[QMT]08-从本地行情数据解析历史K线信息

用python解析QMT本地数据

获取本地行情数据

get_local_data(field_list=[], stock_code=[], period='1d', start_time='', end_time='', count=-1,dividend_type='none', fill_data=True, data_dir=data_dir)

• 释义

• 从本地数据文件获取行情数据，用于快速批量获取历史部分的行情数据

• 参数

• field_list - list 数据字段列表，传空则为全部字段

• stock_list - list 合约代码列表

• period - string 周期

• start_time - string 起始时间

• end_time - string 结束时间

• count - int 数据个数

• dividend_type - string 除权方式

• fill_data - bool 是否向后填充空缺数据

• data_dir - string MiniQmt配套路径的userdata_mini路径，用于直接读取数据文件。默认情况下xtdata会通过连接向MiniQmt直接获取此路径，无需额外设置。如果需要调整，可以将数据路径作为data_dir传入，也可以直接修改xtdata.data_dir以改变默认值

• 返回

• period为1m 5m 1dK线周期时

• 返回dict { field1 : value1, field2 : value2, ... }

• field1, field2, ... ：数据字段

• value1, value2, ... ：pd.DataFrame 数据集，index为stock_list，columns为time_list

• 各字段对应的DataFrame维度相同、索引相同

• period为tick分笔周期时

• 返回dict { stock1 : value1, stock2 : value2, ... }

• stock1, stock2, ... ：合约代码

• value1, value2, ... ：np.ndarray 数据集，按数据时间戳time增序排列

• 备注

• 仅用于获取level1数据

调用示范

from xtquant import xtdata
import pandas as pd
import datetime,time
df=xtdata.get_local_data(field_list=['time','open','high','low','close','volume','amount'],stock_code=['600050.SH'],count=10)
df2=pd.concat([df[i].loc['600050.SH'].T for i in['time','open','high','low','close','volume','amount']],axis=1)
df2.columns=['time','open','high','low','close','volume','amount']
df2['time2']=df2.index
df2['time']=df2['time2'].apply(lambda x:  datetime.datetime.fromtimestamp(int(x/1000.0)))
df2.reset_index(drop=True,inplace=True)
print(df2)

输出

        time  open  high   low  close   volume        amount          time2
0 2023-01-09  4.98  5.01  4.88   4.98  3246943  1.608308e+09  1673193600000
1 2023-01-10  4.95  5.02  4.90   4.98  2571948  1.277204e+09  1673280000000
2 2023-01-11  4.97  5.12  4.93   4.96  3127401  1.572082e+09  1673366400000
3 2023-01-12  4.94  5.14  4.92   5.11  3870406  1.952001e+09  1673452800000
4 2023-01-13  5.07  5.14  4.99   5.06  3227926  1.631200e+09  1673539200000
5 2023-01-16  5.06  5.10  4.98   5.02  2944490  1.483375e+09  1673798400000
6 2023-01-17  4.99  5.04  4.94   4.95  2094947  1.043011e+09  1673884800000
7 2023-01-18  4.95  5.12  4.91   5.07  3392366  1.713247e+09  1673971200000
8 2023-01-19  5.04  5.18  5.02   5.17  4324306  2.205093e+09  1674057600000
9 2023-01-20  5.19  5.62  5.17   5.53  7470132  4.101551e+09  1674144000000