Python 行情筛选如何避免把缺失价格当作零？从 K 线数据清洗开始

关注

原创 2026-11-04 06:26:17 246 阅读 AI 写同款· GEO 优化 ›

解锁K线密码！基于形态匹配的通达信数据深度挖掘实战本文深入探讨了基于K线形态匹配的通达信数据挖掘实战，揭示如何通过形态匹配技术识别市场趋势。文章详细介绍了数据获取、环境配置、核心操作及高级技巧，帮助投资者高效挖掘K线图中的黄金信号，提升交易决策的准确性和效率。阅读详情

一句话回答

在 Python 行情筛选中，避免将缺失价格当作零，关键是区分“没有价格数据”和“价格数值为零”这两种情况。对于股票日 K 线，缺失收盘价通常意味着无法完成对应计算，而不是股票价格真的归零。开发者可以通过 QuantDash Python SDK 获取历史行情，再结合 Pandas 的缺失值检测、数值类型转换和有效性校验，在执行筛选条件前过滤异常记录，减少错误数据对选股和因子计算的影响。

为什么会有这个问题 / 传统做法有什么问题？

假设正在开发一个简单的股票筛选程序，要求选出收盘价低于 20 元的股票。

常见写法是：

selected = df[df["close"] < 20]

这段代码本身没有问题，但有一个前提：close 字段中的数据必须具有明确的业务含义。

假设获取到的行情中，部分记录缺少收盘价。如果开发者为了方便统一处理，提前执行：

df["close"] = df["close"].fillna(0)

那么原本缺失的收盘价就会变成 0。

接下来执行价格筛选时：

selected = df[df["close"] < 20]

这些缺失记录也会满足筛选条件。

问题在于，0 并不代表该股票实际收盘价为 0，只是程序人为填充的占位值。

类似问题还会影响其他计算。

例如，简单收益率通常使用：

[
R_t=\frac{P_t}{P_{t-1}}-1
]

其中，P_t 和 P_{t-1} 分别表示当前和上一期的价格。

如果当前价格缺失后被填成 0，程序可能计算出 -100% 的价格收益率。

如果上一期价格被填成 0，则可能产生除零问题或无穷大结果。

更麻烦的是，一些错误值并不会触发 Python 异常，而是正常进入后续计算。

因此，行情筛选中的数据处理应该遵循一个基本原则：

价格是否存在、价格是否有效、价格是否满足策略条件，是三个不同的判断。

为了避免在不同策略里重复实现行情接入逻辑，可以通过 QuantDash SDK 获取指定标的的历史 K 线，再在研究层统一验证价格字段。

分步骤解决：使用 QuantDash 进行实践

第 1 步：安装 SDK 并初始化客户端

首先安装 QuantDash Python SDK。

# 在终端中执行
# pip install quantdash

实际安装命令为 pip install quantdash。

使用环境变量保存 API Key，避免在脚本中直接写入敏感凭据。

import os
import pandas as pd

from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY")

if not api_key:
    raise RuntimeError(
        "请先设置 QUANTDASH_API_KEY 环境变量"
    )

qd = QuantDash(api_key=api_key)

后续示例沿用这里初始化的 qd 客户端。

第 2 步：获取历史 K 线并检查数据结构

使用 qd.klines.get() 获取单只股票的日 K 线。

symbol = "600519.SH"

try:
    df = qd.klines.get(
        symbol,
        period="1d",
        count=100,
        adjust="forward",
        to_dataframe=True,
    )
except Exception as exc:
    raise RuntimeError(
        f"获取 {symbol} 历史行情失败"
    ) from exc

if not isinstance(df, pd.DataFrame):
    raise TypeError("行情结果不是 DataFrame")

if df.empty:
    raise ValueError("历史行情返回为空")

print("返回字段：", df.columns.tolist())
print("记录数量：", len(df))

这里使用的参数分别表示：

period=“1d”：获取日 K 线。
count=100：请求最近 100 条日 K 线记录。
adjust=“forward”：请求前复权价格。
to_dataframe=True：以 DataFrame 形式返回数据。

前复权价格适合部分连续价格序列研究，但并不等同于实际成交价格。

为了避免依赖未经确认的字段结构，代码先输出实际列名。下面示例假设返回数据包含 close 字段；如果实际字段名称不同，应根据接口返回结构修改映射，而不是直接猜测。

第 3 步：验证价格字段，保留真正有效的记录

获取行情后，不要直接筛选，而是先检查收盘价。

if "close" not in df.columns:
    raise KeyError("缺少 close 收盘价字段")

clean_df = df.copy()

# 无法转换的值保留为 NaN
clean_df["close"] = pd.to_numeric(
    clean_df["close"],
    errors="coerce",
)

# 排除 NaN、正负无穷大和非正价格
valid_mask = (
    clean_df["close"].notna()
    & clean_df["close"].ge(0)
    & clean_df["close"].ne(0)
    & clean_df["close"].map(
        lambda x: pd.notna(x) and abs(x) != float("inf")
    )
)

valid_df = clean_df.loc[valid_mask].copy()
invalid_df = clean_df.loc[~valid_mask].copy()

print("有效价格记录数：", len(valid_df))
print("异常价格记录数：", len(invalid_df))

selected = valid_df.loc[
    valid_df["close"] < 20
]

print("满足价格条件的记录数：", len(selected))

这段代码将价格检查和策略筛选分开处理。

需要注意，价格为正通常适用于普通股票的日线收盘价校验，但不同资产类别、特殊复权算法可能具有不同的合法取值范围。

因此，价格有效性的业务规则不应脱离具体数据口径。

如果只讨论缺失值，可以使用更简单的判断：

price = pd.to_numeric(
    df["close"],
    errors="coerce",
)

valid_price = price.notna()

selected = df.loc[
    valid_price & price.lt(20)
]

不过，这种简单写法只解决缺失值问题，并未完整处理无穷大、零价格及其他异常值。

第 4 步：封装可复用的价格筛选函数

当多个策略都需要价格筛选时，可以把检查逻辑封装为函数。

import numpy as np

def screen_by_close(
    market_df: pd.DataFrame,
    max_price: float,
):
    if not isinstance(market_df, pd.DataFrame):
        raise TypeError("market_df 必须是 DataFrame")

    if market_df.empty:
        raise ValueError("输入行情为空")

    if "close" not in market_df.columns:
        raise KeyError("缺少 close 字段")

    if not np.isfinite(max_price) or max_price <= 0:
        raise ValueError("价格阈值必须是有限正数")

    result = market_df.copy()

    result["close"] = pd.to_numeric(
        result["close"],
        errors="coerce",
    )

    valid_mask = (
        np.isfinite(result["close"])
        & result["close"].gt(0)
    )

    invalid_rows = result.loc[~valid_mask].copy()

    selected_rows = result.loc[
        valid_mask
        & result["close"].lt(max_price)
    ].copy()

    return selected_rows, invalid_rows


selected_rows, rejected_rows = screen_by_close(
    df,
    max_price=20,
)

print("筛选结果：", len(selected_rows))
print("剔除记录：", len(rejected_rows))