python两大免费获取股票接口Baostock&Tushare

最近，在一门涉及python的课上，老师讲解了Tushare这款股票数据接口。经过数据猿进一步探索之后发现，Tushare不但包含包含齐全的股票数据，还包含了其他领域的有用数据。除此之外，Baostock也是一个非常优秀的开源股票借口，使用起来更加稳定快速。

今天，数据猿就来尝试获取一下这两个接口的股票数据吧。

目录如下：

Baostock VS Tushare

首先展示一下二者对比表，本来打算这个表作为文末的总结，但是由于数据猿毕竟门外汉，想写那么专业心有余而力不足，就先这个总结将放在这里的，文中不再赘述具体指标了。

指标	Baostock	Tushare
收费状况	免费	部分免费
数据字段	分钟K线；提供复权	领域齐全丰富
社区	仅针对股票市场	涉及多个投资领域；社区历史久、积累丰富
学习成本	门槛低，文档详尽，可快速上手	文档详细，社区内容丰富
代码鲁棒性	速度快	简洁

Baostock

案例一：上证指数日交易量、振幅、换手率

第一步：导入baostock库，并登录

import baostock as bs
import pandas as pd

#### 登陆系统 ####
lg = bs.login()
# 显示登陆返回信息
print('login respond error_code:'+lg.error_code)
print('login respond  error_msg:'+lg.error_msg)

第二步：接口配置

rs = bs.query_history_k_data("000001.SH", "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,peTTM,pbMRQ,psTTM,pcfNcfTTM,isST",
                             start_date='2010-01-01', end_date='2019-12-31', frequency="d", adjustflag="3")
print('query_history_k_data respond error_code:'+rs.error_code)
print('query_history_k_data respond  error_msg:'+rs.error_msg)

补一个日线指标参数（包含停牌证券）

参数名称	参数描述	说明
date	交易所行情日期	格式：YYYY-MM-DD
code	证券代码	格式：sh.600000。sh：上海，sz：深圳
open	今开盘价格	精度：小数点后4位；单位：人民币元
high	最高价	精度：小数点后4位；单位：人民币元
low	最低价	精度：小数点后4位；单位：人民币元
close	今收盘价	精度：小数点后4位；单位：人民币元
preclose	昨日收盘价	精度：小数点后4位；单位：人民币元
volume	成交数量	单位：股
amount	成交金额	精度：小数点后4位；单位：人民币元
adjustflag	复权状态	不复权、前复权、后复权
turn	换手率	精度：小数点后6位；单位：%
tradestatus	交易状态	1：正常交易 0：停牌
pctChg	涨跌幅（百分比）	精度：小数点后6位
peTTM	滚动市盈率	精度：小数点后6位
psTTM	滚动市销率	精度：小数点后6位
pcfNcfTTM	滚动市现率	精度：小数点后6位
pbMRQ	市净率	精度：小数点后6位
isST	是否ST	1是，0否

第三步：打印结果为pandas的Dataframe

#### 打印结果集 ####
data_list = []
while (rs.error_code == '0') & rs.next():  # 获取一条记录，将记录合并在一起
    data_list.append(rs.get_row_data())
result = pd.DataFrame(data_list, columns=rs.fields)
result

示例

date	code	open	high	low	close	preclose	volume	amount	adjustflag	turn	tradestatus	pctChg
2010/1/4	sh.000001	3289.75	3295.279	3243.319	3243.76	3277.139	1.094E+10	1.338E+11	3	0.009476	1	-1.018538
2010/1/5	sh.000001	3254.468	3290.512	3221.462	3282.179	3243.76	1.261E+10	1.619E+11	3	0.010918	1	1.184395
2010/1/6	sh.000001	3277.517	3295.868	3253.044	3254.215	3282.179	1.237E+10	1.58E+11	3	0.010705	1	-0.851991
2010/1/7	sh.000001	3253.991	3268.819	3176.707	3192.776	3254.215	1.287E+10	1.572E+11	3	0.011138	1	-1.887988
2010/1/8	sh.000001	3177.259	3198.92	3149.017	3195.997	3192.776	9.838E+09	1.217E+11	3	0.008516	1	0.10089
2010/1/11	sh.000001	3301.611	3306.751	3197.328	3212.75	3195.997	1.363E+10	1.776E+11	3	0.011601	1	0.524185
2010/1/12	sh.000001	3205.705	3275.202	3180.085	3273.966	3212.75	1.407E+10	1.739E+11	3	0.011969	1	1.90541
2010/1/14	sh.000001	3183.381	3219.016	3165.596	3215.55	3172.658	1.36E+10	1.68E+11	3	0.011552	1	1.351929
2010/1/15	sh.000001	3217.19	3241.815	3197.221	3224.152	3215.55	1.205E+10	1.514E+11	3	0.010239	1	0.267514

第四步：结果输出并存入CSV

#### 结果集输出到csv文件 ####   
result.to_csv("D:\\history_A_stock_k_data.csv", index=False)
print(result)

#### 登出系统 ####
bs.logout()

Tushare

案例二：南方传媒和浙江传媒股票对比

第一步，导入Tushare等相关库

import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
import warnings
warnings.filterwarnings("ignore")

第二步，接口配置

#股票代码、起止日期可替换
caixin = ts.get_hist_data('600633', start='2017-07-01', end='2020-05-08') 
caixin

nanfang = ts.get_hist_data('601900',start='2017-07-01', end='2020-05-08')
nanfang

第三步，二者收盘价

收盘价形成新的Dataframe

#收盘价close
data = {'浙江传媒财新': caixin.close, '南方传媒':nanfang.close}
df = pd.DataFrame(data)
df

排序

#排序
df.sort_values(by='date',ascending=True,inplace=True)
df

第四步，可视化

收盘价可视化

#pandas支持matplotlib的，直接使用df.plot(kind='line')画折线图
import matplotlib.pyplot as plt
%matplotlib inline
df.plot(kind='line')
plt.xticks(rotation = '45')
plt.show()

单支股票股价集中度可视化

# 股价集中趋势可视化
import seaborn as sns
df.round(0)
plt.style.use('ggplot')
df['浙江传媒财新'].plot(kind='hist',bins=30,normed = True)
df['浙江传媒财新'].plot(kind='kde')
plt.show()

单只股票股价拟合可视化

df_pre_caixin = df['浙江传媒财新']
pre_caixin = pd.DataFrame(df_pre_caixin)
pre_caixin['MA5'] = df_pre_caixin.rolling(5).mean()
pre_caixin['MA20'] = df_pre_caixin.rolling(20).mean()
pre_caixin['MA60'] = df_pre_caixin.rolling(60).mean()
pre_caixin.plot()

小结：

二者各有千秋，适合自己需求的才是最好的；

数据猿是门外汉，可能表述上多有错误，还请经管类的朋友多多指导！

BTW，有意交流的，可以在公众号后台回复0，数据猿拉你进群！

参考资料：

Tushare官方文档：https://tushare.pro/document/2

Baostock官方文档：http://baostock.com/baostock/index.php

往期精品：

怎样把地球装进电脑里？

7个比Sci-Hub还牛的免费下载英文文献的方法

从开题报告到毕业论文，这 16 个工具帮你顺利毕业

你见过哪些Jupyter Notebook骚操作

文科数据员交流群来了，一起撸代码和量化研究方法吧！

个人博客「源来是这样」

https://www.cnblogs.com/readiay/p/12846944.html

文字编辑：数据猿Riggle
本文首发于vx公众号：文科数据员