璋幂敤灏卞彲浠ヤ笅杞藉埌镶＄エ鎸囨暟鏁版嵁銆傚叿浣撶殑浣跨敤鏂瑰纺闇瑕佹牴鎹搴撶殑鏂囨。鍜屾寚鍗楄繘琛岋纴阃氩父闇瑕佹彁渚涜偂绁ㄧ殑浠ｇ爜鎴栬呭竞鍦虹殑镙囱瘑绗︿綔涓哄弬鏁般傚悓镞讹纴杩橀渶瑕佹敞镒忔暟鎹镄勬椂鏁堟у拰鎺堟潈闂棰樸
镐荤粨𨱒ヨ达纴濡傛灉闇瑕佷笅杞藉浗闄呰偂绁ㄦ寚鏁版暟鎹锛孭ython鎻愪緵浜嗗氱嶅簱𨱒ュ府锷╁疄鐜拌繖涓鐩镙囷纴寮鍙戣呭彲浠ユ牴鎹鍏蜂綋闇姹傚拰锅忓ソ阃夋嫨钖堥傜殑搴撱
⑶ 利用Tushare获取股票数据（全面详细，照着敲就可以）
Tushare是一个专为金融分析人员设计的免费Python财经数据接口包，它简化了从数据采集到存储的过程，以pandas DataFrame格式提供高效的数据。通过Python的pandas、NumPy和Matplotlib，分析人员可以方便地进行数据处理和可视化，同时支持Excel和关系型数据库的分析。Tushare覆盖了股票、基金、期货、数字货币等广泛的数据内容，以及基本面数据，如公司财务和基金经理信息，且支持多语言的SDK和RESTful接口，适应不同用户的需求。数据存储选项包括Oracle、MySQL、MongoDB、HDF5和CSV，确保了数据获取的性能和便利性。
安装Tushare依赖环境只需执行pip install tushare，查看版本信息时，导入并打印tushare的__version__属性即可。以下是使用Tushare获取股票数据的步骤：
⑷ 使用 Python 获取股票历史资金流向数据（大单、超大单、主力流入等）
市场主导力量在股市中尤为重要，理解主力交易数据与股价变动之间的关系对于投资者至关重要。为了深入研究这一领域，本文将展示如何利用Python技术，通过爬虫手段获取A股市场的历史资金流向数据（包括大单、小单、超大单、主力流入等信息）。这些数据将被保存为表格文件，为后续的分析提供便利。
在开始之前，请确保您的计算机已安装Python 3环境。若尚未安装，可参考相应教程进行安装。此外，您需要安装两个库：pandas和requests。通过命令行（或终端工具）执行如下代码以安装：
输入命令并按Enter键执行，直至出现“successfully”提示。
以下代码展示了获取单只股票（股票代码：600519）的历史大单交易数据，并将其保存为CSV文件（文件名与股票代码相同）：
执行示例代码后，输出相关文字信息，生成的文件名在代码执行目录中，并展示文件截图。
接下来的示例代码演示了如何同时获取两只股票（代码分别为600519和300750）的历史大单交易数据，同样以各自股票代码命名CSV文件，并在代码运行目录生成文件。
总结，本文阐述了使用Python获取单只及多只股票的历史资金流向数据，并保存为CSV文件的方法。感谢您阅读本文，如果您对更多金融数据获取感兴趣，请关注我的金融数据获取专栏，以获取更多相关技巧。
⑸ python两大免费获取股票接口Baostock&Tushare
在探索数据获取途径时，Tushare和Baostock成为了两款备受推崇的免费股票接口。Tushare不仅提供了全面的股票数据，还涵盖了其他领域的数据，而Baostock则以其稳定性和高效性着称。
接下来，我们将通过案例分析，直观了解这两款接口的使用方法和特点。
首先，导入Baostock库并登录。配置接口，添加日线指标参数（包含停牌证券），打印结果为pandas的Dataframe，最后输出并存入CSV文件。
导入Tushare等相关库，配置接口。获取南方传媒和浙江传媒股票的收盘价，并形成新的Dataframe。对数据进行排序，然后进行可视化分析，以直观呈现股价集中度和拟合情况。
在选择接口时，应根据自身需求和偏好来决定。Tushare与Baostock各有优势，适合不同应用场景。数据猿虽为门外汉，但希望此分析能为您提供参考。若有疑问或交流需求，欢迎在公众号后台回复“0”，加入数据猿的交流群。
⑹ 如何搭建自己的股票高频数据库（Python）
二话不说，先上结果。本文阐述了以下几个方面：
下图是编写好的数据接口提取数据的示例。该数据接口支持多标的、多品种（股票、指数一起提取）、多字段、多时间提取。并且支持不复权、后复权、等比前复权提取（前复权不太实用就没有做）。而且速度巨快，没有数据量的限制。如果你也觉得很香，请接着往下看，本文将手把手教你搭建这样的数据库。
数据库搭建需要用到一些第三方库，在各位动手之前请安装：
本文的方法不涉及到常用的数据库（不涉及MySQL、MongoDB），思路非常简单，请各位放心食用。主要是使用pyarrow来加强代码性能。虽然不涉及到常用数据库，但这是我目前能想到的最有效的方法。
正所谓“巧妇难为无米之炊”，想搭建高频数据库，就需要一个数据源获取高频数据。在此，我推荐聚宽作为我们的数据源。 聚宽账号的申请请点这里。新人用户有每日100万条数据，DataFrame的一行算一条，请各位务必珍惜自己的数据量。（不过我是正式用户了，每天两个亿，就不太在意这一点哈哈。）
非会员的100万条数据量能干啥？我们来简单计算以下：每个交易日有240条数据（4个小时，240条分钟k线），假设一年有250个交易日，每只股票每年需要占用60000条数据。也即一日的数据量能够提取一只股票16年（100/6=16.66667）左右的股票分钟数据。相当于数据库的搭建过程还是相当艰难的，每天耗尽数据量只能下载好一只股票的数据。（白嫖是这样的啦，如果有条件可以联系聚宽客服，购买正式账号）
我们这里假设我们的数据库记录2015年至今的股票分钟数据。（当然我自己的数据库记录的是2005年1月1日的全A股分钟数据）这里，我们以贵州茅台（股票代码 600519.XSHG）为例，演示数据的提取与保存。先看看数据如何从接口提取出来（这里需要用到各位申请的聚宽账号）：
来看看代码运行的结果。
数据提取后，自然需要把数据保存起来。pandas.DataFrame有很多方便的方法可以将数据保存下来。为做对比，这里将数据保存为csv格式和ftr格式。
相对应的，我们可以用这样的代码将保存好的数据读取进来。虽然pandas有read_feather函数，可以直接将ftr文件读取进来，但这个速度比直接调用pyarrow的更慢一些。考虑到代码性能，这里直接从pyarrow调用read_feather函数。
虽然两种格式都能将数据完整地保存下来，但读取速度上，ftr文件占据着绝对的优势。因此，我们考虑到数据库的性能以及数据库所占空间，我们选择使用ftr格式储存数据。feather正如他的名称，像羽毛一样轻，它所占的空间会比csv更小。这是一种不占空间，读取速度又快的文件格式，太香了！
在前文中我提到了行情数据的提取、保存方法，并强调了一定要提取不复权的数据。这是为了与复权因子结合，还原各种形式的复权数据。至于复权的详细定义，请参看 网络。
随便打开一个股票看盘软件，大致会有3种复权方式，即前复权、不复权、后复权。按照我自己的想法，可以这么理解：
在这样的情况下，如果记录价格数据，记录前复权的数据是最没有意义的，因为隔一段时间，历史的价格就全变了。如果只做收益率相关研究的话，记录后复权数据是可以的。然而，我们这里要搭建数据库，所以采取“记录不复权数据”加上“复权因子”还原的方法。
我们着手提取复权因子。在提取之前，不妨再理顺一下思路：
思路理顺了，我们来看看后复权因子的提取方法：
有了复权因子，如何计算复权价格？请接着看第3节——数据接口编写。
提取了行情数据和复权因子数据，应当找个地方把它们存放起来。我分了两个文件夹来保存我的数据。
在你搜集了足够多只股票的分钟数据后，就能够来到这一步，编写一个数据接口方便调用数据。
数据接口的编写重难点在于股票价格复权的计算。这里同样以贵州茅台（股票代码 600519.XSHG）为例来演示如何进行复权的计算。复权的核心在于下面这个公式：
[公式]
先来看看我们如何提取贵州茅台在一段时间（这里为2015-01-01至2021-09-08）内的后复权分钟数据。（这里千万不能将交易量和交易额一起拿去复权了。只有价格数据需要复权。（我不太确定交易量要不要，要的话我就改一改嘿嘿））
看看代码运行的效果。
那么，等比前复权该如何实现呢？其实很简单，只需要在框定了复权因子的时间后，让复权因子全序列除以最后一个复权因子，即得到前复权因子。将这个前复权因子乘上不复权的价格，即可得到等比前复权的价格数据。
以下是数据接口的全部代码，里面有挺多细节（但挺简单的），我就不再赘述了。
要更新数据库的数据，则是将数据库中的所有数据文件逐个读取进来，取最后一天作为start_date，然后取今天作为end_date。将新数据合并到原有的DataFrame中并保存就完成了数据的更新。数据更新比较耗时，也需要一定的数据量。不过，不论如何，我们来看看数据更新的代码。
在编写完这些代码后，我把这些代码整合成了一个python文件【high_freq_db.py】放在了site-package中，方便以后数据的调用和更新。
亲爱的读者，感谢你读到这里。本文讲述了我搭建我的股票高频数据库的方法。毕竟我的专业是金融而非计算机，难免会有不足的地方，恳请大家在评论区指出。（华工封校了，我也快疯了，所以一天写了两篇东西。。。。）
另外，这个数据库完全搭建起来之后会非常大（行情数据占80GB左右，包含指数和个股ftr文件），维护起来也比较费时费力，就不对外公布了（我也不知道怎么公布【手动捂脸】）。如确有需要，可以和我私信。
再次感谢大家的阅读！
——————————————————
2022年5月27日更新：
有不少小伙伴想要这个数据，目前我已经整理好上传至网络网盘啦。数据和完整代码私聊获取。
获取数据请只用于学习，勿直接用于投资决策！