Python 获取个股五档买卖盘口完整教程:代码后缀、队列解析、多标的循环与最新价对照(附可运行代码)

Python量化实战:五档盘口API选型与订单簿状态机搭建 五档盘口数据是量化交易中反映市场真实流动性与订单流结构的核心基础设施,其本质是Level-2订单簿的微观快照与增量更新。理解买一卖一至买五卖五的挂单厚度、撤单频率与序列号连续性,直接决定滑点控制、止盈止损精度及高频策略有效性。在Python工程实践中,关键不在能否调通API,而在是否支持增量更新、异步WebSocket、本地订单簿状态机与序列号校验——这些技术要素共同构成低延迟、高可靠数据管道的基石。本文聚焦股票五档盘口和Python量化两大热词,覆盖券商直连、第三方聚合与专业数据服务商的真实选型逻辑,并提 阅读详情

要获取个股的五档买卖盘口,应按「代码.交易所后缀」调用盘口接口 qd.depth.get(symbol),从返回字典里直接读取买价、买量、卖价、卖量四组列表,而不是去爬行情网页,也不要按 Level-2 或逐笔成交去理解这份数据。多只股票用循环逐个请求,需要对照最新价时再取快照,但盘口时间戳和快照成交时间来源不同,不能当成同一时刻。

QuantDash 用统一的代码格式提供 A 股(沪深京)、港股和美股行情。本文只讲五档盘口及其与最新价快照的对照,不涉及逐笔、Level-2 或其他未写入文档的能力。安装后即可按下面的方式初始化:

from quantdash import QuantDash

qd = QuantDash(api_key="your-api-key")
# 也可以先 export QUANTDASH_API_KEY,再写 QuantDash()

1. 先把代码写成「代码.交易所后缀」

盘口按单只股票查询,参数是完整代码:上海 .SH、深圳 .SZ、北京 .BJ,港股如 00700.HK(不要写成 700.HK),美股带 .US。漏掉后缀时,接口会找不到对应的市场深度。例如传入 600519 而不是 600519.SH,会得到 NotFoundError,信息类似「未找到 600519 的市场深度数据」。

因此,自选名单入库前先做格式检查,不要把网页上看到的 6 位数字直接传进接口。

2. 单标的取五档,先认字段

qd.depth.get(symbol) 返回字典,没有 to_dataframe 参数。常见键是 symbol、region、timestamp、bid_prices、bid_volumes、ask_prices、ask_volumes。买卖档位都是列表,通常各五档:买一在买价列表的第一项,卖一在卖价列表的第一项。

timestamp 需要先转到东八区再阅读,建议用 zoneinfo 明确 Asia/Shanghai,不要依赖机器时区。数值若大于 10**12,一般按毫秒时间戳处理。下面以平安银行 000001.SZ 为例。

from datetime import datetime, timezone
from zoneinfo import ZoneInfo

from quantdash import QuantDash

qd = QuantDash(api_key="your-api-key")
SH = ZoneInfo("Asia/Shanghai")


def to_shanghai(ts):
    if ts is None:
        return None
    if isinstance(ts, datetime):
        dt = ts if ts.tzinfo else ts.replace(tzinfo=timezone.utc)
        return dt.astimezone(SH)
    value = float(ts)
    if value > 1e12:
        value /= 1000.0
    return datetime.fromtimestamp(value, tz=SH)


book = qd.depth.get("000001.SZ")
print("symbol =", book["symbol"])
print("region =", book["region"])
print("timestamp =", to_shanghai(book["timestamp"]))
print("bid_prices =", book["bid_prices"])
print("bid_volumes =", book["bid_volumes"])
print("ask_prices =", book["ask_prices"])
print("ask_volumes =", book["ask_volumes"])
symbol = 000001.SZ
region = CN
timestamp = 2026-11-16 15:30:00.001+08:00
bid_prices = [12.29, 12.28, 12.27, 12.26, 12.25]
bid_volumes = [390, 768, 2825, 1196, 1279]
ask_prices = [12.3, 12.31, 12.32, 12.33, 12.34]
ask_volumes = [20464, 6562, 7385, 3765, 2482]

这是 2026-11-16 场次的盘口。买一是 12.29、卖一是 12.3,价差 0.01。若在下一个交易日开盘前再次请求,仍可能拿到上一场次的结果,不能因为「今天已经发出请求」就写成当天盘中正在跳变。接口返回很快,只说明这次调用的响应时延;快照大约 3 秒刷新一次说的是行情更新节奏,两者不要混为一谈,也不要据此给盘口编造一个未经文档说明的刷新周期。

3. 把买卖队列对齐,打成五档表

四个列表要按档位对齐后再看。买价与买量等长,卖价与卖量等长;某一侧长度不足时不要用 0 去猜缺失档。可以用 pandas 把两边拼成一张表,方便打印和后续计算买卖一价差。

import pandas as pd


def book_table(book):
    bids = list(zip(book.get("bid_prices") or [], book.get("bid_volumes") or []))
    asks = list(zip(book.get("ask_prices") or [], book.get("ask_volumes") or []))
    n = max(len(bids), len(asks))
    rows = []
    for i in range(n):
        bid_px, bid_vol = bids[i] if i < len(bids) else (None, None)
        ask_px, ask_vol = asks[i] if i < len(asks) else (None, None)
        rows.append(
            {
                "level": i + 1,
                "bid_price": bid_px,
                "bid_volume": bid_vol,
                "ask_price": ask_px,
                "ask_volume": ask_vol,
            }
        )
    return pd.DataFrame(rows)


print(book_table(book).to_string(index=False))
if book["bid_prices"] and book["ask_prices"]:
    print("spread =", book["ask_prices"][0] - book["bid_prices"][0])
 level  bid_price  bid_volume  ask_price  ask_volume
     1      12.29         390       12.3       20464
     2      12.28         768      12.31        6562
     3      12.27        2825      12.32        7385
     4      12.26        1196      12.33        3765
     5      12.25        1279      12.34        2482
spread = 0.010000000000001563

价差用卖一减买一即可。浮点打印可能出现细小尾数,展示时按价格精度取整,不要另编一套「官方价差字段」。档位数量以实际返回为准,通常是五档,不要把它升级成 Level-2 的十档或逐笔委托。

4. 多标的用循环 depth.get,把失败隔离开

多只股票不要默认一次批量调用就能全部成功返回。稳妥的做法是循环调用 depth.get,每只单独记录成功或失败,一只出错不影响其他代码。下面同时取平安银行和贵州茅台 600519.SH。

def fetch_books(qd, symbols):
    books, errors = {}, {}
    for symbol in symbols:
        try:
            books[symbol] = qd.depth.get(symbol)
        except Exception as exc:
            errors[symbol] = f"{type(exc).__name__}: {exc}"
    return books, errors


symbols = ["000001.SZ", "600519.SH"]
books, errors = fetch_books(qd, symbols)
print("errors =", errors)
for symbol, item in books.items():
    table = book_table(item)
    print(symbol, "timestamp =", to_shanghai(item["timestamp"]))
    print(table.to_string(index=False))
    print()
errors = {}
000001.SZ timestamp = 2026-11-16 15:30:00.001+08:00
 level  bid_price  bid_volume  ask_price  ask_volume
     1      12.29         390       12.3       20464
     2      12.28         768      12.31        6562
     3      12.27        2825      12.32        7385
     4      12.26        1196      12.33        3765
     5      12.25        1279      12.34        2482

600519.SH timestamp = 2026-11-16 15:30:01.001+08:00
 level  bid_price  bid_volume  ask_price  ask_volume
     1    1453.50           1    1453.90           1
     2    1453.00           5    1453.96           3
     3    1452.96           1    1453.97           1
     4    1452.93           1    1453.99           7
     5    1452.91           1    1454.00          94

茅台这段返回里,买一是 1453.5、卖一是 1453.9,价差 0.4;时间戳转到东八区后是 2026-11-16 15:30:01.001,与平安银行相差约一秒。若某只失败,只把该代码和异常信息记入 errors,不要用空列表或昨收价去填档位。若触发限流,按文档中的 retry_after_ms 等待后再试,不要写死很短的睡眠。

5. 用快照最新价对照,但不要混用两个时间戳

盘口回答的是买卖队列,快照回答的是最新价、开盘价、昨收和涨跌幅。对照时按代码取 qd.quotes.get(symbols=..., to_dataframe=True),读取 last_price,同时保留快照的 trade_time。ext.change_pct 是小数比率,例如 0.012987 表示约 1.30%,展示百分比时再乘 100,不要把该字段已经当成百分数再乘一次。

snap = qd.quotes.get(symbols=["000001.SZ", "600519.SH"], to_dataframe=True)
cols = [
    "symbol",
    "ext.name",
    "last_price",
    "open",
    "prev_close",
    "ext.change_pct",
    "trade_time",
]
print(snap[cols].to_string(index=False))

for _, row in snap.iterrows():
    item = books[row["symbol"]]
    best_bid = item["bid_prices"][0]
    best_ask = item["ask_prices"][0]
    print(
        row["symbol"],
        "last_price =",
        row["last_price"],
        "best_bid =",
        best_bid,
        "best_ask =",
        best_ask,
        "book_time =",
        to_shanghai(item["timestamp"]),
        "trade_time =",
        row["trade_time"],
    )
   symbol ext.name  last_price   open  prev_close  ext.change_pct          trade_time
000001.SZ     平安银行        12.3  12.06       12.07        0.019055 2026-11-16 15:00:00
600519.SH     贵州茅台      1453.9 1426.3     1435.26        0.012987 2026-11-16 15:00:02

000001.SZ last_price = 12.3 best_bid = 12.29 best_ask = 12.3 book_time = 2026-11-16 15:30:00.001+08:00 trade_time = 2026-11-16 15:00:00
600519.SH last_price = 1453.9 best_bid = 1453.5 best_ask = 1453.9 book_time = 2026-11-16 15:30:01.001+08:00 trade_time = 2026-11-16 15:00:02

平安银行快照里同时有 trade_date=2026-11-16。对照时以实际返回的时间字段为准,不要为缺失列手工补日期。这两段例子里,快照 trade_time 落在 15:00 附近,盘口 timestamp 落在 15:30 附近,相差约半小时。字段来源不同,应对 timestamp 做时区转换后再看,不要把两个时间戳强行说成同一时刻,更不要用其中一个去改写另一个。快照的涨跌幅按昨收计算:平安银行 ext.change_pct=0.019055,约为 1.91%。

6. 漏后缀要单独处理,不要改去爬网页

取盘口失败时,先检查代码格式,而不是改去解析行情页面。下面演示漏掉后缀时的报错,以及完整代码的正常路径。

from datetime import datetime, timezone
from zoneinfo import ZoneInfo

import pandas as pd
from quantdash import QuantDash

qd = QuantDash(api_key="your-api-key")
SH = ZoneInfo("Asia/Shanghai")


def to_shanghai(ts):
    if ts is None:
        return None
    if isinstance(ts, datetime):
        dt = ts if ts.tzinfo else ts.replace(tzinfo=timezone.utc)
        return dt.astimezone(SH)
    value = float(ts)
    if value > 1e12:
        value /= 1000.0
    return datetime.fromtimestamp(value, tz=SH)


def book_table(book):
    bids = list(zip(book.get("bid_prices") or [], book.get("bid_volumes") or []))
    asks = list(zip(book.get("ask_prices") or [], book.get("ask_volumes") or []))
    n = max(len(bids), len(asks))
    rows = []
    for i in range(n):
        bid_px, bid_vol = bids[i] if i < len(bids) else (None, None)
        ask_px, ask_vol = asks[i] if i < len(asks) else (None, None)
        rows.append(
            {
                "level": i + 1,
                "bid_price": bid_px,
                "bid_volume": bid_vol,
                "ask_price": ask_px,
                "ask_volume": ask_vol,
            }
        )
    return pd.DataFrame(rows)


def fetch_books(qd, symbols):
    books, errors = {}, {}
    for symbol in symbols:
        try:
            books[symbol] = qd.depth.get(symbol)
        except Exception as exc:
            errors[symbol] = f"{type(exc).__name__}: {exc}"
    return books, errors


try:
    qd.depth.get("600519")
except Exception as exc:
    print(type(exc).__name__, ":", exc)

books, errors = fetch_books(qd, ["000001.SZ", "600519.SH"])
print("errors =", errors)
for symbol, item in books.items():
    print(symbol, to_shanghai(item["timestamp"]))
    print(book_table(item).to_string(index=False))
NotFoundError : 未找到 600519 的市场深度数据

报错指向的是代码不完整,补上 .SH 后再取即可。不要把网页能打开理解成「盘口只能从页面抓」,也不要把五档列表理解成逐笔或 Level-2。需要最新价、开盘价或涨跌幅时走快照;需要买卖队列时走 depth.get;多标的用循环,并把盘口时间和快照时间分开保存。

文档:QuantDash Python SDK

量化买卖压力选股:基于Level-2数据与Python的策略实现 量化交易的核心在于将市场行为转化为可计算、可回测的数学模型。其基本原理是通过编程处理海量金融数据,识别统计规律,以超越人工的主观判断与情绪干扰。从技术价值看,量化方法能系统性地挖掘市场微观结构中的短暂失衡,为投资决策提供客观依据。在应用场景上,高频交易、算法交易和智能投顾等领域都广泛依赖量化模型。本文聚焦于A股市场的量化选股,具体通过解析Level-2行情数据中的委托挂单与逐笔成交信息,构建买卖压力指标。该指标综合了委托盘压力比与主动成交资金流,旨在量化盘口多空力量对比,从而筛选出买盘强劲的潜力股。文中提供 阅读详情

相关推荐

PyTDX接口深度解析:从TCP通信到量化数据管道实战

在量化交易与金融数据分析领域,获取稳定、准确的行情数据是策略研发的基础。通过理解TCP二进制通信协议与数据解析原理,开发者能够构建高效的数据采集系统。PyTDX作为连接通达信终端的开源接口,其技术价值在于绕过了昂贵的商业API,为个人开发者和中小团队提供了免费的实时行情、历史K线与财务数据解决方案。在应用场景上,它支持从基础的K线获取到复杂的板块分析,是构建自定义数据管道的核心工具。本文聚焦PyTDX的**核心API详解**与**企业级数据管道**实践,深入探讨如何通过主站健康检查、错误重试机制及本地存储优

weixin_34009794的博客 489

用 Python 读取单只股票五档盘口:策略研究输入的准备、校验与数据边界

面向个人开发者的五档盘口实践:先定义快照语义、字段口径与能力边界,再用 Python 做结构与逻辑校验,最后说明常见易错点与 QuantDash 对应的公开能力。

quantdash_cc的博客 341

ZMQ直连大QMT:量化打板策略低延迟通信实战指南

ZeroMQ(ZMQ)是一种面向消息的轻量级网络通信库,其核心原理是通过异步I/O、零拷贝和智能消息队列抽象底层传输细节,显著降低端到端通信延迟。相比HTTP、WebSocket等通用协议,ZMQ在金融实盘场景中展现出确定性高、抗抖动强、连接管理灵活的技术优势,尤其适配大QMT服务化网关架构下的高频委托与实时行情分发需求。它已成为miniQMT关停后,打板类策略向大QMT迁移过程中保障毫秒级响应与指令可靠性的关键基础设施。本文聚焦ZMQ在大QMT环境中的真实部署路径,涵盖端口发现、REQ-REP/PUB-S

weixin_34062469的博客 304

A股L2历史数据:逐笔成交/委托、十档五档、tick快照和订单薄都有啥?

必须提一点,不同交易所的尾盘集合竞价处理不一样,深交所最后三分钟撮合那一段,部分时间戳在逐笔成交里会缺失,逐笔委托里却有挂单,导致成交和委托对齐不上。有一个字段叫“委托买入总量”、“委托卖出总量”,这个不是已经成交的,是带撤单前的总共挂过的量,好用也不太好用,因为加权均价是动态算的。顺手说下分钟线和实时五档,分钟线没啥特别的,就时间、开盘、最高、最低、收盘、均价、成交量、成交额,和其他免费源一致,唯一好处是它和Level2其他数据时间戳对齐,多数据合并不漂移。,按天存成文件,格式说的比较清楚。

cmes_love的博客 222

Pytdx本地化行情数据接口:从原理到实战的量化数据解决方案

在量化交易和数据分析领域,获取稳定、低延迟的行情数据是基础且关键的环节。其核心原理在于通过本地直连或网络协议,直接从数据源拉取结构化的市场信息,从而避免云端API的延迟和调用限制。这一技术方案的价值在于为开发者提供了对数据流的完全控制权,尤其适用于对实时性、成本可控性要求高的场景,例如盘中监控、高频策略研究以及本地化数据中台构建。本文聚焦于Pytdx这一基于Python的通达信协议客户端,它作为一个高效的本地化行情数据接口,能够无缝获取A股、期货等市场的实时行情、历史K线及财务数据。通过解析其Socket通

weixin_34178244的博客 494

R语言量化交易实战:从回测到实盘的工程化闭环

算法交易本质是可复现、可审计、可压力测试的工程闭环,而非单纯代码实现或数学建模。其核心在于将市场信号转化为具备风控约束、成本建模与执行逻辑的完整流水线。R语言凭借xts时间序列处理、quantstrat策略框架及blotter账户引擎,在数据清洗、规则耦合与归因分析等环节具备独特优势,尤其适合金融工程验证、因子快速迭代与监管合规输出。相比Python在实时执行上的灵活性,R更擅长离线研策——通过R做研究+Python做执行的混合架构,实现高可靠性的策略交付。本文聚焦R量化落地中的真实痛点:交易日对齐、复权陷

610

沪深股票五档行情数据下载历史行情数据分析

很多做量化的朋友应该都用过分钟线,但有时候分钟级别的数据不够细,特别是做高频或者盘口分析的时候。这里能找到的分钟数据,字段算是比较全的,除了常规的开高低收成交量成交额外,还有成交笔数、平均每笔手数这些。我比较看重的是它包含了分钟级别的资金流向数据,比如主力净流入、大单净额这些,虽然这个数据各家算法不一样,但做个参考还是可以的。我刚开始用的时候,光处理一天一个股票的数据,内存就有点吃紧,后来才学会分批读取。这里把我找到的一个数据源能提供的数据类型列一下,主要是给自己做个备忘录,也分享给有需要的人。

cmes_love的博客 425

3天干完6个月的活,Claude把模型搬上AMD

一条挺刺激的消息:Anthropic 给投资人的材料里有一张幻灯片,写着它的 Claude Mythos Preview 只花了大约​,就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。同一处还写了个对照数字:过去给一块新芯片做推理适配,通常要几十名工程师、​。3 天对 6 个月,这个比值太扎眼,当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍,越看越觉得,塌掉的那一小块是真的,可塌的位置和很多人想的不一样。

DeepPing,日更,陪你聪明看世界。 455

我终于把A股Level2那几个数据包给跑通了

之前被一堆高大上的概念绕晕,什么逐笔成交、逐笔委托,十档挂单,听得我脑仁疼。折腾了小半个月,总算在本地把数据接进来跑了一遍,才彻底搞明白这里面到底都有些啥,长什么样。如果你也在这个坑里,直接看我这笔记,能省不少力气。:逐笔成交不是简单的一条成交记录汇总,它是。这个“方向”是盘后300档都看不到的,只有Level2实时流才有。懂了这点之后,我才发现以前用快照算的资金流向有多糙。

2401_89140926的博客 88

新浪Level2接口SDK封装实战:五档快照、分笔解析与量化避坑指南

量化交易中,实时行情是策略分析和信号生成的基础。交易所标准Level2行情提供逐笔委托与十档盘口,而新浪Level2接口SDK以免费方式提供五档快照和当日分笔成交,通过3秒轮询近似还原低频Level2特征。理解其接口协议、先量后价的字段排列、增量判断逻辑,是封装稳定数据流的关键。该数据源可支撑资金流因子、盘口衰减分析和分钟级信号回测,但高频微观结构研究需谨慎。工程实践中,轮询间隔、超时与退避重试直接决定全天运行的稳定性,时间戳单调校验可过滤多机房旧快照,避免价格回跳污染计算。掌握这套免费行情接口的封装方法,

weixin_33862993的博客 369

Python ctypes调用TdxHqApi.dll:实时行情采集与落盘实战

实时行情采集是量化交易与程序化盯盘的基础环节,核心在于如何高效获取并解析行情快照。通常行情终端会通过动态链接库(DLL)封装私有通讯协议,外部程序只需按导出函数约定调用即可获得数据,无需自行处理TCP粘包、心跳维护等底层逻辑。Python借助ctypes可直接加载这类DLL,利用结构体映射将字节流还原为价格、买卖五档等字段,再配合队列缓冲与批量落盘策略,兼顾实时性与IO稳定性。TdxHqApi.dll即典型实例,它提供连接、订阅、回调等接口,采集器基于它可实现从初始化、登录到数据存储的完整链路。理解字段对齐

weixin_42116058的博客 254

量化行情API选型实战:避开数据乱序与断线重连的坑

在量化交易系统中,实时行情数据的质量直接决定策略的稳定性。许多人以为“实时”仅意味着低延迟,实际上从交易所撮合到策略回调的完整链路中,数据连续性、时间戳可靠性、断线恢复机制等基础技术指标同样关键。HTTP轮询与WebSocket推送各有适用场景,而乱序数据、重连后未请求全量快照、异常价格过滤等问题,往往成为实盘中的隐形杀手。理解这些底层原理,有助于开发者在选型时避开华而不实的指标陷阱。本文从工程实践角度出发,系统梳理行情API选型的核心维度,包括快照与逐笔、Level-1与Level-2的取舍,以及不同资金

weixin_33762130的博客 395

基于C#与通达信DLL构建高可用实时行情采集器

实时数据采集是金融量化与系统监控领域的核心技术,其核心原理在于通过高效的数据流处理架构,将源头数据实时、稳定地转化为可消费的结构化信息。在技术实现上,动态链接库(DLL)调用与生产者-消费者模型是关键,前者实现了与底层数据源(如行情服务器)的高效交互,后者通过队列缓冲与异步处理保障了数据流的平滑与系统稳定性。这种技术组合的价值在于,它能以极低的延迟和成本,为量化交易、盘中预警和高频分析等场景提供可靠的数据基石。本文聚焦于利用C#平台调用(P/Invoke)技术对接通达信TdxHqApi.dll,详细阐述了从

weixin_33895516的博客 385

最优委托信息:Level2数据中决定量化策略成败的核心字段

最优委托信息是股票Level2行情数据中最关键的微观结构信号,反映买一卖一档位的实时挂单总量与价格分布,其本质是动态订单簿的状态快照而非静态数值。理解其时间敏感性、事件流特性及交易所-券商-客户端三级延迟链路,是构建低延迟量化策略的基础。该信息直接支撑流动性分析、滑点预估与虚假挂单识别,在T+0套利、做市策略和算法交易中具有不可替代的技术价值。本文聚焦A股市场下最优委托信息的字段解析、接口可用性判别、Python低延迟接入实践,以及在backtrader等回测引擎中的真实落地方法。

weixin_34199405的博客 204

反激开关电源设计全解析:从CCM/DCM原理到PCB布局实战

开关电源作为现代电子设备的能量转换核心,其核心原理是通过高频开关动作实现高效的电能变换。反激拓扑因其结构简单、成本低廉且易于实现电气隔离,成为小功率离线式电源的主流选择。其技术价值在于通过变压器耦合实现能量存储与传递,解决了安全隔离与多路输出等关键需求,广泛应用于充电器、适配器及家电供电等场景。本文聚焦反激电路,深入剖析其CCM与DCM两种工作模式的原理差异及选型考量,并结合伏秒平衡定律与RCD钳位等热词,详解从变压器计算到MOSFET选型的完整工程设计流程。

weixin_31951365的博客 345

三极管特性曲线看不懂?手把手教你用Multisim仿真分析放大电路频率响应

本文针对模拟电路初学者,详细讲解如何利用Multisim软件进行电路仿真,将抽象的三极管特性曲线与放大电路频率响应分析变得直观可视。通过手把手教学,指导读者从导入三极管SPICE模型、仿真输出特性曲线,到分析动态工作点,最终使用波特图仪深入分析频率响应并进行补偿设计,有效帮助理解电路原理并指导实践调试。

weixin_29230059的博客 125

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 187

从封装到先进封装:一文讲透Chiplet、2.5D/3D堆叠与系统集成

封装是芯片产业链中连接硅片与电路板的桥梁,承担物理保护、电气连接、散热与机械支撑等核心任务。传统封装从DIP、QFP发展到BGA,通过提升引脚密度满足早期性能需求。随着摩尔定律放缓,单纯缩小晶体管尺寸难以为继,先进封装应运而生,其核心理念从“封装单颗芯片”转向“系统级高密度集成”。扇出型封装、2.5D硅中介层、3D堆叠、Chiplet和系统级封装等技术,通过微米级互连和垂直堆叠,大幅提升I/O密度与带宽,成为AI芯片、HBM存储、高性能计算等领域的关键支撑。本文梳理先进封装的技术演进、分层架构与工程难点,帮

weixin_29185167的博客 370

【第 009 讲】全面掌握 Python 注释:注释的定义与作用 | 单行注释 | 三引号与多行注释 | 注释使用的最佳实践

本文系统讲解 Python 注释的完整知识体系:从注释的定义与作用讲起,梳理单行注释的书写位置、临时屏蔽用法与 PEP 8 排版规范,剖析注释被忽略的底层机制;进而说明三引号字符串的本质与嵌套问题;最后给出注释使用的三条实践原则,帮助读者写好可读性高的注释。

大模型全栈工程师 · Thanks_ks 1215

二进制部署的K8s集群,如何对到期证书更新

一年前搭建的k8s集群,突然不能够正常访问,出现502错误,首先怀疑容器没起来,先对问题进行排查,排查响应的容器有没有正常启动,状态一切正常,访问容器地址也可以正常访问,于是访问node port地址,发现无法正常访问,确定问题出现在svc中。 由于其他的应用、系统也无法提供正常的服务,应该是k8s的问题,非单个应用的原因。查看服务状态,kubectl describe svc xxx,endp...

时光旅行者 3773

基于深度学习的番茄成熟度检测系统——YOLOv5、YOLOv8、YOLOv10及UI界面的实现

YOLO是一种快速且准确的目标检测模型,近年来,YOLOv5、YOLOv8和YOLOv10作为YOLO系列的重要版本,分别在速度、精度和效率上进行了优化。下面我们简要介绍这些模型。本文介绍了如何基于YOLOv5、YOLOv8和YOLOv10等深度学习模型,结合PyQt5设计一个番茄成熟度检测系统。通过训练模型、优化算法和设计用户友好的界面,我们能够构建一个高效且准确的番茄成熟度检测系统,广泛应用于农业自动化和智能化管理中。

YOLO 1002

AI全栈实战 | 3.9-01 爬虫入门:requests 加 BeautifulSoup 三分钟跑通,但 90% 的人栽在这 4 个“礼貌“问题上

⚠️:本文内容仅用于。请遵守目标站点的服务条款与相关法律法规,不得对目标服务造成负担,不得采集、传播个人隐私数据。技术是中性的,边界在你手里。爬虫的入门技术(requests 发请求 + BeautifulSoup 解析)三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的,是这篇我们跑通"请求→解析→存储"的最小闭环,然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 450

0 基础学前端:100 天拿 offer 实战课(第 16 天)—— JS 数组高级方法:数据处理效率翻倍,代码更简洁

方法名核心作用回调函数返回值返回结果适用场景map数据转换转换后的新元素新数组(长度与原数组一致)格式转换、新增字段、生成 DOM 字符串filter数据筛选true(保留)/false(过滤)新数组(符合条件的元素)筛选符合条件的元素(如未完成计划、今天的评论)reduce数据汇总新的累加值任意类型(数字、对象等)求和、计数、分组、多数据汇总find查找元素true(匹配)/false(不匹配)第一个匹配的元素 /undefined。

苏打水.X的博客 135

Python 的 yield from 到底转发了什么:拆开 send、throw 和那个 return 值

很多人把yield from记成「省一层 for 循环的语法糖」。写和写,结果看着一样,于是就当它只是少敲几个字。这个理解会在三个地方翻车:调用方.send()的值送不进去、子生成器return的值拿不到、异常和close()传不下去。yield from真正做的事是,外层生成器退成一个透明通道。本文所有输出来自本机 CPython 3.13.14 实测。yield from不是循环,是委托——nextsendthrowclose四个方向的流量全部直通子生成器,并且子生成器return。

小小张说故事的博客 164

【24届数字IC秋招总结】笔试面试篇——投递公司及时间节点汇总

从实习、提前批到秋招投递的有进展的公司进行汇总,关于各个公司的笔试和面试经历详见其他帖子。

qq_42135020的博客 1924

无线通信中的多智能体强化学习:基于CTDE-MAPPO的功率控制优化

无线通信中的多智能体强化学习:基于CTDE-MAPPO的功率控制优化 摘要:本研究提出了一种基于集中训练分布式执行(CTDE)框架的多智能体近端策略优化(MAPPO)算法,用于解决无线通信网络的分布式功率控制问题。通过将多个基站建模为协作智能体,该系统能够在复杂动态环境中优化网络效用。算法采用集中训练获取全局信息优势,分布式执行实现高效在线决策,显著提升了网络容量和能效。实验结果表明,该方法在5G/6G网络环境中表现出优于传统方法的性能,为大规模无线网络的智能资源管理提供了有效解决方案。

huanghm88的专栏 811
上一篇: Python 获取A股当日开盘价完整教程:快照字段、历史日K与分钟线误用(附可运行代码)
quantdash_cc
博客等级 码龄111天 38粉丝 240原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值