深圳融克迪特科技有限公司

1. 本节目标

本讲的目标很具体：把前面已经整理过的行情预览表稳定地保存成 CSV 文件，再读取回来确认内容没有在落盘过程中被搞乱。它看起来像最朴素的数据操作，但对入门短课来说非常关键，因为从这一讲开始，你拿到的数据就不再只存在于当前 Python 会话里，而是开始变成能复用、能分享、能二次处理的本地文件。

本讲完成后，你至少应该掌握三件事：

1. 知道什么时候该把表从内存写到文件。
2. 会用最小参数把表保存成一份可读的 CSV。
3. 会在写完以后立即读回并做一次结构核对，确认这不是“文件生成了，但已经不可继续使用”的假成功。

2. 为什么“保存 CSV”值得单独一讲

很多入门者会觉得保存 CSV 不就是一行 to_csv() 吗，没必要单独拿出来。但一旦真的开始用数据，你很快会遇到几个现实问题：

1. 当前会话关掉后，前面拿到的表就没了。
2. 你想把一份样本表交给别的脚本继续处理。
3. 你想在算均线前先固定一份原始输入，避免每次都重新调用接口。

这时“会不会保存文件”就不再是杂事，而是把前面几讲从一次性练习推进到可复用工作流的关键动作。

3. 先选一张已经整理过的预览表

本讲不要求重新抓新数据。最稳的做法，是直接拿第 5 讲已经整理过的 preview_df 继续往下用：

import pandas as pd

csv_df = preview_df.copy()

如果你手上还没有现成的 preview_df，也可以从个股日线表里重新抽一次核心列：

csv_df = daily_df[["日期", "开盘", "收盘", "成交量"]].copy()

关键是：这一讲保存的，最好是一张你已经看清结构的工作表，而不是还没预览过的原始大表。

4. 四步把表安全保存成 CSV

保存 CSV 最稳的做法不是写出文件就结束，而是连同读回检查一起做成闭环。下面四步就是按这个顺序展开的。

5. 先确定输出路径

不要把保存路径写得含糊不清。入门阶段建议就在项目目录下给它一个清楚的名字：

output_path = "sample_stock_daily.csv"

如果你愿意更规范一点，也可以把它放到专门的数据目录里。但第 6 讲的核心不是目录管理，而是先把“一张表可稳定落盘”这件事做完整。

6. 执行保存

最简版本建议这样写：

csv_df.to_csv(output_path, index=False, encoding="utf-8-sig")

这里有两个关键点：

1. index=False，避免把 DataFrame 的索引也写成一列脏字段。
2. encoding="utf-8-sig"，在很多 Windows 环境和表格工具里更容易直接正确显示中文列名。

7. 立刻读回文件

很多人保存完看到目录里有文件就结束了，但真正稳的做法是立刻读回来：

loaded_df = pd.read_csv(output_path)
print(loaded_df.head())

这一步能帮你确认三件事：

1. 文件路径没写错。
2. 编码没把中文列名弄坏。
3. 列结构大体和保存前一致。

8. 比较保存前后最关键的几个特征

不要做复杂比对，先看几个最小指标：

print(csv_df.shape, loaded_df.shape)
print(csv_df.columns.tolist())
print(loaded_df.columns.tolist())

如果行列数没明显变化、核心列还都在，这份 CSV 对入门练习就已经够用了。

9. 怎样判断这次保存是真的成功

验证的重点只有三件事：文件确实写出去了、能正常读回来、核心结构没有明显走样。

10. 文件已经生成

from pathlib import Path
assert Path(output_path).exists()

11. 读回后仍然是 DataFrame

assert isinstance(loaded_df, pd.DataFrame)

12. 读回后行数与原表一致

assert len(csv_df) == len(loaded_df)

13. 核心列没有丢

assert set(csv_df.columns).issubset(set(loaded_df.columns))

14. 读回后前几行还能正常查看

print(loaded_df.head())

对第 6 讲来说，这已经足够说明你把一张内存里的表，变成了一份可重复打开的本地文件。

15. 为什么 CSV 保存后看起来“怪怪的”

CSV 看起来简单，但第一次落盘时最容易栽在索引、编码和路径这三个点上。下面这些现象基本都可以顺着这三类原因去排。

16. 打开后多出一列无名索引

这通常是保存时忘了 index=False。DataFrame 索引如果跟着落盘，很多时候只会让表更乱，不会让它更有用。

17. 中文列名乱码

这往往和编码有关。对当前 Windows 场景来说，utf-8-sig 比直接用 utf-8 更稳一些，特别是你可能还会用 Excel 或别的工具临时打开文件时。

18. 读回后日期列变成普通字符串

这是常见现象，不算失败。CSV 本来就不会自动替你保留所有类型语义。你后面若要继续按日期处理，只需要在读取后再显式 pd.to_datetime() 一次。

19. 保存路径找不到

这通常不是 CSV 的问题，而是你对当前工作目录没有概念。第 6 讲的一个隐含收获，就是让你养成“保存前先想清楚文件会落在哪里”的习惯。

20. 哪些情况仍然算本讲完成

1. 读回后的数据类型不完全等于保存前，不算本讲失败。CSV 的核心目标是保存结构化表，不是完整保存 pandas 内部类型语义。
2. 你保存的是股票表、指数表还是财经日历预览表，都可以。第 6 讲训练的是“落盘和回读闭环”，不是某个特定接口。
3. 文件名不一定非要统一成某个模板，只要你自己能一眼看懂它是什么数据就行。
4. 你可以先保存一份很小的样本文件，不要求一开始就处理很大的全量数据。

21. 把保存和回读动作写成一个小函数

from pathlib import Path
import pandas as pd

def save_and_reload_csv(df: pd.DataFrame, path: str) -> pd.DataFrame:
    df.to_csv(path, index=False, encoding="utf-8-sig")
    if not Path(path).exists():
        raise FileNotFoundError(f"未生成文件: {path}")
    return pd.read_csv(path)

loaded_df = save_and_reload_csv(csv_df, "sample_stock_daily.csv")
print(loaded_df.head())

有了这个函数，你后面每次都可以把“落盘”和“回读验证”绑在一起做，而不是保存完就靠猜。

22. 做出一份后面真的会继续用的 CSV

建议你做一个最小但真实的练习：

1. 选一张前面已经整理好的预览表。
2. 保存成一个名称清楚的 CSV。
3. 立即读回并打印前 5 行。
4. 在注释里写一句：这份 CSV 后面准备做什么。

例如：

loaded_df = save_and_reload_csv(csv_df, "stock_daily_for_ma.csv")
print(loaded_df.head())
# 后续用于第8讲计算5日均线

这样第 6 讲就不只是“我会用 to_csv”，而是已经给后续课程准备好了明确的输入文件。

23. 怎样判断第 6 讲已经过关

如果你现在能说出这句话，第 6 讲就算真的完成：

“我已经能把一张整理过的 AkShare 数据表保存成 CSV，并读回确认核心列和样本行数没有丢。”

这条标准很务实，也足够支撑后面的继续练习。

24. 为什么入门阶段要先固定一份本地样本

很多人刚开始会觉得，既然 AkShare 能随时重新拉数据，那就没必要额外保存本地文件。这个想法在练习初期很常见，但会带来两个隐性问题。第一，你每次调试都重新请求接口，输入数据会随着时间、日期区间或参数细节变化而波动；第二，一旦你开始排查均线、信号、字段问题，就很难分清“问题来自计算逻辑”还是“问题来自这次重新拉回来的样本”。

所以第 6 讲把 CSV 单独拿出来，重点不在于让你学会一个孤立函数，更在于帮你固定一份后续练习都能复用的样本输入。这样做以后，你在第 7 讲排错时，就能明确地说：我现在排的是字段和类型，不是接口波动；你在第 8 讲算均线时，也能明确地说：我现在改的是指标计算，不是原始取数逻辑。

25. 保存前最好再做一次轻量整理

虽然第 6 讲强调的是落盘，但真正稳妥的做法，是保存前再做一次最小整理。比如：

csv_df = csv_df.copy()
csv_df = csv_df.drop_duplicates()
csv_df = csv_df.sort_values('日期').reset_index(drop=True)
print(csv_df.head())

这样做的意义不是追求完美清洗，而是避免把明显重复、顺序混乱的数据直接写进文件。因为一旦这份 CSV 被你后面几讲继续引用，它就会从“练习中间结果”变成“后续输入基底”。基底越清楚，后面越省事。

26. 文件命名也值得养成一点习惯

新手常见的一个小问题，是文件名写得过于随意，比如 a.csv、test.csv、new1.csv。短期看没什么，但当你开始同时保存不同标的、不同周期、不同阶段的数据时，这种命名会让你很快失去上下文。第 6 讲很适合顺手养成最小命名习惯：

output_path = '000001_daily_preview.csv'

或者：

output_path = 'stock_daily_for_ma5.csv'

只要文件名能回答“它是谁”和“它准备干什么”，你后面再回来看时就不会费劲。

27. 读回验证时到底该看什么

第 6 讲里“读回验证”不是形式动作，而是一个很真实的质量门槛。建议你固定检查下面这几项：

1. 列名有没有变化。
2. 行数是不是和原表一致。
3. head() 看起来是不是还是同一批样本。
4. 日期列是否还存在，后面是否需要重新转型。

比如可以写成：

print('原表列名:', csv_df.columns.tolist())
print('回读列名:', loaded_df.columns.tolist())
print('原表行数:', len(csv_df))
print('回读行数:', len(loaded_df))
print(loaded_df.head())

这套检查看似简单，但足够帮你防住很多入门阶段最常见的文件落盘问题。

28. 第 6 讲在整套短课中的真正位置

如果只看代码，第 6 讲确实只有几行。但从整套 AkShare 入门短课的结构看，它其实起的是“把前面几讲的表格练习固化下来”的作用。第 1 到第 5 讲更多是在学如何拿到并看清一张表；从第 6 讲开始，你已经在学如何把中间产物稳定留住，并为后续计算复用。正因为它处在这个承上启下的位置，所以一定不要把它当成“只是保存一下文件”的琐碎动作。

29. 系列衔接

本讲是《AkShare数据获取入门短课》的第 6/8 讲，当前主题是《保存行情到CSV》。

上一讲：第 5 讲《转成DataFrame并预览》。

下一讲：第 7 讲《排查空数据和字段报错》。

后续安排：第 8 讲《联动pandas算5日均线》。

30. 风险揭示与免责声明