Python 获取股票数据的最佳方式是什么

在本文中，我们将学习使用Python获取股票数据的最佳方式。

我们将使用yfinance Python库从Yahoo Finance获取当前和历史股票市场价格数据。

安装Yahoo Finance(yfinance)

获取股票市场数据的最佳平台之一是Yahoo Finance。只需从Yahoo Finance网站下载数据集，然后使用yfinance库和Python编程访问即可。

您可以使用pip安装yfinance，只需打开命令提示符并输入以下命令即可：

语法

pip install yfinance

yfinance库最好的地方是，它是免费使用的，并且不需要API密钥。

如何获取股票价格的实时数据

我们需要找到可以用于数据提取的股票代码。在下面的示例中，我们将展示GOOGL的当前市场价格和上一个收市价格。

示例

以下程序使用yfinance模块返回市场价格值、前一收市价格值和代码值。

import yfinance as yf
ticker = yf.Ticker('GOOGL').info
marketPrice = ticker['regularMarketPrice']
previousClosePrice = ticker['regularMarketPreviousClose']
print('Ticker Value: GOOGL')
print('Market Price Value:', marketPrice)
print('Previous Close Price Value:', previousClosePrice)

输出

在执行后，上述程序将生成以下输出：

Ticker Value: GOOGL
Market Price Value: 92.83
Previous Close Price Value: 93.71

获取股票价格的历史数据的方法

通过提供开始日期、结束日期和股票代码，我们可以获取完整的历史价格数据。

示例

以下程序返回开始日期和结束日期之间的股票价格数据。

# importing the yfinance package
import yfinance as yf

# giving the start and end dates
startDate = '2015-03-01'
endDate = '2017-03-01'

# setting the ticker value
ticker = 'GOOGL'

# downloading the data of the ticker value between
# the start and end dates
resultData = yf.download(ticker, startDate, endDate)

# printing the last 5 rows of the data
print(resultData.tail())

输出

执行上述程序后，将会产生以下输出结果 −

[*********************100%***********************] 1 of 1 completed
            Open      High     Low       Close     Adj Close Volume
Date
2017-02-22 42.400002 42.689499 42.335499 42.568001 42.568001 24488000
2017-02-23 42.554001 42.631001 42.125000 42.549999 42.549999 27734000
2017-02-24 42.382500 42.417999 42.147999 42.390499 42.390499 26924000
2017-02-27 42.247501 42.533501 42.150501 42.483501 42.483501 20206000
2017-02-28 42.367500 42.441502 42.071999 42.246498 42.246498 27662000

上面的示例将检索从 2015-03-01 到2017-03-01的股票价格数据。

如果您想同时从多个代码中提取数据，请使用空格分隔的字符串提供代码。

数据转换分析

日期是数据集的索引，而不是上述数据集中的列。在对其进行任何数据分析之前，您必须将此索引转换为列。下面是如何做到的−

示例

下面的程序将列名添加到开始日期和结束日期之间的股票数据中−

import yfinance as yf

# giving the start and end dates
startDate = '2015-03-01'
endDate = '2017-03-01'

# setting the ticker value
ticker = 'GOOGL'

# downloading the data of the ticker value between
# the start and end dates
resultData = yf.download(ticker, startDate, endDate)

# Setting date as index
resultData["Date"] = resultData.index

# Giving column names
resultData = resultData[["Date", "Open", "High","Low", "Close", "Adj Close", "Volume"]]

# Resetting the index values
resultData.reset_index(drop=True, inplace=True)

# getting the first 5 rows of the data
print(resultData.head())

输出

执行上述程序后，将生成以下输出结果−

[*********************100%***********************] 1 of 1 completed
   Date      Open       High     Low       Close     Adj Close  Volume

0 2015-03-02 28.350000 28.799500 28.157499 28.750999 28.750999 50406000
1 2015-03-03 28.817499 29.042500 28.525000 28.939501 28.939501 50526000
2 2015-03-04 28.848499 29.081499 28.625999 28.916500 28.916500 37964000
3 2015-03-05 28.981001 29.160000 28.911501 29.071501 29.071501 35918000
4 2015-03-06 29.100000 29.139000 28.603001 28.645000 28.645000 37592000

上面转换的数据和我们从Yahoo Finance获取的数据是完全相同的

将获取到的数据存储在CSV文件中

to_csv() 方法可以用于将DataFrame对象导出为CSV文件。以下代码将帮助您将数据导出为CSV文件，因为上述转换的数据已经是Pandas数据框。

# importing yfinance module with an alias name
import yfinance as yf

# giving the start and end dates
startDate = '2015-03-01'
endDate = '2017-03-01'

# setting the ticker value
ticker = 'GOOGL'

# downloading the data of the ticker value between
# the start and end dates
resultData = yf.download(ticker, startDate, endDate)

# printing the last 5 rows of the data
print(resultData.tail())

# exporting/converting the above data to a CSV file
resultData.to_csv("outputGOOGL.csv")

输出

执行以上程序后将生成以下输出结果 –

[*********************100%***********************] 1 of 1 completed
            Open      High     Low       Close     Adj Close  Volume

Date
2017-02-22 42.400002 42.689499 42.335499 42.568001 42.568001 24488000
2017-02-23 42.554001 42.631001 42.125000 42.549999 42.549999 27734000
2017-02-24 42.382500 42.417999 42.147999 42.390499 42.390499 26924000
2017-02-27 42.247501 42.533501 42.150501 42.483501 42.483501 20206000
2017-02-28 42.367500 42.441502 42.071999 42.246498 42.246498 27662000