get_bars 性能比 get_price 慢了好几倍？
get_price 无法精确获取到类似股票软件提供的周期数据（因为周线从礼拜一开市到礼拜五，月线从月初到月末，如果一个礼拜只有不到 5 个交易日，简单调用 get_price 就会取到上个礼拜的数据）
但是 get_bars 性能还是过于慢了，虽然 get_bars 肯定做了大量的处理，聚宽有没有考虑下优化 get_bars 性能呢？
十倍之差，缩小到两倍都可以接受，也可以极大的降低你们的服务器消耗。
问题描述
解决方案
get_bars 与 get_price 的性能差异解析
在 JoinQuant（聚宽）量化平台中，许多开发者会发现 get_bars 的执行速度明显慢于 get_price。这主要是由于两者在底层数据处理逻辑上的巨大差异造成的：
- 数据对齐逻辑不同：
get_price获取多日数据时（如frequency='5d'），采用的是简单的滑动窗口逻辑，即直接往前推5个交易日。而get_bars（如unit='1w'或'1M'）为了对齐主流股票软件的显示，进行了复杂的日历时间对齐。它需要判断自然周、自然月的起始和结束，并处理节假日等不规则交易日，这带来了大量的额外计算开销。 - 实时快照处理：
get_bars支持include_now=True参数，这意味着它在盘中调用时需要实时合成当前未结束的 Bar 数据，底层需要拼接历史 K 线和最新的 Tick/分钟数据。 - 停牌处理机制：
get_price默认会用前收盘价填充停牌数据（skip_paused=False），而get_bars则是严格跳过停牌数据，不进行填充，这要求底层在切分 Bar 时进行更复杂的索引过滤。
如何优化获取周期数据的性能？
虽然官方在底层持续优化 API 性能，但在策略编写层面，我们可以通过以下几种替代方案和技巧，将性能提升数倍甚至十倍以上：
方案一：使用 Pandas 本地重采样（强烈推荐）
如果您觉得 get_bars 获取周线（1w）或月线（1M）太慢，最高效的替代方案是：使用 get_price 批量获取日线数据，然后在本地使用 Pandas 的 resample 方法合成为周线或月线。
get_price 获取日线速度极快，Pandas 的 C 语言底层重采样也非常高效。代码示例如下：
import pandas as pd
from jqdata import *
def get_custom_weekly_bars(security, start_date, end_date):
# 1. 使用高速的 get_price 获取日线数据
df = get_price(security, start_date=start_date, end_date=end_date, frequency='daily', panel=False)
if df.empty:
return df
# 2. 将索引转换为 DatetimeIndex 以支持重采样
df.index = pd.to_datetime(df.index)
# 3. 使用 Pandas resample 按周('W')重采样
# 聚合规则：开盘取第一个，收盘取最后一个，最高取最大，最低取最小，成交量/额求和
weekly_df = df.resample('W').agg({
'open': 'first',
'close': 'last',
'high': 'max',
'low': 'min',
'volume': 'sum',
'money': 'sum'
})
# 4. 剔除没有交易的周（如长假）
weekly_df = weekly_df.dropna()
return weekly_df
方案二：保持 df=False 返回 Numpy 数组
如果您必须使用 get_bars，请务必保持默认参数 df=False。get_bars 默认返回 numpy.ndarray，其构建速度远快于 pandas.DataFrame。只有在绝对必要时，才在本地将其转换为 DataFrame。
# 推荐：返回 numpy 数组，速度较快
bars_array = get_bars('000001.XSHE', count=100, unit='1w', df=False)
# 不推荐：直接返回 DataFrame，底层转换耗时
bars_df = get_bars('000001.XSHE', count=100, unit='1w', df=True)
方案三：批量获取多标的数据
无论是 get_price 还是 get_bars，一次性传入一个股票列表获取数据，永远比在 for 循环中单只股票单只股票地获取要快得多。底层 API 对批量请求做了网络 I/O 和数据库查询的合并优化。
# 推荐做法：批量获取
stock_list = ['000001.XSHE', '000002.XSHE', '600000.XSHG']
bars_dict = get_bars(stock_list, count=10, unit='1w', df=False)
总结
get_bars 的“慢”是其提供精准日历对齐和实时快照功能的代价。在对性能要求极高的量化回测场景中，“获取细粒度数据 + 本地 Pandas 降采样合成” 是业界通用的提速法则。通过 get_price 获取日线并本地 resample，您可以完美兼顾“类似股票软件的精准周期”与“极速的执行性能”。