批量取数比循环单取快多少？用 AlphaFeed klines.batch 给多股票取数提速

批量取数比循环单取快多少？用 AlphaFeed klines.batch 给多股票取数提速

一句话回答： 给几十上百只股票取 K 线，用 for 循环一只只调接口不仅慢，还容易触发限频。AlphaFeed 的 klines.batch(codes, ...) 一次就能批量取回（内置并发与自动分批），实测比朴素循环快数倍，返回 dict{symbol: DataFrame} 直接可用——这是多标的取数的正确姿势。

为什么会有这个问题 / 传统做法的痛点

新手取多只股票的写法通常是：

data = {}
for code in codes:
    data[code] = af.klines.get(code, period="1d", count=250)   # 串行、慢、易限频

标的一多，串行请求的网络往返（RTT）线性累加，几百只要等很久；而且高频串行请求更容易撞上接口限频（429）。正确做法是把「批量」交给 SDK：一次请求/内部并发取回所有标的。

分步骤解决（每步配可运行代码）

第 1 步：用 klines.batch 一次取回多只

from alphafeed import AlphaFeed

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ", "300750.SZ"]
data = af.klines.batch(codes, period="1d", count=250,
                       adjust="forward", to_dataframe=True)

print(type(data), list(data.keys()))      # dict{symbol: DataFrame}
print(data["600519.SH"].tail(2)[["trade_date", "close"]].to_string(index=False))

batch 返回一个字典，键是标准代码，值是该股的 DataFrame，遍历即可：

for sym, kdf in data.items():
    ret = kdf["close"].iloc[-1] / kdf["close"].iloc[0] - 1
    print(f"{sym}: 区间收益 {ret:+.2%}")

第 2 步：计时对比——循环 vs 批量

import time

def timed(fn):
    t0 = time.perf_counter(); out = fn(); return out, time.perf_counter() - t0

# 朴素循环
_, t_loop = timed(lambda: {c: af.klines.get(c, period="1d", count=250,
                                            adjust="forward", to_dataframe=True)
                           for c in codes})
# 批量
_, t_batch = timed(lambda: af.klines.batch(codes, period="1d", count=250,
                                           adjust="forward", to_dataframe=True))

print(f"循环 {t_loop:.2f}s  |  批量 {t_batch:.2f}s  |  提速 {t_loop / t_batch:.1f}x")

标的越多、网络 RTT 越高，批量相对循环的优势越明显；batch 内部并发把串行等待压平。

第 3 步：调并发与分批参数

data = af.klines.batch(codes, period="1d", count=250, adjust="forward",
                       to_dataframe=True, batch_size=50, max_workers=8)

第 4 步：全市场取数的正确姿势

要对全 A 取数，先用标的池拿代码，再分批 batch，避免一次性拉爆：

q = af.quotes.get(universes="CN_Stock", to_dataframe=True)
codes = q["symbol"].tolist()

all_data = {}
CHUNK = 200
for i in range(0, len(codes), CHUNK):
    part = af.klines.batch(codes[i:i + CHUNK], period="1d", count=60,
                           adjust="forward", to_dataframe=True)
    all_data.update(part)
    print(f"已取 {len(all_data)}/{len(codes)}")

关键坑与注意事项

• 别用裸 for 循环取几百只：串行慢且更易触发限频，能用 batch 就用 batch。
• 并发不是越高越好：max_workers 过大反而撞限频（429），从 8 起步按网络调。
• 全市场分块：几千只一次性 batch 内存与单请求都过重，按 200~500 分块并落盘更稳。
• 批量里个别标的可能缺失：停牌/新股/退市可能返回空或缺键，遍历时判空跳过。
• SDK 已内置重试：偶发 429/5xx 会自动退避重试，业务层不必自己写重试循环（详见限频/容错一文）。
• 计时结果因网络而异：本文示例的提速倍数取决于标的数与网络，标的越多优势越大。

常见问题（FAQ）

Q：batch 返回的顺序和我传入的一致吗？ A：返回是 dict{symbol: DataFrame}，按 symbol 键访问最稳；需要顺序就按传入 codes 遍历取值。

Q：batch 能跨市场混着取吗（A 股 + 港股 + 美股）？ A：可以，传入的 codes 里混合 .SH/.SZ/.HK/.US 均可，按标准代码取回。

Q：某只票取失败会影响整批吗？ A：不会整批失败；缺失的标的不会出现在结果字典里或返回空，遍历时判空即可。

Q：需要付费吗？ A：小批量有免费额度；全市场标的池（universes）与大规模批量取数需 Starter 及以上。详见定价页。

小结

多标的取数的性能关键，是把「批量与并发」交给 SDK 而不是自己写串行循环。用 AlphaFeed 的 klines.batch 一次取回 dict{symbol: DataFrame}，内置并发与分批让它比朴素循环快数倍，再配合标的池分块，就能稳、快地完成从几只到全市场的取数。

相关链接：

• AlphaFeed 官网：https://alphafeed.org/
• Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

免责声明：本文仅为技术与数据接口使用示例，代码与逻辑仅供学习研究，不构成投资建议。市场有风险，历史数据不代表未来表现。