深圳融克迪特科技有限公司

1. 本节目标

本讲只做一个最小闭环任务：用 AkShare 取回一只 A 股的日线数据，并确认这张表已经能进入后续清洗和计算流程。和第 1 讲“先取一份 A 股列表”相比，这一步开始真正接触行情表，但仍然控制在最小范围内，不去同时处理复权、分钟线、多股票批量下载这些会让新手分心的问题。

做完这一讲后，先把下面三件事确认清楚：

1. 单只股票日线接口至少需要哪些核心参数。
2. 返回的数据表里哪些列最值得先看。
3. 拿到表后，怎样快速判断这次调用是真的成功，而不是“表能打印，但结构根本没法继续用”。

如果第 1 讲解决的是“AkShare 能不能导入”，那第 2 讲解决的就是“AkShare 能不能拿到真正可分析的行情表”。

2. 为什么第 2 讲先抓单只股票日线

很多新手在刚拿到股票列表后，会立刻跳去抓指数、板块、财务指标，结果很快被接口名、字段差异和参数写法绕住。单只股票日线是更好的第二步，原因有三个：

1. 输入最简单，只要一个股票代码和一段日期区间。
2. 输出最直观，通常就是按交易日展开的行情表，方便肉眼检查。
3. 后面无论是保存 CSV、补缺失值，还是联动 pandas 算均线，几乎都以这类表格为起点。

所以本讲不追求“接口覆盖面”，而是追求“第一次真正拿到可继续处理的历史行情表”。

3. 沿用第 1 讲结果，不重新开题

开始前，默认你已经完成第 1 讲，并且当前环境里下面两件事成立：

import akshare as ak
import pandas as pd

如果导入还会报错，先回到第 1 讲把安装问题解决掉。本讲还需要一个来自第 1 讲 A 股列表里的股票代码。为了避免一上来就被停牌、上市时间过短或接口波动干扰，建议直接选最常见、最容易验证的一只，例如：

symbol = "000001"

这里先不用纠结它对应哪只股票，也不用一开始就做代码转换。只要确保是一个标准 6 位 A 股代码即可。

4. 四步拿到第一张个股日线表

下面按顺序拆开做，每一步只处理一个最小动作，先把流程走通，再看细节。

5. 先把目标参数写死

不要一开始就把日期写成“过去一年”或“最近三年”。短课场景里更适合先压缩成一小段时间，便于打印和验证：

symbol = "000001"
start_date = "20240101"
end_date = "20240215"

日期写成 YYYYMMDD 这种纯数字字符串，排错最直接。很多新手写成 2024-01-01 也许某些版本能过，但一旦本地版本或接口封装细节不同，就容易出现隐蔽兼容问题。

6. 调用股票历史行情接口

先用最小参数组合，不要同时加前复权、后复权、周线和月线：

daily_df = ak.stock_zh_a_hist(
    symbol=symbol,
    period="daily",
    start_date=start_date,
    end_date=end_date,
    adjust=""
)

这一版写法的重点是“尽可能少的变量”。

• symbol：先只放一只股票。
• period="daily"：锁定日线，不在本讲引入别的周期。
• adjust=""：先看原始口径，后面真要研究复权，再单独展开。

如果你一开始就把这些参数写得很复杂，出了问题时根本不知道是代码错、参数错，还是数据源口径没对上。

7. 先看前几行，再看列名和形状

拿到表之后，不要只停在 print(daily_df)，而是按固定顺序检查：

print(daily_df.head())
print(daily_df.shape)
print(daily_df.columns.tolist())

你最先要确认的是它是不是“按日期展开的多列表格”。通常你会看到日期、开盘、收盘、最高、最低、成交量、成交额之类的列。不同版本或不同数据源口径下，列名可能有细微差别，但它至少应该满足两个特征：

1. 每一行代表一个交易日。
2. 价格和成交相关列能被后续 pandas 直接读取和计算。

8. 抽出最关键的三列做一次最小检查

本讲不要求你理解所有字段，但至少要先取出最常用的几列：

core_cols = ["日期", "收盘", "成交量"]
preview_df = daily_df[core_cols].copy()
print(preview_df.head())

这一步非常重要。因为后面第 5 讲“转成 DataFrame 并预览”、第 6 讲“保存行情到 CSV”、第 8 讲“联动 pandas 算 5 日均线”，真正反复用到的，往往就是这类核心列，而不是一次把整张表的所有字段都背下来。

如果你的本地返回列名不是这三个字面值，就先打印列名，再把 core_cols 换成你本地真实存在的对应列，不要硬抄教程里的字段名。

9. 确认这次调用真的能进入后续课程

本讲的成功标准建议按下面五条执行，不要只凭“看到一张表”就算过关。

10. 返回对象确实是 DataFrame

assert isinstance(daily_df, pd.DataFrame)

11. 表格不是空的

assert len(daily_df) > 0

日线表为空通常意味着代码、日期范围、数据源状态或网络环境里至少有一个环节不对。

12. 至少有日期和收盘价相关字段

columns = [str(col) for col in daily_df.columns]
assert any("日期" in col for col in columns)
assert any("收盘" in col for col in columns)

13. 日期列能被正常解析

date_col = next(col for col in daily_df.columns if "日期" in str(col))
parsed_date = pd.to_datetime(daily_df[date_col])
assert parsed_date.notna().all()

如果日期列都解析不好，后面算均线、筛选月份、按时间排序都会变得很痛苦。

14. 收盘列能转成数值

close_col = next(col for col in daily_df.columns if "收盘" in str(col))
close_series = pd.to_numeric(daily_df[close_col], errors="coerce")
assert close_series.notna().sum() > 0

这一步不是鸡毛蒜皮，它决定了你后面能不能把这张表真正用于计算。

15. 第一次抓个股日线时最容易卡的点

下面这些情况第一次上手时最常见，提前看一眼能少走很多弯路。

16. 返回空表

优先检查三个地方：

1. symbol 是否真的是 6 位 A 股代码。
2. start_date 和 end_date 是否写成了 YYYYMMDD。
3. 日期区间是否合理，不能开始日期晚于结束日期。

17. 字段名和示例不一致

这是很常见的情况。AkShare 的一些接口封装和上游数据源会变化，所以本讲不要求你死记字段名，而是要求你先学会用 columns.tolist() 看清本地真实结构，再做下一步。

18. 想当然地把代码写成带交易所前缀

在不同接口里，代码格式要求并不完全相同。第 2 讲先固定在一类最常见写法上，避免把问题复杂化。如果你换了别的接口，再回头查它的参数口径，而不是把所有接口都当成同一种写法。

19. 拿到表后直接开始算指标

这一步太急了。本讲只到“拿到并验证个股日线表”。先把最小输入表走通，再去做导出、缺失处理和均线计算，排障成本会低很多。

20. 把日线下载动作封装成一个小函数

这一步建议尽早沉淀，否则你后面每次练习都在重复拼参数：

import akshare as ak
import pandas as pd

def load_daily_history(symbol: str, start_date: str, end_date: str) -> pd.DataFrame:
    df = ak.stock_zh_a_hist(
        symbol=symbol,
        period="daily",
        start_date=start_date,
        end_date=end_date,
        adjust=""
    )
    if df.empty:
        raise ValueError(f"{symbol} 在指定区间没有取到日线数据")
    return df

daily_df = load_daily_history("000001", "20240101", "20240215")
print(daily_df.head())

后面不管你是要保存 CSV，还是要联动 pandas 算指标，都可以从这个函数继续接，而不是每次重新从零写调用逻辑。

21. 哪些现象先不要误判成失败

第 2 讲最容易出现的问题，不是代码真坏了，而是把一些正常现象误当成失败。下面几种情况建议先区分清楚：

1. 返回行数比你预期少。如果你选的日期区间里本来就有节假日、周末或停牌日，行数少并不一定有问题。先看日期分布，再判断是否异常。
2. 收盘列看起来不是整数。价格列出现很多小数是正常的，不需要为了“看起来整齐”先做四舍五入。入门阶段更重要的是保持原始口径。
3. 列名里有你暂时用不到的字段。这不算问题。短课里真正要练的是“先抽核心列”，而不是把整张表一次性解释完。
4. 第一行不是你熟悉的最近交易日。很多接口默认按时间升序返回，第一行可能是最早日期。只要排序逻辑一致，就不影响后续处理。

真正需要停下来排查的，还是那三类核心故障：空表、关键列缺失、日期或价格列无法转换。

22. 把“会运行”升级成“会检查”

如果你只做到能打印 head()，其实还没有真正掌握这一讲。建议把下面这组自检动作做完，它们比盲目换接口更能帮你建立稳定感：

23. 换一只股票再跑一次

把 symbol 从 000001 换成另一只你熟悉的 6 位代码，保持其他参数不变，再执行一次。目的不是下载更多数据，而是确认你的代码不是“只对某一个例子碰巧有效”。

24. 把日期区间缩短到两周

把开始日期和结束日期压到更短的范围，例如只保留 10 到 15 个交易日，然后重新打印 shape 和头尾日期。你会更容易直观看出接口到底按什么方式返回结果。

25. 只保留日期和收盘价

把 preview_df 再缩成两列：

mini_df = daily_df[[date_col, close_col]].copy()
print(mini_df.head())

这一步的意义不是省列，而是帮你建立一个非常轻的后续输入表。后面算收益率、均线或导出 CSV 时，这种最小表格反而更好用。

26. 检查是否有重复日期

assert pd.to_datetime(daily_df[date_col]).duplicated().sum() == 0

很多新手到后面才发现日期重复，导致排序、合并和指标计算都出现异常。现在先检查一次，后面会省很多时间。

27. 把本讲结果沉淀成一份可复用输入表

为了让第 2 讲真正服务后续课程，建议你做一个 5 分钟内能完成的小作业，不需要追求漂亮，只追求可复用：

1. 选定一只你后面愿意继续使用的股票代码。
2. 下载一个月左右的日线数据。
3. 只保留日期、收盘、成交量三列。
4. 打印前 5 行和最后 5 行。
5. 在注释里写一句话说明：这张表后面准备拿来做什么。

一个简单的完成版可以长这样：

study_df = daily_df[[date_col, close_col, '成交量']].copy()
print(study_df.head())
print(study_df.tail())
# 后续用于保存 CSV 和计算 5 日均线

做到这一步，你就不只是“调通一个接口”，而是已经准备好一份真正能供下一讲继续使用的练习数据。

28. 把这一讲过没过说清楚

如果你想用一句很实际的话判断自己有没有完成第 2 讲，可以直接用下面这条标准：

“我已经能稳定给出一只股票代码和一段日期区间，拿回一张日线 DataFrame，并确认日期列、收盘列和成交量列可以被后续处理。”

这条标准里，每个词都很重要：

1. 稳定，意味着不是只在一个例子上偶然跑通。
2. 日线 DataFrame，意味着你拿到的不是截图、不是字符串，而是一张真正能继续操作的表。
3. 后续处理，意味着你已经开始为保存、预览和计算做准备，而不是停在“打印一下”。

只要你能做到这一步，第 2 讲就已经完成了它在整套短课里的任务。

29. 本讲小结

本讲的重点不是“把接口名背下来”，而是走通一条真正可复用的最小路径：给一只股票代码和一段日期区间，拿到一张可检查、可筛列、可做数值转换的日线表。只要这条路径跑通，后面你再处理指数数据、财经日历或均线计算，都会更像是在扩展同一种工作流，而不是重新摸索。

30. 系列衔接

本讲是《AkShare数据获取入门短课》的第 2/8 讲，当前主题是《获取单只股票日线》。

上一讲：第 1 讲《安装AkShare：先取一份A股列表》。

下一讲：第 3 讲《下载上证指数近一个月数据》。

后续安排：第 4 讲《抓取一份财经日历》；第 5 讲《转成DataFrame并预览》。

31. 风险揭示与免责声明