JoinQuant 聚宽 get_bars 函数如何同时获取多标的数据？（附性能对比）

get_bars同时取多标的的情况

get_bars(security, count, unit='1d',
fields=['date','open','high','low','close'],
include_now=False, end_dt=None, fq_ref_date=None,df=True)

security: 股票代码，支持单个及多个标的

请问：这里面可以使用多个标的，但是返回的df中，并没有告诉如何区分标的，另外这个与轮询相比，哪个性能更高？？感谢！

一、 返回的 DataFrame 中如何区分标的？

在 JoinQuant 中，当您使用 get_bars 函数且传入的 security 是一个列表（多个标的），并且设置 df=True 时，返回的 pandas.DataFrame 会使用 MultiIndex（多重索引） 来区分不同的标的。

1. 当 df=True 时（返回 DataFrame）

返回的 DataFrame 的 index 是一个 MultiIndex，通常包含两个层级：一个是时间（date），另一个是标的代码（security）。您可以通过 pandas 的多重索引切片方法（如 .loc 或 .xs）来提取特定标的的数据。

示例代码：

# 获取多标的数据
df = get_bars(['000001.XSHE', '000002.XSHE'], count=5, unit='1d', fields=['date', 'close'], df=True)

# 查看返回的 MultiIndex 结构
print(df)

# 提取特定标的（例如平安银行 000001.XSHE）的数据
# 方法1：使用 xs
df_000001 = df.xs('000001.XSHE', level=0) # 假设 level 0 是标的代码

# 方法2：使用 loc
df_000001 = df.loc['000001.XSHE']

2. 强烈建议：当 df=False 时（返回 Dict）

如果您觉得 MultiIndex 处理起来比较麻烦，建议将 df 参数设置为 False（这也是官方的默认值）。此时，函数会返回一个 字典 (Dict)，键 (key) 是标的代码，值 (value) 是对应的 numpy.ndarray 数据。这种方式区分标的非常直观，且运行速度更快。

示例代码：

# df=False 返回字典
data_dict = get_bars(['000001.XSHE', '000002.XSHE'], count=5, unit='1d', fields=['date', 'close'], df=False)

# 直接通过字典键获取对应标的的数据
array_000001 = data_dict['000001.XSHE']
print(array_000001['close'])

---

二、 批量获取 vs 轮询（for循环），哪个性能更高？

结论：批量获取（将多个标的放入一个 list 传给 get_bars）的性能远高于 for 循环轮询。

性能差异原因：

1. 网络与 I/O 开销：每次调用 API（如 get_bars）都会产生底层的网络请求、数据库查询和数据封装开销。如果使用 for 循环轮询 100 只股票，就会产生 100 次 I/O 开销；而将 100 只股票打包成一个 list 传入，只需 1 次 I/O 开销。
2. 底层优化：JoinQuant 的底层数据库对批量查询进行了专门的优化，能够并行或更高效地从数据库中提取多只股票的数据。
3. 数据结构开销：如果设置 df=True，pandas.DataFrame 的创建本身就比较耗时。循环创建 100 个 DataFrame 的耗时远大于一次性创建一个 MultiIndex DataFrame。

优化建议：

• 尽量使用批量查询：在策略中，尽量将需要查询的股票代码收集到一个列表中，一次性调用 get_bars。
• 关闭 DataFrame 转换：在对性能要求极高的场景（如 Tick 级或分钟级高频策略），建议设置 df=False，直接处理 numpy.ndarray，这会比生成 pandas.DataFrame 快得多。