qstock 一个不错的免费数据获取开源项目

最新推荐文章于 2025-04-10 11:16:52 发布

hiquant

最新推荐文章于 2025-04-10 11:16:52 发布

阅读量681

点赞数 25

文章标签：信息可视化

本文链接：https://blog.csdn.net/zhangyunchou2015/article/details/147113917

版权

好的，这是一份关于 qstock 库的详细中文教程。qstock 是一个专注于 A 股的 Python 量化数据获取和可视化库，旨在简化数据流程，方便进行量化分析。

qstock 详细中文教程

1. 引言：什么是 qstock？

qstock 是一个由国内开发者维护的 Python 库，专注于中国 A 股市场。它的主要目标是提供一个简洁、易用的接口来获取股票、指数、基金等的行情数据、基本面数据（部分），并内置了强大的可视化功能（基于 Plotly），可以直接绘制交互式的 K 线图和其他图表。它通常整合了多个免费的数据源（如新浪财经、东方财富、腾讯财经等），为用户屏蔽了底层数据获取的复杂性。

主要面向用户：

量化交易爱好者
金融数据分析师
需要快速获取和可视化 A 股数据的开发者或研究人员

2. 主要特点

专注 A 股: 主要面向中国股票市场。
易于使用: API 设计简洁直观，易于上手。
数据获取: 支持获取历史行情（日/周/月线）、实时行情、股票列表、指数列表等。
内置可视化: 使用 Plotly 作为后端，可以方便地绘制交互式 K 线图，并支持添加常用技术指标（MA, MACD, RSI等）。
数据格式: 返回的数据通常是 Pandas DataFrame 格式，方便后续处理和分析。
整合多数据源: 尝试从多个公开渠道获取数据，提高数据的可用性。

3. 安装

通过 pip 可以方便地安装 qstock：

pip install qstock -U --no-cache-dir

-U: 表示如果已安装则升级到最新版本。
--no-cache-dir: 避免使用缓存，确保安装的是最新代码（有时 Pypi 缓存会导致问题）。

依赖: qstock 会自动安装其依赖库，主要包括 pandas, plotly, requests, lxml 等。

4. 核心功能与使用

首先，导入 qstock 库，通常简写为 qs：

import qstock as qs
import pandas as pd # 通常也会用到 pandas

4.1 获取股票/指数列表

获取 A 股列表:

stock_list = qs.stock_list()
print("A 股列表 (部分):")
print(stock_list.head())
# 输出通常包含代码(code)、名称(name)、所属市场(market)等列

获取指数列表:

index_list = qs.index_list()
print("\n指数列表 (部分):")
print(index_list.head())

获取其他列表 (基金、港股、美股等，取决于库实现):

# 检查库是否支持，例如：
# fund_list = qs.fund_list()
# hk_stock_list = qs.hk_stock_list()

4.2 获取历史行情数据 (K线)

这是最常用的功能之一，通常使用 qs.get_price() 函数。

# 获取单只股票日线数据 (默认前复权)
# code: 股票代码，格式通常是 '股票代码.市场' (如 '600000.SH') 或直接 '600000' (库会自动判断)
# freq: 频率, 'D' (日线), 'W' (周线), 'M' (月线), '5m', '15m', '30m', '60m' (分钟线，部分数据源支持)
# start_date: 开始日期 'YYYY-MM-DD'
# end_date: 结束日期 'YYYY-MM-DD'
# fq: 复权类型, 'qfq' (前复权), 'hfq' (后复权), None (不复权)

# 获取浦发银行 (600000) 2023年的日线数据 (前复权)
code = '600000'
start = '2023-01-01'
end = '2023-12-31'

df_daily = qs.get_price(code, start_date=start, end_date=end, freq='D', fq='qfq')
print(f"\n{code} {start} 到 {end} 日线数据 (前复权, 部分):")
print(df_daily.head())
print(df_daily.tail())

# 获取指数数据，例如上证指数 (000001 或 sh)
sh_index = qs.get_price('sh', start_date=start, end_date=end, freq='D')
print("\n上证指数 2023年日线数据 (部分):")
print(sh_index.head())

# 获取周线数据
df_weekly = qs.get_price(code, start_date='2022-01-01', end_date=end, freq='W')
print(f"\n{code} 周线数据 (部分):")
print(df_weekly.head())

返回的 DataFrame 通常包含以下列：

date 或索引: 日期
open: 开盘价
close: 收盘价
high: 最高价
low: 最低价
volume: 成交量
amount: 成交额 (有时)
turnover 或 turn: 换手率 (有时)

4.3 获取实时行情数据

qstock 通常提供获取当前最新行情快照的功能。

获取单只或多只股票的实时行情:

# 获取单只股票实时行情
realtime_quote = qs.realtime_data('600519') # 贵州茅台
print("\n贵州茅台 (600519) 实时行情:")
print(realtime_quote)

# 获取多只股票实时行情
codes = ['600000', '000001', '300750'] # 浦发银行, 平安银行, 宁德时代
realtime_quotes_multi = qs.realtime_data(codes)
print("\n多只股票实时行情:")
print(realtime_quotes_multi)

返回的 DataFrame 通常包含：代码(code)、名称(name)、当前价(price)、涨跌幅(change_pct)、成交量(volume)、成交额(amount)、最高(high)、最低(low)、开盘(open)、昨收(prev_close) 等字段。

4.4 数据可视化 (K线图)

qstock 的强大之处在于其内置的可视化功能，使用 qs.plot_k()。

# 绘制单只股票的 K 线图
# code: 股票代码
# data: 可选，如果已获取 DataFrame，可以直接传入，否则函数会内部调用 get_price
# start_date, end_date: 如果不传入 data，则需要指定时间范围
# title: 图表标题
# indicators: 要添加的技术指标列表，如 ['MA', 'MACD', 'RSI']
# mav: 移动平均线的周期列表，如 [5, 10, 20]

# 直接根据代码绘制 (内部获取数据)
qs.plot_k('600000', start_date='2023-01-01', end_date='2023-12-31',
          title='浦发银行 (600000) 日K线图 (2023)',
          indicators=['MA', 'MACD'], mav=[5, 10, 20])

# 先获取数据，再绘制 (推荐，更灵活)
df_maotai = qs.get_price('600519', start_date='2023-06-01', end_date='2023-12-31')
qs.plot_k(data=df_maotai, code='600519', # code 参数主要用于图例显示
          title='贵州茅台 (600519) 日K线图 (2023下半年)',
          indicators=['MACD', 'RSI'], mav=[10, 30])

# 绘制指数 K 线图
sh_index_data = qs.get_price('sh', start_date='2023-01-01', end_date='2023-12-31')
qs.plot_k(data=sh_index_data, code='sh', title='上证指数 (2023)', indicators=['MA'], mav=[20, 60, 120])

plot_k 会生成一个交互式的 Plotly 图表，通常会直接在 Jupyter Notebook 或浏览器中显示。你可以缩放、平移、查看具体数值等。

4.5 计算技术指标

qstock 可能内置了一些常用指标的计算，通常在 get_price 或 plot_k 中直接使用。如果需要更复杂的指标或自定义计算，可以利用返回的 Pandas DataFrame 结合 TA-Lib 或 pandas-ta 等库。

通过 get_price 获取带指标的数据 (部分版本/数据源可能支持):

# 尝试在获取数据时直接计算 MA (具体参数看文档或尝试)
# 注意：这个功能不一定所有版本的 qstock 或其依赖的数据接口都支持
# df_with_ma = qs.get_price('600000', start_date=start, end_date=end, indicators=['MA'], mav=[5, 10])
# print(df_with_ma.head())

使用 pandas-ta 计算指标 (更通用的方法):

# 如果未安装 pandas-ta: pip install pandas-ta
import pandas_ta as ta

# 获取数据
df = qs.get_price('000001', start_date='2023-01-01', end_date='2023-12-31') # 平安银行

# 计算 SMA (简单移动平均)
df.ta.sma(length=10, append=True) # 计算10日SMA并添加到 DataFrame，列名为 SMA_10
df.ta.sma(length=20, append=True) # 计算20日SMA并添加到 DataFrame，列名为 SMA_20

# 计算 MACD
df.ta.macd(append=True) # 计算默认参数的 MACD，添加 MACD_12_26_9, MACDh_12_26_9, MACDs_12_26_9 列

# 计算 RSI
df.ta.rsi(append=True) # 计算默认14日 RSI，添加 RSI_14 列

print("\n平安银行数据 + TA 指标:")
print(df.tail())

# 你可以将计算好指标的 DataFrame 传递给 qs.plot_k()
# 注意：plot_k 可能无法自动识别 pandas-ta 添加的列作为指标绘图，
# 但 K 线本身会绘制，你可能需要用 Plotly 或其他库自行绘制指标线。
# 或者，直接在 plot_k 中使用它内置支持的指标 ['MA', 'MACD', 'RSI'] 等。
qs.plot_k(data=df.iloc[-100:], code='000001', title='平安银行 K线 + 手动计算的指标 (部分)',
          indicators=['MA'], mav=[10, 20]) # plot_k 仍按其内置方式画 MA

4.6 获取其他数据

qstock 的不同版本或其依赖的数据源可能还支持获取其他类型的数据，例如：

龙虎榜数据: qs.top_list() 或类似函数。
行业分类数据: qs.industry_list(), qs.get_industry()。
概念题材数据: qs.concept_list(), qs.get_concept()。
基本面数据: 如 qs.get_fundamentals() (可能需要特定数据源支持，如 Tushare，可能需要 token)。
新闻公告: qs.get_news()。

使用这些功能前，建议查阅 qstock 的最新文档或使用 help(qs)、dir(qs) 查看可用的函数。

5. 常用代码示例

示例1：获取单只股票日线数据并绘制K线图

import qstock as qs

# 获取宁德时代 (300750) 2023年至今的数据
code = '300750'
df_catl = qs.get_price(code, start_date='2023-01-01') # end_date 默认为今天

# 绘制 K 线图，带 MA(5, 10, 20, 60) 和 MACD 指标
qs.plot_k(data=df_catl, code=code, title=f'{code} - 宁德时代 日K线图',
          indicators=['MA', 'MACD'], mav=[5, 10, 20, 60])

示例2：获取多只股票收盘价并比较

import qstock as qs
import pandas as pd
import plotly.express as px # 使用 plotly express 绘图

codes = ['600519', '000858', '600809'] # 茅台, 五粮液, 山西汾酒
start = '2023-01-01'

# 创建一个空的 DataFrame 来存储收盘价
close_prices = pd.DataFrame()

# 循环获取每只股票的数据
for code in codes:
    try:
        df = qs.get_price(code, start_date=start, fq='qfq') # 使用前复权数据
        if not df.empty:
            # 获取股票名称用于图例 (假设实时数据接口可用)
            stock_info = qs.realtime_data(code)
            stock_name = stock_info['name'].iloc[0] if not stock_info.empty else code
            close_prices[f'{stock_name}_{code}'] = df['close']
        else:
            print(f"Warning: No data retrieved for {code}")
    except Exception as e:
        print(f"Error retrieving data for {code}: {e}")

# 归一化处理 (将起点设为1，方便比较相对涨跌幅)
normalized_prices = close_prices / close_prices.iloc[0]

# 使用 Plotly Express 绘制线图
fig = px.line(normalized_prices, title=f'白酒股走势比较 (自 {start} 起, 归一化)')
fig.show()

示例3：获取指数数据并添加移动平均线

import qstock as qs

# 获取创业板指数 (399006 或 cyb) 2022年至今数据
index_code = 'cyb'
start_date = '2022-01-01'
df_cyb = qs.get_price(index_code, start_date=start_date)

# 绘制 K 线图，包含 20 日和 60 日均线
qs.plot_k(data=df_cyb, code=index_code, title='创业板指数 K 线图',
          indicators=['MA'], mav=[20, 60])

示例4：获取实时行情快照

import qstock as qs
import time

codes_to_watch = ['sh', 'sz', 'cyb', '601318', '000002'] # 上证, 深证, 创业板, 中国平安, 万科A

print("实时行情快照:")
try:
    realtime_df = qs.realtime_data(codes_to_watch)
    print(realtime_df[['code', 'name', 'price', 'change_pct', 'volume', 'amount']])
except Exception as e:
    print(f"获取实时行情失败: {e}")

# 可以结合循环实现简单监控
# while True:
#     try:
#         rt_data = qs.realtime_data(codes_to_watch[3:]) # 只看个股
#         print("\n--- 更新 ---")
#         print(rt_data[['name', 'price', 'change_pct']])
#         time.sleep(10) # 每10秒刷新一次
#     except KeyboardInterrupt:
#         print("停止监控.")
#         break
#     except Exception as e:
#         print(f"获取失败: {e}")
#         time.sleep(5)

6. 注意事项与最佳实践

股票代码格式: 留意 qstock 接受的代码格式，通常是 xxxxxx 或带市场后缀如 xxxxxx.SH / xxxxxx.SZ。指数代码可能用简称如 sh, sz, cyb 或官方代码 000001, 399001, 399006。
数据频率与时间范围: 获取分钟线数据时，时间跨度不宜过长，否则可能请求失败或数据量过大。日线、周线、月线数据则可以获取较长时间范围。
复权类型: 分析个股时，通常使用前复权 (qfq) 数据来消除分红送股对价格连续性的影响。指数本身不存在复权问题。
数据更新: 实时行情有一定延迟（通常几秒到几十秒）。历史日线数据通常在收盘后更新。
网络问题: 数据获取依赖网络连接和数据源服务器状态，有时可能会因网络波动或数据源限制导致获取失败。建议添加适当的错误处理 (try-except)。
API 变更: 开源库的 API 可能会随着版本更新而变化。如果遇到问题，检查 qstock 的官方文档或 GitHub 仓库是否有更新说明。
数据量限制: 频繁大量请求数据可能会触发数据源的访问频率限制。合理安排请求次数和间隔。
数据准确性: 免费数据源的数据质量可能不如付费数据源，偶尔可能出现数据错误或缺失，使用时需注意甄别。