本文共 3380 字，大约阅读时间需要 11 分钟。
本文的原文连接是: 未经博主允许不得转载。
博主地址是：股票数据比较特殊，需要做数据统计的。都需要一次进行批量查询多个数据，然后进行分析。
所以股票数据不一定要放到数据库中存储。因为一般就两个维度。 那只股票，和那天的股票信息，然后使用模型进行分析预测。 所以数据可以存储为：/data/stock/yyyy/yyyMM/yyyyMMdd.hdf5 存储的数据是hdf5： Hierarchical Data Format，可以存储不同类型的图像和数码数据的文件格式#首先安装hdf5库yum -y install hdf5 hdf5-develpip install unittest2pip install --upgrade tables
参考pytables官方文档。
这里使用的是pandas封装的接口直接使用，而不是使用tables。# pythonPython 2.6.6 (r266:84292, Jul 23 2015, 15:22:56) [GCC 4.4.7 20120313 (Red Hat 4.4.7-11)] on linux2Type "help", "copyright", "credits" or "license" for more information.>>> import numpy as np>>> import pandas as pd###su>>> a = np.random.standard_normal((9,4))>>> b = pd.DataFrame(a)>>> b.columns = [['num1','num2','num3','num4']]>>> aarray([[-2.36198849, -1.27547933, -1.40351822, -0.6638619 ], [ 1.89159066, -0.31838519, -0.2065942 , -1.02327987], [-2.02771503, -0.81333254, -0.93644288, -0.91592467], [-1.3939496 , 0.25899342, 1.11591841, -0.7423286 ], [-1.05104415, -0.79069151, -1.46536873, -0.01449547], [ 1.32483444, 0.32030117, -1.23575344, 0.51455106], [ 0.91297435, 0.43242834, 1.77235337, 1.14879289], [ 0.93476429, 0.18592698, 0.30198234, -0.61861642], [ 0.04462872, -0.99275411, -0.86382085, -1.53064223]])>>> b num1 num2 num3 num40 -2.361988 -1.275479 -1.403518 -0.6638621 1.891591 -0.318385 -0.206594 -1.0232802 -2.027715 -0.813333 -0.936443 -0.9159253 -1.393950 0.258993 1.115918 -0.7423294 -1.051044 -0.790692 -1.465369 -0.0144955 1.324834 0.320301 -1.235753 0.5145516 0.912974 0.432428 1.772353 1.1487937 0.934764 0.185927 0.301982 -0.6186168 0.044629 -0.992754 -0.863821 -1.530642>>> b.sum()num1 -1.725905num2 -2.992993num3 -2.921244num4 -3.845805dtype: float64>>> b.mean()num1 -0.191767num2 -0.332555num3 -0.324583num4 -0.427312dtype: float64###写hdf5文件：>>> h5 = pd.HDFStore('/data/stock/test1.h5','w')>>> h5['data'] = b>>> h5.close()>>> >>> b num1 num2 num3 num40 -2.361988 -1.275479 -1.403518 -0.6638621 1.891591 -0.318385 -0.206594 -1.0232802 -2.027715 -0.813333 -0.936443 -0.9159253 -1.393950 0.258993 1.115918 -0.7423294 -1.051044 -0.790692 -1.465369 -0.0144955 1.324834 0.320301 -1.235753 0.5145516 0.912974 0.432428 1.772353 1.1487937 0.934764 0.185927 0.301982 -0.6186168 0.044629 -0.992754 -0.863821 -1.530642###读hdf5文件。>>> h5 = pd.HDFStore('/data/stock/test1.h5','r')>>> c = h5['data']>>> c num1 num2 num3 num40 -2.361988 -1.275479 -1.403518 -0.6638621 1.891591 -0.318385 -0.206594 -1.0232802 -2.027715 -0.813333 -0.936443 -0.9159253 -1.393950 0.258993 1.115918 -0.7423294 -1.051044 -0.790692 -1.465369 -0.0144955 1.324834 0.320301 -1.235753 0.5145516 0.912974 0.432428 1.772353 1.1487937 0.934764 0.185927 0.301982 -0.6186168 0.044629 -0.992754 -0.863821 -1.530642>>> h5.close() >>> import tushare as ts>>> d = ts.get_tick_data('600848',date='2015-01-09')>>> type(d) >>> len(d)1212###保存数据>>> h5 = pd.HDFStore('/data/stock/test2.h5','w')>>> h5['data'] = d>>> h5.close()>>> >>> ###读取数据>>> h5 = pd.HDFStore('/data/stock/test2.h5','r')>>> e = h5['data']>>> h5.close()>>> >>> type(e) >>> len(e)1212 本文的原文连接是: 未经博主允许不得转载。
博主地址是：使用文件直接存储到本地还是非常方便的。pandas直接封装的函数3行解决问题。
同时pandas封装的读出数据还是数组，可以直接进行操作。灰常方便。