深圳融克迪特科技有限公司

1. 本节目标

本讲要完成的任务比第 2 讲再前进一步：用 AkShare 下载上证指数近一个月的日线数据，并把它压成一张便于后续查看和保存的短表。这一步的意义不只是“换了另一个接口”，而是让你开始接触“个股行情”和“指数行情”在使用方式上的差异。

做完这一讲后，至少要能把下面三个问题说清楚：

1. 指数数据和个股数据在参数写法上通常有什么不同。
2. 怎样把较长时间序列压缩到“最近一个月”这类练习友好的范围。
3. 拿到指数表之后，怎样快速确认它适合继续做保存、预览和简单统计。

本讲仍然坚持短课原则：只做一件事，把这件事做完整。

2. 为什么要在第 3 讲引入指数数据

如果你一直只练个股数据，很容易默认所有行情接口都长得一样。但真实使用 AkShare 时，你会很快遇到两类常见任务：

1. 拉单只股票，关注某个代码的历史行情。
2. 拉指数或基准，作为回测、对比或市场背景数据。

第 3 讲安排“上证指数近一个月数据”，就是为了用一个非常轻量的场景，让你看到指数数据也能用同样的思路去检查：

• 先拿到表；
• 再看结构；
• 再压缩到当前真正需要的列和时间段。

只要这一步走通，后面你看板块指数、行业指数或其他市场基准时，思路基本一致。

3. 延续第 2 讲的检查口径

开始前，建议先保留和第 2 讲一致的最小导入方式：

import akshare as ak
import pandas as pd

本讲为了减少日期边界上的复杂性，可以先把“近一个月”写成一个固定区间，而不是动态计算今天往前推多少天。比如：

start_date = "20240301"
end_date = "20240331"

这样做的好处是：教程里的示例和你本地的打印结果更容易核对，也不容易因为当天日期不同导致表格长度变化太大。

4. 四步拿到上证指数近一个月数据

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. 先选定指数口径

本讲只围绕上证指数，不同时引入深证成指或沪深 300。先把输入压到最小：

symbol = "000001"

这里的关键不是死记某个代码，而是知道“指数接口通常有自己的 symbol 规则”。如果你把个股接口的写法直接照搬到指数接口，很容易得到空表或结构不符合预期。

6. 调用指数历史行情接口

在常见的 AkShare 版本里，可以先这样写：

index_df = ak.index_zh_a_hist(
    symbol=symbol,
    period="daily",
    start_date=start_date,
    end_date=end_date
)

如果你的本地版本没有这个函数，或者参数名略有不同，不要立刻改业务逻辑，先用 dir(ak)、官方文档或本地补全确认当前版本可用的指数历史接口名，再按同样的检查流程继续。短课里最重要的是流程一致，不是为了追某个特定函数名死磕。

7. 先看时间范围和核心字段

指数表拿到手后，先不要关注所有列，先确认它到底是不是“最近一个月”的日线：

print(index_df.head())
print(index_df.tail())
print(index_df.shape)
print(index_df.columns.tolist())

这一步要回答四个问题：

1. 表是不是空的。
2. 起止日期是不是大致落在你预期的一个月区间里。
3. 有没有开盘、收盘、最高、最低、成交量之类的基础列。
4. 行数是不是接近一个月内的交易日数量，而不是异常少或异常多。

8. 截出最常用的预览表

为了给后面的第 5 讲和第 6 讲做准备，可以先把最常见的预览列单独拿出来：

core_cols = ["日期", "开盘", "收盘", "成交量"]
index_preview = index_df[core_cols].copy()
print(index_preview.head())

这一步不是多余动作。真正的入门练习，不应该每次都面对十几列字段发愣，而应该先学会把最有用的那几列拿出来，看懂它、保存它、继续处理它。

9. 确认这张指数表已经可继续使用

本讲的验证标准建议固定成下面几条。只要都通过，这次调用就算真正成功。

10. 返回值是 DataFrame

assert isinstance(index_df, pd.DataFrame)

11. 表格不为空

assert len(index_df) > 0

12. 日期列能顺利转时间类型

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

13. 至少存在收盘列

assert any("收盘" in str(col) for col in index_df.columns)

14. 最近一个月的样本量合理

assert len(index_df) >= 15

这里不要求精确到某个固定行数，因为不同时间区间、节假日分布和数据源口径都可能影响样本长度。入门阶段只需要先判断它是不是一张“像样的一个月日线表”。

15. 指数数据为什么看起来和个股不一样

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. 同样是历史行情，为什么 symbol 规则不同

因为不同数据对象背后的接口封装并不统一。个股、指数、板块本来就不是同一类数据源。短课阶段不要试图用一个万能规则覆盖所有接口，而是先养成“先看当前接口参数口径”的习惯。

17. 列名比第 2 讲多或者少

这很正常。指数接口和个股接口的字段集合不必完全一致。你的目标不是让每张表长得一模一样，而是知道如何快速找到日期、价格和成交相关列。

18. 拿到的是更长区间的数据

如果本地版本接口没有严格按 start_date、end_date 返回预期范围，不要直接判定失败。先打印头尾日期，再用 pandas 自己筛一遍最近一个月，这样也能继续完成当前课程目标。

19. 想同时下载多个指数做对比

先别扩题。本讲只练一只指数。等你把单表检查、保存和预览流程跑顺，再去做多指数拼接，会更稳。

20. 把“下载一个月指数数据”封装成小函数

建议把本讲动作沉淀成一个很小的函数，后面你要换指数或换日期区间时，只改参数，不改主流程：

import akshare as ak
import pandas as pd

def load_index_month(symbol: str, start_date: str, end_date: str) -> pd.DataFrame:
    df = ak.index_zh_a_hist(
        symbol=symbol,
        period="daily",
        start_date=start_date,
        end_date=end_date
    )
    if df.empty:
        raise ValueError(f"指数 {symbol} 在指定区间没有取到数据")
    return df

index_df = load_index_month("000001", "20240301", "20240331")
print(index_df.head())

后面你要导出 CSV、预览 DataFrame 或联动 pandas 算指标，都可以从这一步继续接。

21. 哪些指数数据现象属于正常波动

和第 2 讲的个股表相比，指数数据更容易让新手产生“是不是拿错了”的焦虑。下面几种现象先不要急着判失败：

1. 行数不是整整 30 或 31 行。因为你拿的是交易日数据，不是自然日清单，一个月里本来就会剔除周末和节假日。
2. 成交量或成交额列看起来尺度很大。指数数据的量级和个股不同很正常，不需要一开始就强行标准化。
3. 头尾日期不完全卡在月初和月末。只要大致落在目标区间，并且能通过 pandas 再筛一次，就不影响本讲目标。
4. 列名和个股行情表不完全一样。指数接口封装不必和个股接口完全同构，关键还是先确认日期和价格列是否可读。

短课阶段最值得避免的误区，是因为样式略有差异就重写整段逻辑。先把数据拿稳，再谈统一格式。

22. 让指数表真正服务后续课程

建议不要停在“下载成功”。至少做下面几步自检，后面你在第 5 讲、第 6 讲会明显更轻松：

23. 手动确认时间范围

date_col = next(col for col in index_df.columns if '日期' in str(col))
parsed_dates = pd.to_datetime(index_df[date_col])
print(parsed_dates.min(), parsed_dates.max())

这个动作会帮你真正理解表里覆盖的是哪段区间，而不是只靠 start_date、end_date 以为自己拿对了。

24. 只保留日期和收盘价

close_col = next(col for col in index_df.columns if '收盘' in str(col))
mini_index_df = index_df[[date_col, close_col]].copy()
print(mini_index_df.head())

后面如果你要做和个股走势的肉眼对比，往往先从这样一张最小表开始，而不是背着整张原表到处走。

25. 按日期重新排序

sorted_df = index_df.sort_values(date_col).reset_index(drop=True)
print(sorted_df.head())
print(sorted_df.tail())

你不一定非要在本讲里改表，但至少要知道如果顺序不合预期，最基本的整理动作是什么。

26. 再换一个区间重跑

把区间往前挪一个月，重新下载一次。目的不是扩大数据量，而是确认你的代码没有隐性写死在某一段日期上。

27. 准备一张“可和个股对照”的指数基准表

为了让第 3 讲不是孤立练习，建议你做一个很短的小作业：

1. 下载上证指数最近一个月数据。
2. 只保留日期、收盘、成交量三列。
3. 把列顺序整理清楚。
4. 打印头尾各 3 行。
5. 写一句备注：这张表后续准备跟哪类数据做对照。

一个简单的版本可以这样写：

baseline_df = index_df[[date_col, close_col, '成交量']].copy()
baseline_df = baseline_df.sort_values(date_col).reset_index(drop=True)
print(baseline_df.head(3))
print(baseline_df.tail(3))
# 后续作为个股走势对照基准

如果你能完成这一步，第 3 讲的产出就已经不只是“抓到一个指数接口”，而是一份真的能给后续练习复用的基准表。

28. 怎样判断这张指数表已经够用了

第 3 讲不要求你一口气把指数研究做深，但它至少要达到一个很明确的“够用”标准：

1. 你已经拿到一张最近一个月左右的指数日线表。
2. 你能指出其中的日期列和收盘列。
3. 你知道如何把完整表压缩成最小预览表。
4. 你已经接受“指数表和个股表不必长得完全一样”这个现实。

只要这四条成立，第 3 讲就不是孤立练习，而是已经为第 5 讲“转成 DataFrame 并预览”、第 6 讲“保存行情到 CSV”打好了基准输入。

29. 学完这一讲后最好记住什么

这一讲最值得记住的，不是某个具体接口名，而是两个工作习惯：

1. 先确认对象类型和时间范围，再看细节字段。
2. 先压缩出核心列，再决定后续要不要保存、对照或继续计算。

这两个习惯一旦建立，你以后换成别的指数、行业指数甚至海外基准数据，适应成本都会明显降低。

如果你愿意再多做一步，可以把第 2 讲的个股表和第 3 讲的指数表并排打印出来，直接观察两者在日期覆盖、列结构和使用目的上的差别。入门阶段能做到这种最简单的横向对照，已经比单独记接口名更有价值。

再往前走一步，你甚至可以在注释里写一句非常朴素的话，比如“这张指数表后面拿来当市场背景基准”。这类看似简单的备注，会帮你在后面的练习里始终记得：指数数据的作用往往不是替代个股，而是作为参照系存在。

能把这句话写清楚，说明你已经开始从“会拿数据”走向“知道拿这份数据是为了什么”。

这就是第 3 讲最实在的收获。

30. 本讲小结

本讲的价值在于，你已经不再只会拿一只股票的日线，而是开始理解“指数数据也能用同一种最小流程去拿、去查、去压缩”。只要你能稳定拿到上证指数近一个月数据，并确认日期、收盘和成交量这些核心列可用，后面继续做保存、预览和简单计算就顺理成章了。

31. 系列衔接

本讲是《AkShare数据获取入门短课》的第 3/8 讲，当前主题是《下载上证指数近一个月数据》。

上一讲：第 2 讲《获取单只股票日线》。

下一讲：第 4 讲《抓取一份财经日历》。

后续安排：第 5 讲《转成DataFrame并预览》；第 6 讲《保存行情到CSV》。

32. 风险揭示与免责声明