Python查股票数据，先把问题拆成三块
很多人一听用Python查股票数据，脑子里先蹦出来的是代码、爬虫、数据库，觉得门槛高得吓人。把这件事翻译成大白话，其实就三步：你想查什么、数据从哪来、拿到手怎么用。想明白这三块，剩下的就是敲几行代码调接口的事，跟点外卖选地址、选菜品、等骑手送到没有本质区别。
真正劝退新手的不是Python本身，而是网上教程一上来就甩出几百行带类的工程代码，吓都吓跑了。查股票数据这件事，用最朴素的写法就能干成，先跑通再谈优化。
数据从哪来，免费的接口就够用
股票行情数据分两类来源。一类是交易所和券商提供的官方接口，稳定但通常要开户或付费；另一类是第三方开源数据接口，免费、够用、上手快，绝大多数个人查询场景都落在这一档。
国内用得最多的两个Python库是tushare和akshare。tushare需要注册拿token，老牌稳定，字段规整，适合做系统化的数据整理；akshare不需要token，装上就能拉数据，覆盖面广，股票、期货、基金、宏观数据一把抓。两个库的定位差异用一句话说清楚：tushare像精装修的连锁酒店，规矩多但省心；akshare像大型批发市场，东西全但要自己挑。
期货数据同样能查。akshare里有期货主力连续合约、每日行情、持仓排名这些接口，商品期货和金融期货都能覆盖。做期货研究的人经常忽略一件事：期货数据要特别留意合约换月带来的价格跳空，直接拿连续合约价格算收益率会失真，这是数据源选好之后第一个要处理的坑。
上手代码，三行把日线行情拉下来
先用akshare演示最基础的查法。装库就一条命令：
pip install akshare pandas
拉一只股票的日线行情，核心代码只有三行：
import akshare as ak
df = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20240101", end_date="20241231", adjust="qfq")
print(df.head())
这段代码的意思是：告诉akshare我要600519这只票、日线级别、2024年全年、前复权处理，它就把数据整理成表格还给你。返回的df是pandas的DataFrame，你可以直接当Excel表用，筛日期、算涨跌幅、画图都行。
期货行情换个接口，逻辑一模一样：
fut = ak.futures_main_sina(symbol="RB0")
print(fut.tail())
RB0是螺纹钢主力连续合约。注意这里的adjust参数和期货的复权逻辑要分开理解，股票前复权是为了消除分红送股造成的价格断层，期货连续合约的跳空来自换月，两者成因不同，混为一谈会让回测结果严重偏离真实交易。
查数据最容易踩的三个坑
第一个坑是复权。 股票除权除息之后，价格会突然掉一块，不复权的数据算出来的收益率完全失真。做历史分析一律用前复权，做实时信号看盘用不复权，两套数据分开存，别混着用。
第二个坑是接口频率限制。 免费接口都有调用次数上限，一次性循环拉几千只股票，大概率被封或者报错。稳妥的做法是分批拉、加时间间隔、把拉下来的数据落地成CSV或数据库，下次直接用本地文件，别反复请求。数据是资产，落地一次反复用，这个习惯比写多花哨的代码都值钱。
第三个坑是字段含义。 同样叫成交额，有的接口单位是元，有的是万元；同样叫换手率，有的按流通股本算，有的按总股本算。拿到数据先看接口文档的字段说明，对着几只票手工核对一遍，比事后发现数量级错了再返工强得多。
数据拿到手，能干什么
查数据本身不是目的，目的是支撑判断。股票这边，拉完日线可以顺手算个20日均线和60日均线，看看当下价格站在哪条线上；算一下市盈率的历史分位，判断估值处在什么位置。期货这边，盯主力合约的价格和持仓量变化，持仓增价格涨和持仓减价格涨，背后的多空含义完全不同，这些拆开看才有信息量。
用pandas干这些事都是几行代码：df['ma20'] = df['收盘'].rolling(20).mean()，一行就把均线算出来了。rolling是滚动窗口的意思，翻译成人话就是“每20天算一次平均”，跟股票软件里画的那条线没有任何区别。
给普通人的实操建议
别贪多。先固定用akshare一个库，把股票日线和期货主力连续这两类数据拉明白、存明白，再考虑加tushare做交叉验证。代码从能跑就行开始，遇到报错先看报错信息的最后一行，那通常是真正的原因。数据落地成CSV，用Excel打开检查几行，肉眼核对永远是最便宜的风控手段。把查数据这件事做成每天十分钟的固定动作，比收藏一百篇教程有用得多。
