Tushare是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从数据采集、清洗加工 到 数据存储的过程，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据，为他们在数据获取方面极大地减轻工作量，使他们更加专注于策略和模型的研究与实现上。考虑到Python pandas包在金融量化分析中体现出的优势，Tushare返回的绝大部分的数据格式都是pandas DataFrame类型，非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。当然，如果您习惯了用Excel或者关系型数据库做分析，您也可以通过Tushare的数据存储功能，将数据全部保存到本地后进行分析。
Pro版数据更稳定质量更好了，但Pro依然是个开放的，免费的平台，不带任何商业性质和目的。
不管你是量化投资分析师，还是正在学习Python进行数据分析的学习者，这种方法获取的数据都可以适用。
获取前的准备：
pip install tushare
我为了更方便的使用Tushare接口API，也为了兼容二手新、旧版本，设计类整合新版本。
#获取历史日线数据 def get_his_dat(self,start_date,end_date): #新pro接口，可以多个股票 if self.pro: self.his_dat=self.stock.daily(ts_code=self.code, start_date=start_date, end_date=end_date) else: #旧接口，不用注册 self.his_dat=ts.get_hist_data(code=self.code,start=start_date, end=end_date) #把索引赋值给trade_date #self.his_dat[‘trade_date’]=self.his_dat.index self.his_dat=self.his_dat.reset_index() self.setCodebyOld() self.his_dat[‘ts_code’]=self.code #参照pro接口，修改列名 self.his_dat=self.his_dat.rename(columns={ ‘date’:‘trade_date’,‘volume’:‘vol’,‘price_change’:‘change’,‘p_change’:‘pct_chg’}) #筛选列 self.his_dat=self.his_dat[self.columns] #.reset_index() return self.his_dat
本接口只能获取近3年的日线数据，适合搭配均线数据进行选股和分析。
输入参数说明：
|股票代码|开始日期|结束日期|数据类型|
老版本关键字
新版本关键字（pro）
说明
code
ts_code
股票代码
trade_date
交易日期
start
start_date
开始日期，格式YYYY-MM-DD/新版本YYYYMMDD
end
end_date
结束日期，格式YYYY-MM-DD/新版本YYYYMMDD
ktype
数据类型
retry_count
当网络异常后重试次数，默认为3
pause
重试时停顿秒数，默认为0
老版本中：
1.股票代码，即6位数字代码，或者指数代码（sh=上证指数 sz=深圳成指 hs300=沪深300指数 sz50=上证50 zxb=中小板 cyb=创业板）
2.数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为D
返回值说明：
老版本关键字
新版本关键字（pro）
说明
ts_code
股票代码
date
trade_date
交易日期
open
open
开盘价
high
high
最高价
close
close
收盘价
pre_close
昨收盘价
low
low
最低价
volume
vol
成交量
price_change
change
价格变动、涨跌额
p_change
pct_chg
涨跌幅
ma5
5日均价
ma10
10日均价
ma20
20日均价
v_ma5
5日均量
v_ma10
10日均量
v_ma20
20日均量
turnover
换手率[注：指数无此项]
amount
成交额
老版本中date为index，不是具体column。
上证指数、深圳成指、沪深300指数、上证50 、中小板、创业板等。
上证指数代码为“000001.SH”，老版本代码为“sh”；深成指数代码为“399001.SZ”，老版本为“399001”或“sz”。
#获取沪深指数 def get_hs_index(self,start_date,end_date): if self.pro: self.hs_index=ts.pro_bar(ts_code=self.code, asset=‘I’, start_date=start_date, end_date=end_date) else: #旧接口，不用注册 index_code={ ‘000001.SH’:‘sh’,‘399001.SZ’:‘399001’,‘000300.SH’:‘000016.SH’,‘sz50’:‘sz50’,‘399005.SZ’:‘zxb’,‘399006.SZ’:‘cyb’} self.his_dat=ts.get_hist_data(code=index_code[self.code],start=start_date, end=end_date) #把索引赋值给trade_date #self.his_dat[‘trade_date’]=self.his_dat.index self.his_dat=self.his_dat.reset_index() self.his_dat[‘ts_code’]=self.code #参照pro接口，修改列名 self.his_dat=self.his_dat.rename(columns={ ‘date’:‘trade_date’,‘volume’:‘vol’,‘price_change’:‘change’,‘p_change’:‘pct_chg’}) #筛选列 self.his_dat=self.his_dat[self.columns] #.reset_index() return self.hs_index
目前pro版本国外已经支持如下指数数据（数据来源：https://tushare.pro/）：
TS指数代码
指数名称
XIN9
富时中国A50指数 (富时A50)
HSI
恒生指数
DJI
道琼斯工业指数
SPX
标普500指数
IXIC
纳斯达克指数
FTSE
富时100指数
FCHI
法国CAC40指数
GDAXI
德国DAX指数
N225
日经225指数
KS11
韩国综合指数
AS51
澳大利亚标普200指数
SENSEX
印度孟买SENSEX指数
IBOVESPA
巴西IBOVESPA指数
RTS
俄罗斯RTS指数
TWII
台湾加权指数
CKLSE
马来西亚指数
SPTSX
加拿大S&P/TSX指数
CSX5P
STOXX欧洲50指数
使用方法：
#美股指数 def get_us_index(self,start_date,end_date): if self.pro: self.us_index=self.stock.index_global(ts_code=self.us_code, start_date=start_date, end_date=end_date) self.us_index=self.us_index[self.columns] return self.us_index
升级pro版本，可以获取3年的数据，而老版本 只能获取1个月的分时数据。
#获取分钟级别数据 def get_tickshare_dat(self,freq,start_date, end_date): if self.pro: start_date=re.sub(’\D’,’’,start_date) end_date=re.sub(’\D’,’’,end_date) freq=freq + ‘min’ self.tickshare_dat=ts.pro_bar(ts_code=self.code, freq=freq,start_date=start_date, end_date=end_date) self.tickshare_dat[‘vol’]=self.tickshare_dat[‘vol’] /100 else: # ktype：数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为D self.tickshare_dat=ts.get_hist_data(code=self.code, ktype=freq,start=start_date, end=end_date) self.tickshare_dat[‘ts_code’]=self.code self.tickshare_dat=self.tickshare_dat.reset_index() self.tickshare_dat=self.tickshare_dat.rename(columns={ ‘date’:‘trade_time’,‘volume’:‘vol’}) self.tickshare_dat[‘trade_date’]=self.tickshare_dat[‘trade_time’].apply(lambda x:re.sub(’\D’,’’,x[0:10])) self.setCodebyOld() self.tickshare_dat[‘ts_code’]=self.code self.tickshare_dat=self.tickshare_dat[[‘ts_code’,‘trade_time’,‘open’,‘high’,‘close’,‘low’,‘vol’,‘trade_date’]] return self.tickshare_dat注：输入freq为字符型数字，1/5/15/30/602.5. 获取股票基本信息#获取股票基本面信息 def get_ShareInfo(self,trade_date): if self.pro: self.shareInfo=self.stock.daily_basic(ts_code=self.code, trade_date=trade_date) #, fields=‘ts_code,trade_date,turnover_rate,volume_ratio,pe,pb’) else: self.shareInfo=ts.get_stock_basics() print(self.shareInfo)2.6. 获取复权数据# 获取复权数据 def get_h_dat(self,start_date,end_date,fq=‘hfq’): #self.h_dat=ts.get_h_data(code=self.code, autype=‘hfq’,start=start_date, end=end_date) self.h_dat=ts.pro_bar(ts_code=self.code, adj=fq, start_date=start_date, end_date=end_date) return self.h_dat3. 数据存储在本地Mongo数据库中class Stock_Collection(object): def init(self,db_name): self.db_name=db_name client=pymongo.MongoClient(‘mongodb://stock:stock@localhost:27017/stock’) self.db=client[self.db_name] def insertdatas(self,name,datas): collection=self.db[name] collection.insert(json.loads(datas.T.to_json()).values()) def getDistinctCode(self,name): collection=self.db[name] code=collection.distinct(‘ts_code’) return code def setIndex_Code(self): self.sentiment_index=[‘IXIC’,‘DJI’,‘HSI’] # 情绪指数 self.sentiment_index_column=[‘trade_date’,‘open’,‘high’,‘close’,‘low’,‘change’,‘pct_chg’] self.index_daily=[‘000001.SH’, ‘399001.SZ’] self.index_daily_column=[‘trade_date’,‘open’,‘high’,‘close’,‘low’,‘vol’,‘change’,‘pct_chg’] def setCode(self,code): self.code=code #[‘002230.SZ’] #, ‘000547.SZ’, ‘601318.SH’, ‘601208.SH’, ‘600030.SH’, ‘000938.SZ’, ‘002108.SZ’, ‘600967.SH’] self.stock_column=[‘trade_date’,‘open’,‘high’,‘close’,‘low’,‘vol’,‘change’,‘pct_chg’] # 构造LSTM模型训练集 def generate_train_datas(self,db_name,code_name,filename): collection=self.db[db_name] self.out_code=code_name #查询条件“字典” query_dict={ ‘ts_code’:‘1’,‘trade_date’:{ ‘$gt’:‘20171001’}} #col_name={’_id’:0,‘trade_date’:1,‘ts_code’:1,‘open’:1,‘high’:1,‘close’:1,‘low’:1,‘vol’:1,‘change’:1,‘pct_chg’:1} col_name={ ‘_id’:0} for d in self.stock_column: col_name[d]=1 query_dict[‘ts_code’]=self.out_code #注意时间排序 df=pd.DataFrame(list(collection.find(query_dict,col_name).sort([(‘trade_date’,1)]))) df[‘trade_date’]=df[‘trade_date’].apply(lambda x:re.sub(’\D’,’’,x)) #去掉日期中的“-”符号 self.code.remove(self.out_code) # 删除输出股票代码 #构造股票数据集 n=0 k=0 columns=self.stock_column.copy() columns.remove(‘trade_date’) print(‘Start!’) #self.code长度为1，下面循环不执行 for code in self.code: query_dict[‘ts_code’]=code df1=pd.DataFrame(list(collection.find(query_dict,col_name).sort([(‘trade_date’,1)]))) df1[‘trade_date’]=df1[‘trade_date’].apply(lambda x:re.sub(’\D’,’’,x)) #去掉日期中的“-”符号 #按日期合并两个表 #df=pd.merge(left=df,right=df1,how=‘left’,on=[‘trade_date’]) #以上证为基准 df=pd.merge(left=df,right=df1,how=‘inner’,on=[‘trade_date’]) # 处理合并表，字段重复的情况，需要把_x,_y新命名字段，下轮继续 cols_dict={ } for cols in columns: cols_dict[cols+’_x’]=cols + str(n) cols_dict[cols+’_y’]=cols + str(n+1) if k0: df=df.rename(columns=cols_dict) n=n + 2 k=1 else: k=0 print(‘code 1’) print(df) #构造数据集——上证、深成指数 query_dict={ ‘ts_code’:‘1’} columns=self.index_daily_column.copy() #默认list为传址，需要赋值新list columns.remove(‘trade_date’) print(self.index_daily_column) for index_daily in self.index_daily: query_dict[‘ts_code’]=index_daily col_name={ ‘_id’:0} for d in self.index_daily_column: col_name[d]=1 df1=pd.DataFrame(list(collection.find(query_dict,col_name).sort([(‘trade_date’,1)]))) df1[‘trade_date’]=df1[‘trade_date’].apply(lambda x:re.sub(’\D’,’’,x)) #去掉日期中的“-”符号 #按日期合并两个表 df=pd.merge(left=df,right=df1,how=‘left’,on=[‘trade_date’]) cols_dict={ } for cols in columns: cols_dict[cols+’_x’]=cols + str(n) cols_dict[cols+’_y’]=cols + str(n+1) if k0: df=df.rename(columns=cols_dict) n=n + 2 k=1 else: k=0 print(df) #构造数据集——情绪指数 columns=self.sentiment_index_column.copy() columns.remove(‘trade_date’) for sentiment_index in self.sentiment_index: query_dict[‘ts_code’]=sentiment_index col_name={ ‘_id’:0} for d in self.sentiment_index_column: col_name[d]=1 df1=pd.DataFrame(list(collection.find(query_dict,col_name).sort([(‘trade_date’,1)]))) df1[‘trade_date’]=df1[‘trade_date’].apply(lambda x:re.sub(’\D’,’’,x)) #去掉日期中的“-”符号 #按日期合并两个表 df=pd.merge(left=df,right=df1,how=‘left’,on=[‘trade_date’]) cols_dict={ } for cols in columns: cols_dict[cols+’_x’]=cols + str(n) cols_dict[cols+’_y’]=cols + str(n+1) df=df.rename(columns=cols_dict) if k==0: df=df.rename(columns=cols_dict) n=n + 2 k=1 else: k=0 print(df) df=df.fillna(0) #数据缺失补上为0，相当于停盘！！！ df.to_csv(filename)