社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Python

akshare 与 Python:中国金融数据分析与获取的开源首选工具

连享会 • 5 月前 • 413 次点击  


👇 连享会 · 推文导航 | www.lianxh.cn

距离开课还有5天,近期的不同专题一起报名可优惠

🍓 连享会 · 2026 AI 实证研究
嘉宾:司继春(上海对外经贸大学)
时间:2026 年 6 月 27-28 日
咨询:王老师 18903405450(微信)


连享会:2026暑期班 · 线上
时间:7月21-31日
嘉宾:连玉君(初级班) || 茅家铭(高级班) || 范馨月(论文班)
咨询:王老师 18903405450(微信)



温馨提示: 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码,直达原文:

作者:张祖冲 (江苏大学)
邮箱:zzchong1228@163.com


1. 简介:何谓 akshare?

akshare 是专为金融数据分析打造的开源 Python 库,其核心设计理念可用一句话概括:“为人类设计的优雅简洁的 Python 金融数据接口库”。这一定位鲜明地体现了以用户为中心、追求极致易用性的目标。

深入了解 akshare,会发现它本质上并不是原始数据的生产者,而是一个高效的数据聚合与抽象平台。这一点从其接口函数的命名规范即可看出,例如 stock_zh_a_spot_em 和 futures_zh_daily_sina,其中的 _em 和 _sina 后缀分别指明了底层数据源——东方财富网和新浪财经。

akshare 的最大价值在于,它帮助用户摆脱了繁琐的网页数据抓取和各类网站 API 解析的工作,通过统一、稳定的 API,将来自不同来源、结构各异的数据标准化为 pandas DataFrame 格式,大大简化了数据获取流程。这样的设计不仅让用户能够免费获取海量公开金融数据,还无需关心底层数据源的变化与实现细节,极大提升了数据分析的效率和体验。

  • 项目源码: https://github.com/akfamily/akshare
  • 官方文档: https://akshare.akfamily.xyz/。详细介绍了 akshare 的安装、使用方法、涵盖的主要数据库、指标定义,以及各类数据接口的详细说明。

1.1 为何要使用 akshare 库?

一个开源项目的可靠性与生命力,很大程度上取决于其社区的活跃度与认可度。在这方面,akshare 表现尤为突出,其 GitHub 仓库的相关数据充分印证了这一点:

  • 社区认可度:项目已获得超过 12,200 个星标(Stars),并被 1,300 多个项目实际依赖,显示出在开发者群体中的高度关注与广泛应用。
  • 协作与贡献:拥有 2,300 余个分支(Forks)和 91 位贡献者,体现了健康且活跃的协作开发氛围。
  • 专业背书:知名开发者工具厂商 JetBrains 作为赞助商之一,为项目增添了重要的专业信誉。
  • 持续维护:项目已累计发布 31 个版本,并保持着积极的更新频率。例如,更新日志中多次记录了对 rate_interbank 等接口的修复,显示出维护团队对社区反馈和 bug 修复的高度响应。

这些数据不仅反映了 akshare 的技术实力,也展现了其背后强大的社区支持和持续发展的潜力。

1.2 安装方法与使用要点

akshare 的安装过程非常简便,只需在命令行中通过 pip 执行如下指令即可:

pip install akshare

但在正式使用前,用户需特别注意其数据使用声明。akshare 明确强调,所提供的数据“仅限于学术研究用途”,不构成任何投资建议。同时,由于底层数据源等“不可控因素”,部分接口未来可能会发生变动或下线。理解这一定位,有助于用户合理预期和规范使用行为。

此外,部分用户可能会发现,虽然项目的 GitHub 仓库维护活跃、响应及时,但官方文档网站(akshare.akfamily.xyz)偶尔会出现访问不稳定的情况。这在开源项目中较为常见,通常意味着开发团队将主要精力投入在代码和社区维护上。因此,建议大家优先通过 GitHub 仓库 获取最新动态、反馈问题和寻求帮助,这样不仅能规避文档站点偶发的访问障碍,还能直接融入最活跃的用户与开发者社区。

1.3 akshare 提供的主要数据接口

akshare 提供了丰富的金融数据接口,涵盖了股票、期货、外汇、宏观经济等多个领域。以下是一些主要的接口分类:

  • 股票数据:包括 A 股、港股、美股等市场的实时行情、历史 K 线、财务报表等。
  • 期货数据:提供国内外主要期货品种的实时行情、历史数据、持仓量等。
  • 外汇数据:涵盖主要货币对的实时汇率、历史数据等。
  • 宏观经济数据:包括 GDP、CPI、PPI 等重要经济指标的历史数据。
  • 数字货币数据:支持比特币、以太坊等主流数字货币的行情和历史数据。
  • 行业数据:提供各行业指数、板块行情等信息。
  • 量化分析工具:包括技术指标计算、数据可视化等功能。
  • 新闻与舆情数据:提供财经新闻、社交媒体舆情等信息。
  • 数据下载与转换工具:支持将数据导出为 CSV、Excel 等格式,方便后续分析。
  • 数据清洗与预处理工具:提供常用的数据清洗、转换函数,便于用户快速处理原始数据。

详情参见 asshare 数据字典。下面,我们将重点介绍如何使用 akshare 获取中国 A 股市场的核心数据。

2. 核心数据获取 - 中国 A 股市场

akshare 在中国 A 股市场的数据获取方面表现尤为出色,能够满足从实时行情到深度历史数据的多层次需求,并内置了量化分析所需的核心功能。

2.1. 实时市场快照

对于希望全面掌握市场最新动态的分析师来说,akshare 提供了极为便捷的接口。只需调用 ak.stock_zh_a_spot_em() 函数,即可一键获取沪深京 A 股所有上市公司的实时行情数据。

代码示例:获取 A 股实时行情

import akshare as ak

# 获取沪深京 A 股实时行情数据
stock_zh_a_spot_em_df = ak.stock_zh_a_spot_em()

# 显示数据框的前几行
print(stock_zh_a_spot_em_df.head())
   序号      代码      名称    最新价    涨跌幅   涨跌额       成交量           成交额     振幅     最高     最低     今开     昨收    量比    换手率  市盈率-动态   市净率           总市值          流通 市值   涨速  5分钟涨跌  60日涨跌幅  年初至今涨跌幅
0   1300993    玉马科技  14.6820.032.45327918.04.336300e+0821.1014.6812.1012.2012.232.8713.59   37.463.134.523366e+093.541780e+090.0    0.0   36.05    31.19
1   2300650    太龙股份  17.0320.012.84385574.06.193797e+0819.2417.0314.3014.4914.194.9425.24144.602.983.717583e+092.601650e+090.0    0.0   25.87    48.47
2   3300991     创益通  28.9720.014.83175393.04.763418e+0821.5828.9723.7624.2624.144.7819.51166.356.494.171680e+092.604171e+090.0    0.0   53.28    40.22
3   4301024    霍普股份  47.8820.007.98   54306.02.491418e+0822.5147.8838.9039.0039.900.94   9.02-86.247.213.044450e+092.882855e+090.0    0.0   86.30   101.18
4   5688062  迈威生物-U  28.6220.004.77296333.08.274653e+08    9.7328.6226.3026.5023.852.3014.51   -9.808.951.143655e+105.843345e+090.0    0.0   40.23    41.68

该函数返回的 DataFrame 不仅包含基础的价格信息,还集成了诸如动态市盈率、市净率、总市值、流通市值、换手率等多项经过计算的高价值指标。分析师仅需一次 API 调用,即可获取构建复杂筛选策略所需的绝大部分核心数据,大幅提升了研究与分析的效率。

表 2.1: stock_zh_a_spot_em() 关键输出字段

字段名称
类型
描述
代码
object
股票代码
名称
object
股票名称
最新价
float64
当前最新成交价
涨跌幅
float64
涨跌幅,单位:%
成交量
float64
成交量,单位:手
成交额
float64
成交额,单位:元
换手率
float64
换手率,单位:%
市盈率-动态
float64
动态市盈率
市净率
float64
市净率
总市值
float64
总市值,单位:元
流通市值
float64
流通市值,单位:元

2.2. 历史价格数据:复权的决定性作用

历史 K 线数据是所有回测和时间序列分析的基础。akshare 通过 stock_zh_a_hist() 接口为用户提供了强大的历史数据获取能力,而其对数据复权(Adjustment)的深度支持,正是体现其专业水准的关键所在。

在金融市场中,股票由于分红、送股、配股等行为,股价会出现“断层”。如果直接使用未复权的价格序列进行分析,容易导致收益率计算和技术指标出现严重偏差。akshare 的设计者深刻理解这一量化分析的核心痛点,因此在接口中专门设置了 adjust 参数,支持不复权、前复权(qfq)和后复权(hfq)三种模式:

  • 前复权(qfq):保持当前价格不变,向前调整历史价格。优点是便于看盘,和行情软件默认显示一致,但历史价格会随每次除权而变化,甚至可能出现负值。
  • 后复权(hfq ):保持上市首日价格不变,向后调整价格。优点是能真实反映投资者的累计财富增长,是计算真实历史回报率的唯一可靠方法。因此,在严谨的量化投资研究中,后复权数据是首选标准。

akshare 对复权概念的清晰阐释和功能支持,表明它不仅仅是一个数据抓取工具,更是一个由实践者为实践者打造、深刻理解金融分析需求的专业库。

代码示例:获取某只股票的后复权日 K 线数据

import akshare as ak

# 获取平安银行(000001)从 2017-03-01 到 2024-05-28 的后复权(hfq)日 K 线数据
stock_zh_a_hist_hfq_df = ak.stock_zh_a_hist(
    symbol="000001",
    period="daily",
    start_date="20170301",
    end_date="20240528",
    adjust="hfq"
)

# 显示后复权数据
print(stock_zh_a_hist_hfq_df.tail())
      日期        股票代码    开盘     收盘      最高     最低    成交量         成交额  振幅 涨跌幅 涨跌额  换手率
17552024-05-220000011639.331639.331661.841626.8321155312.458449e+092.140.08   1.251.09
17562024-05-230000011635.581619.331643.081615.5818416232.110799e+091.68-1.22-20.000.95
17572024-05-240000011615.581608.081630.581606.8313982761.593330e+091.47-0.69-11.250.72
17582024-05-270000011608.081633.081635.581608.0814543611.663272e+091.711.5525.00 0.75
17592024-05-280000011631.831619.331641.831614.3312043231.377107e+091.68-0.84-13.750.62

表 2.2:stock_zh_a_hist 输入参数

参数
类型
描述
示例
symbol
str
股票代码
'000001'
period
str
数据周期
'daily'
, 'weekly', 'monthly'
start_date
str
开始日期
'20170301'
end_date
str
结束日期
'20240528'
adjust
str
复权方式
""
(不复权), "qfq", "hfq"

表 2.3:stock_zh_a_hist 输出字段

字段名称
类型
描述
日期
object
交易日期
开盘
float64
开盘价
收盘
float64
收盘价
最高
float64
最高价
最低
float64
最低价
成交量
int64
成交量(手)
成交额
float64
成交额(元)
换手率
float64
换手率(%)

我们将补全缺失的 Section 3 部分,使其与现有结构一致。标题采用与前文相同的风格,结构包括:段落说明 + 示例代码 + 输出结果 + 字段说明表格,主题为 期货数据接口。

3. 期货与宏观经济数据接口

除股票市场外,中国期货市场的数据获取对于量化交易、套期保值与商品研究也至关重要。akshare 提供了对主力合约、连续合约、持仓量、结算价等关键字段的便捷接口,覆盖多个交易所(如大商所、上期所、郑商所),使用户能以统一方式访问结构清晰、格式标准的商品期货数据。

3.1 获取期货主力合约的历史数据

在实际应用中,主力合约数据可用于构建趋势策略、预测波动率、监控价格极值等。akshare 提供了 futures_zh_daily_sina() 接口,用于从新浪财经抓取国内期货主力合约的日线行情,包括开盘价、收盘价、最高价、最低价、成交量、持仓量和结算价等关键字段。

示例代码:获取豆粕(M0)主力合约的日线数据

import akshare as ak

# 获取大连商品交易所豆粕主力合约的历史数据(M0)
futures_soybean_meal_df = ak.futures_zh_daily_sina(symbol="M0")

# 展示最近 5 行数据
print(futures_soybean_meal_df.tail())

示例输出(部分)

         date     open    high    low     close   volume   hold     settle
4980  2025-06-23  3074.0  3076.0  3021.0  3037.0  1158175  2341727  3042.0
4981  2025-06-24  3033.0  3040.0  3013.0  3037.0   904147  2330396  3029.0
4982  2025-06-25  3031.0  3037.0  2988.0  2993.0  1342168  2270410  3009.0
4983  2025-06-26  2986.0  2988.0  2921.0  2936.0  1851366  2252700  2951.0
4984  2025-06-27  2940.0  2949.0  2926.0  2946.0   987064  2221758  2938.0

字段说明表:futures_zh_daily_sina() 输出字段

字段名称
类型
描述
date
object
交易日期
open
float64
开盘价
high
float64
最高价
low
float64
最低价
close
float64
收盘价
volume
int64
成交量(手)
hold
int64
持仓量
settle
float64
结算价

在实证研究与策略开发中,结算价常用于构造收益率序列,而持仓量则反映市场情绪和资金博弈状况,是判断趋势强度的重要依据。

3.2. 宏观经济指标

宏观经济数据是理解市场大环境、进行自上而下分析的基础。akshare 提供了一系列接口来获取关键的宏观经济指标。

3.2.1. 国民经济健康度 (GDP)

通过 macro_china_gdp 接口,可以获取中国的季度国内生产总值数据。该函数返回包含 GDP 绝对值、同比增长率,以及按第一、二、三产业划分的详细数据的 DataFrame,为宏观经济研究提供了高质量的数据基础。

代码示例:获取中国季度 GDP 数据

import


    
 akshare as ak

# 获取中国季度 GDP 数据
macro_china_gdp_df = ak.macro_china_gdp()
print(macro_china_gdp_df.head())
| 季度             | 国内生产总值-绝对值 | 国内生产总值-同比增长 | 第一产业-绝对值 | 第一产业-同比增长 | 第二产业-绝对值 | 第二产业-同比增长 | 第三产业-绝对值 | 第三产业-同比增长 |
|------------------|--------------------|----------------------|----------------|------------------|----------------|------------------|----------------|------------------|
| 2025年第1季度    | 318758.0           | 5.4                  | 11712.8        | 3.5              | 111902.9       | 5.9              | 195142.3       | 5.3              |
| 2024年第1-4季度  | 1349083.5          | 5.0                  | 91413.9        | 3.5              | 492087.1       | 5.3              | 765582.5       | 5.0              |
| 2024年第1-3季度  | 975357.4           | 4.8                  | 57363.6        | 3.4              | 356492.0       | 5.4              | 561501.8       | 4.7              |
| 2024年第1-2季度  | 633599.4           | 5.0                  | 30468.8        | 3.5              | 233253.0       | 5.8              | 369877.5       | 4.6              |
| 2024年第1季度    | 304761.8           | 5.3                  | 11458.8        | 3.3              | 108277.4       | 6.0              | 185025.6       | 5.0              |

3.2.2. 货币市场动态 (Shibor)

利率是金融市场的核心定价基准。akshare 提供了 rate_interbank 接口,方便用户获取银行间同业拆借利率(如上海银行间同业拆放利率 Shibor)。该接口设计灵活,用户只需通过设置 market、symbol 和 indicator 三个参数,即可按需获取不同市场、不同品种、不同期限的利率数据,满足多样化的分析需求。

代码示例:获取 3 个月 Shibor 利率

import akshare as ak

# 获取上海银行间同业拆借市场、Shibor人民币、3个月期限的利率数据
shibor_3m_df = ak.rate_interbank(market="上海银行同业拆借市场", 
                                 symbol="Shibor人民币", 
                                 indicator="3月")
print(shibor_3m_df.tail())
        报告日     利率   涨跌
4672  2025-06-23  1.629  0.0
4673  2025-06-24  1.629  0.0
4674  2025-06-25  1.630  0.1
4675  2025-06-26  1.630  0.0
4676  2025-06-27  1.630  0.0

表 3.2:  rate_interbank 关键输入参数

参数
类型
描述
示例
market
str
市场名称
"上海银行同业拆借市场"
symbol
str
品种名称
"Shibor人民币"
indicator
str
指标/期限
"隔夜"
, "1周", "3月", "1年"

4. 数据分析实战流程

获取数据只是量化分析的起点。akshare 的真正价值在于它能够与 Python 强大的数据科学生态系统无缝衔接,将原始数据高效转化为有洞察力的分析结果。本节将以一个完整的实战流程为例,展示如何从数据获取、技术指标计算,到最终的可视化呈现,逐步挖掘数据背后的价值。

4.1. 数据整理与技术指标计算

本流程将基于第 2.2 节获取的后复权历史股价数据。首先,需要对数据进行预处理——将日期列转换为索引,这一步对于后续的时间序列分析至关重要。随后,将计算两条常用的技术指标:20 日简单移动平均线(SMA20)和 50 日简单移动平均线(SMA50),为后续趋势分析和策略开发打下基础。

代码示例:计算移动平均线

import pandas as pd
import akshare as ak

# 获取平安银行 (000001) 从 2017-03-01 到 2024-05-28 的后复权 (hfq) 日 K 线数据
stock_zh_a_hist_hfq_df = ak.stock_zh_a_hist(symbol="000001",
                                           period="daily",
                                           start_date= "20170301",
                                           end_date='20240528',
                                           adjust="hfq")
# 1. 将日期列转换为 datetime 对象并设为索引
stock_zh_a_hist_hfq_df['日期'] = pd.to_datetime(stock_zh_a_hist_hfq_df['日期'])
stock_zh_a_hist_hfq_df.set_index('日期', inplace=True)

# 2. 计算 20 日和 50 日简单移动平均线
stock_zh_a_hist_hfq_df['SMA_20'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=20).mean()
stock_zh_a_hist_hfq_df['SMA_50'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=50).mean()
# 显示包含 SMA 的数据
print(stock_zh_a_hist_hfq_df.tail())
        
日期        股票代码   开盘     收盘      最高     最低     成交量     成交额      振幅  涨跌幅 涨跌额 换手率 SMA_20     SMA_50
2024-05-220000011639.331639.331661.841626.8321155312.458449e+092.140.08   1.251.091559.13201523.8886
2024-05-230000011635.581619.331643.081615.5818416232.110799e+091.68-1.22-20.000.951564.75801526.4390
2024-05-240000011615.581608.081630.581606.8313982761.593330e+091.47-0.69-11.250.721569.57151528.7644
2024-05-270000011608.081633.081635.581608.0814543611.663272e+091.711.5525.000.751575.69751531.3648
2024-05-280000011631.831619.33 1641.831614.3312043231.377107e+091.68-0.84-13.750.621580.63601533.4652

4.2. 可视化价格趋势与交易信号

数据可视化是洞察市场趋势和识别交易信号最直观、有效的方法。借助 matplotlib 库,我们可以将股价与计算得到的移动平均线同时绘制在一张图表上,直观展现价格变动及均线交叉等关键特征,帮助分析师更好地把握行情脉络和潜在买卖时机。

代码示例:绘制股价与移动平均线

import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import numpy as np
import pandas as pd

# 设置中文字体,以防乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 生成示例数据
np.random.seed(0)
dates = pd.date_range('2023-01-01', periods=100)
close_prices = np.cumsum(np.random.randn(100)) + 50
stock_zh_a_hist_hfq_df = pd.DataFrame({'收盘': close_prices}, index=dates)
stock_zh_a_hist_hfq_df['SMA20'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=20).mean()
stock_zh_a_hist_hfq_df['SMA50'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=50).mean()

# 创建图表
fig, ax = plt.subplots(figsize=(14, 7))

# 绘制后复权收盘价、SMA20 和 SMA50
ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['收盘'], label='后复权收盘价', color='blue', alpha=0.7)
ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['SMA20'], label='20日移动平均线', color='orange', linestyle='--')
ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['SMA50'], label='50日移动平均线', color='red', linestyle='--')

# 设置图表标题和标签
ax.set_title( '平安银行 (000001) - 股价与移动平均线', fontsize=16)
ax.set_xlabel('日期', fontsize=12)
ax.set_ylabel('后复权价格 (元)', fontsize=12)
ax.legend()
ax.grid(True)

# 格式化日期显示
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
fig.autofmt_xdate()

# 显示图表
plt.show()

这张图表不仅直观展示了股价的长期走势,还清晰刻画了短期(SMA20)与中期(SMA50)均线的动态关系。在技术分析中,短期均线上穿长期均线(如 SMA20 上穿 SMA50)通常被称为“金叉”,被视为市场可能转强的信号;反之,短期均线下穿长期均线则称为“死叉”,往往预示着下跌风险。通过这样的可视化,分析师能够快速识别潜在的趋势反转点,为交易决策提供有力的数据支持。

5. 小结

akshare 已成为现代 Python 量化分析师和数据科学家工具箱中不可或缺的重要工具。其核心优势体现在以下几个方面:

  • 数据覆盖广泛:通过统一的接口,akshare 能够便捷获取股票、期货、宏观经济、利率等多类金融数据,满足跨市场、多资产的分析需求。
  • 专业且实用的功能设计:内置如股价后复权(hfq)、期货持仓量(hold)等量化分析必需的关键功能,充分体现了对实际业务场景的深刻理解。
  • 简洁易用,兼容性强:API 设计直观,返回标准的 pandas DataFrame,便于与 Python 数据科学生态(如 pandas、matplotlib 等)无缝集成,既易上手又具备强大扩展性。
  • 社区活跃,响应及时:GitHub 社区活跃,专业机构支持,版本更新频繁,问题反馈和修复高效,保障了项目的持续发展和可靠性。

总体来看,akshare  极大降低了金融数据获取的门槛,让研究者和开发者能够将更多精力投入到策略开发和数据分析本身。对于用户而言,建议充分利用其带来的便利,同时要认识到其本质是高效的数据聚合工具,而非具备服务等级协议(SLA)的商业数据源。如遇问题或需获取最新信息,建议优先通过其活跃的 GitHub 社区寻求支持。

综上,凭借广泛的数据覆盖、专业的功能设计和强大的社区支持,akshare 已成为中国金融市场数据分析领域极具影响力的开源库,值得广大量化分析师和数据科学家长期关注和使用。

推荐资源:

  • 项目源码与社区支持: https://github.com/akfamily/akshare
  • 官方文档: https://akshare.akfamily.xyz/

6. 相关推文

Note:产生如下推文列表的 Stata 命令为:
lianxh Python + 数据 , nocat md
安装最新版 lianxh 命令:
ssc install lianxh, replace

  • 吴浩然,2024, 数据爬取:美国证监会 EDGAR 系统数据获取及 Python 实现, 连享会 No.1329.
  • 周豪波,2020, Python 调用 API 爬取百度 POI 数据小贴士——坐标转换、数据清洗与 ArcGIS 可视化, 连享会 No.20.
  • 孔亦泽,2023, 分享:公开数据库 及 数据格式转换-R-Stata-Python, 连享会 No.1272.
  • 孙斯嘉,2020, Python 调用 API 爬取百度 POI 数据, 连享会 No.60.
  • 张洪洋,2023, Python:文本数据增强, 连享会 No.1240.
  • 张翠燕,2020, Python+Wind:用 Pyautogui 轻松下载 Wind 数据, 连享会 No.257.
  • 王烨文,2025, Python:手绘风格的可视化图形, 连享会 No.1596.
  • 秦利宾,许梦洁,2021, Python+Stata:如何获取中国气象历史数据, 连享会 No.793.
  • 许梦洁,2020, Python: 如何优雅地管理微信数据库?, 连享会 No.90.
  • 许梦洁,2021, Python 爬虫:从 SEC-EDGAR 爬取股东治理数据-Shareholder-Activism, 连享会 No.744.
  • 许梦洁,2020, Python:拆分文件让百万级数据运行速度提高 135 倍, 连享会 No.301.
  • 连享会,2021, Stata-Python 交互 -6:调用 APIs 和 JSON 数据, 连享会 No.556.
  • 连享会,2021, Stata-Python 交互 -8:将 Stata 数据导入 Python, 连享会 No.558.
  • 连享会,2021, Stata-Python 交互 -9:将 python 数据导入 Stata, 连享会 No.559.
  • 连享会,2025, 连享会 - 系列公开课(共五次), 连享会 No.1622.
  • 连小白,2025, AI 助手系列:借助 AI 工具复现高质量图形, 连享会 No.1584.
  • 连小白,2025, GMD:最新全球宏观数据库 -243 个国家 46 个宏观变量, 连享会 No.1559.
  • 连小白,2025, Kaggle-数据科学平台:找数据、搜代码一网打尽, 连享会 No.1586.
  • 连小白,2025, Python 常用包盘点:经济与金融领域的必备工具包, 连享会 No.1568.
  • 连玉君,2025, 无法下载 github 仓库中的数据?网页跳转的原理与 Stata、R、Python 解决方案, 连享会 No.1628.
  • 陈卓然,2023, Python 金融分析系列 -2:数据可视化, 连享会 No.1295.
  • 陈卓然,2023, Python:爬虫雅虎财经数据-selenium, 连享会 No.1306.
  • 高瑜,2025, 书籍推荐:用 Python 实现可复现的数据科学, 连享会 No.1551.
  • 高瑜,2024, 新书推荐:可复现数据科学及 Python 应用, 连享会 No.1485.



🍓 连享会 · 2026 社会网络分析专题
嘉宾:杨张博 (西安交通大学)
时间:2026 年 8 月 18-19 日
咨询:王老师 18903405450(微信)

连享会微信小店上线啦!

Note:扫一扫进入“连享会微信小店”,你想学的课程在这里······

New! Stata 搜索神器:lianxh 和 songblGIF 动图介绍
搜: 推文、数据分享、期刊论文、重现代码 ……
👉 安装:
. ssc install lianxh
. ssc install songbl
👉  使用:
. lianxh DID 倍分法
. songbl all

🍏 关于我们

  • 连享会 ( www.lianxh.cn,推文列表) 由中山大学连玉君老师团队创办,定期分享实证分析经验。
  • 直通车: 👉【百度一下:连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/197990