火力全开，优化 python 量化日行情数据下载以及常用指标计算速度
今天做了个异步协程的测试，结果有点失望，多进程 + 协程并没有提高 io 密集型任务请求的效率。至于为什么，原因暂时没找到，怀疑是协程的事件循环耗了时，或者是任务并没有构造出真正可等待对象。有知道的网络大神能否提下专业意见。
不过重构了日行情下载速度和常用指标计算速度，还是大大减少了时间的花销。日行情数据 5000 个股票，更新时间段是 2015-01-01 到 2022-12-02 ，从下载到完全插入到数据库大概 6 分钟左右。在这个 7 年的时间段内，常用指标计算并保存到数据库，即均线指标以及个股振幅指标 5、10、20、50、120、250，大概花费 2.5分钟左右。
为日后扩展其他指标打下基础，更新一次估计能控制在 10 分钟以内。
测试 io 密集型任务，cup 密集型任务
下面是测试代码和结果，从结果上看，io 密集型任务多进程的效率和多进程 + 协程的效率是差不多的。对于 cpu 密集型任务来说，多进程明显提高了效率。
可以尝试换事件循环 uvloop ，使用这个事件循环协程效率可提高，但 window 并不支持，所以这个步骤我没测试到。
测试代码：
import asyncio
import os
import time
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor, wait
import akshare as ak
import pandas as pd
import config.stockconstant as sc
async def _task_io2():
loop = asyncio.get_event_loop()
future = loop.run_in_executor(None, ak.stock_zh_a_hist, '000001', 'daily', '20150101', '20221202', 'qfq')
response = await future
# print(f"请求回来了 {response.empty}")
async def _read_csw():
return pd.read_csv(sc.config_path)
def _task_io():
pd.read_csv(sc.config_path)
def _task_cpu():
return sum(i * i for i in range(10 ** 5))
async def async_thread_pool(is_io, total, cpu_count):
executor = ThreadPoolExecutor(cpu_count)
loop = asyncio.get_event_loop()
t1 = time.time()
tt = [loop.run_in_executor(executor, _task_io if is_io else _task_cpu) for _ in range(total)]
await asyncio.wait(tt)
print(f'async_thread_pool 耗时：{time.time() - t1} 任务量：{total} {"io 任务" if is_io else "cpu 任务"}')
async def async_process_pool(is_io, total, cpu_count):
executor = ProcessPoolExecutor(cpu_count)
loop = asyncio.get_event_loop()
t1 = time.time()
tt = [loop.run_in_executor(executor, _task_io if is_io else _task_cpu) for _ in range(total)]
await asyncio.wait(tt)
print(f'async_process_pool 耗时：{time.time() - t1} 任务量：{total} {"io 任务" if is_io else "cpu 任务"}')
def thread_pool(is_io, total, cpu_count):
executor = ThreadPoolExecutor(cpu_count)
t1 = time.time()
futures = [executor.submit(_task_io if is_io else _task_cpu) for _ in range(total)]
wait(futures)
print(f'thread_pool 耗时：{time.time() - t1} 任务量：{total} {"io 任务" if is_io else "cpu 任务"}')
def process_pool(is_io, total, cpu_count):
executor = ProcessPoolExecutor(cpu_count)
t1 = time.time()
futures = [executor.submit(_task_io if is_io else _task_cpu) for _ in range(total)]
wait(futures)
print(f'process_pool 耗时：{time.time() - t1} 任务量：{total} {"io 任务" if is_io else "cpu 任务"}')
def main(total, cpu_count):
print(f'cpu：{cpu_count} 个')
asyncio.run(async_thread_pool(True, total, cpu_count))
asyncio.run(async_process_pool(True, total, cpu_count))
thread_pool(True, total, cpu_count)
process_pool(True, total, cpu_count)
print('--------------------------------------')
asyncio.run(async_thread_pool(False, total, cpu_count))
asyncio.run(async_process_pool(False, total, cpu_count))
thread_pool(False, total, cpu_count)
process_pool(False, total, cpu_count)
print('=========================================')
def coroutine(total):
t1 = time.time()
tasks = [asyncio.ensure_future(_task_io2()) for _ in range(total)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(f'coroutine 耗时：{time.time() - t1} 任务量：{total}')
if __name__ == '__main__':
total = 1000
cpu_count = 1
main(total, cpu_count)
total = 10000
main(total, cpu_count)
total = 1000
cpu_count = int(os.cpu_count() / 2)
main(total, cpu_count)
total = 10000
main(total, cpu_count)
cpu_count = int(os.cpu_count())
total = 1000
main(total, cpu_count)
total = 10000
main(total, cpu_count)
# 修改成异步来执行
cpu_count = int(os.cpu_count())
start_time = time.time()
pool = ProcessPoolExecutor()
total = 5000
futures = []
for part in range(cpu_count):
future = pool.submit(coroutine, int(total / cpu_count))
futures.append(future)
pool.shutdown(wait=True)
print(f'5k 次股票请求耗时: {time.time() - start_time}')
结果：
cpu：1 个
async_thread_pool 耗时：8.617908000946045 任务量：1000 io 任务
async_process_pool 耗时：10.806799411773682 任务量：1000 io 任务
thread_pool 耗时：8.566416263580322 任务量：1000 io 任务
process_pool 耗时：10.714466333389282 任务量：1000 io 任务
--------------------------------------
async_thread_pool 耗时：16.213727474212646 任务量：1000 cpu 任务
async_process_pool 耗时：18.297339916229248 任务量：1000 cpu 任务
thread_pool 耗时：16.50342082977295 任务量：1000 cpu 任务
process_pool 耗时：18.00312089920044 任务量：1000 cpu 任务
=========================================
cpu：1 个
async_thread_pool 耗时：92.37166738510132 任务量：10000 io 任务
async_process_pool 耗时：101.25876951217651 任务量：10000 io 任务
thread_pool 耗时：86.62425088882446 任务量：10000 io 任务
process_pool 耗时：93.58890128135681 任务量：10000 io 任务
--------------------------------------
async_thread_pool 耗时：156.15055894851685 任务量：10000 cpu 任务
async_process_pool 耗时：157.71604180335999 任务量：10000 cpu 任务
thread_pool 耗时：154.52726674079895 任务量：10000 cpu 任务
process_pool 耗时：155.301522731781 任务量：10000 cpu 任务
=========================================
cpu：4 个
async_thread_pool 耗时：5.767933368682861 任务量：1000 io 任务
async_process_pool 耗时：4.886445999145508 任务量：1000 io 任务
thread_pool 耗时：5.5500757694244385 任务量：1000 io 任务
process_pool 耗时：4.64022421836853 任务量：1000 io 任务
--------------------------------------
async_thread_pool 耗时：15.328773975372314 任务量：1000 cpu 任务
async_process_pool 耗时：6.7509706020355225 任务量：1000 cpu 任务
thread_pool 耗时：15.10576057434082 任务量：1000 cpu 任务
process_pool 耗时：6.597245454788208 任务量：1000 cpu 任务
=========================================
cpu：4 个
async_thread_pool 耗时：56.77140545845032 任务量：10000 io 任务
async_process_pool 耗时：31.66841983795166 任务量：10000 io 任务
thread_pool 耗时：54.32371783256531 任务量：10000 io 任务
process_pool 耗时：30.22367548942566 任务量：10000 io 任务
--------------------------------------
async_thread_pool 耗时：153.32735443115234 任务量：10000 cpu 任务
async_process_pool 耗时：51.863539695739746 任务量：10000 cpu 任务
thread_pool 耗时：150.73832869529724 任务量：10000 cpu 任务
process_pool 耗时：51.08239006996155 任务量：10000 cpu 任务
=========================================
cpu：8 个
async_thread_pool 耗时：5.868973731994629 任务量：1000 io 任务
async_process_pool 耗时：4.749261856079102 任务量：1000 io 任务
thread_pool 耗时：5.750915765762329 任务量：1000 io 任务
process_pool 耗时：4.7755701541900635 任务量：1000 io 任务
--------------------------------------
async_thread_pool 耗时：15.485109329223633 任务量：1000 cpu 任务
async_process_pool 耗时：6.287221908569336 任务量：1000 cpu 任务
thread_pool 耗时：15.208913326263428 任务量：1000 cpu 任务
process_pool 耗时：6.2330849170684814 任务量：1000 cpu 任务
=========================================
cpu：8 个
async_thread_pool 耗时：58.56171226501465 任务量：10000 io 任务
async_process_pool 耗时：25.237155437469482 任务量：10000 io 任务
thread_pool 耗时：55.95446968078613 任务量：10000 io 任务
process_pool 耗时：24.77057647705078 任务量：10000 io 任务
--------------------------------------
async_thread_pool 耗时：153.94631671905518 任务量：10000 cpu 任务
async_process_pool 耗时：40.62843203544617 任务量：10000 cpu 任务
thread_pool 耗时：151.06180787086487 任务量：10000 cpu 任务
process_pool 耗时：38.96478891372681 任务量：10000 cpu 任务
=========================================
5k 次股票请求耗时: 351.0791549682617
Process finished with exit code 0
优化股票日行情数据请求速度
也没啥好说的，就是把日行情请求抽成任务函数，然后扔到进程池里面执行即可，这里要说下进程间内存并不共享，那么如何保存每个请求的结果呢？需要用 multiprocessing.Manager() 来构建对象，即进程可以共享这些对象。
核心代码如下，结果 5k 个股票请求时间 20150101 - 20221202 时间段，全部请求完毕并保存到数据库，大概 6 分钟左右。用多进程效果也是一致的，注释的代码就是使用多进程的。
def _update_daily_task(self, code, start_time,
end_time, except_code_list,
index, success_code_list):
try:
df = ak.stock_zh_a_hist(
symbol=str(code),
start_date=start_time,
end_date=end_time,
adjust="qfq")
except:
except_code_list.append(code)
print("发生异常code ", code)
return
print('成功获取股票: index->{} {}日行情数据'.format(index, code)
, ' 开始时间: {} 结束时间: {}'.format(start_time, end_time),
f'数据是否为空：{df.empty}')
if df.empty:
success_code_list.append(code)
return
# 获取对应的子列集
sub_df = df[['日期', '开盘', '最高', '最低', '收盘', '成交量', '成交额']]
# net_df 的列名可能和数据库列名不一样，修改列名对应数据库的列名
sub_df.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'amount']
# 修改 index 为 date 去掉默认的 index 便于直接插入数据库
sub_df.set_index(['date'], inplace=True)
sub_df.insert(sub_df.shape[1], 'code', str(code))
sdb.to_table(sub_df, "stock_daily_price")
success_code_list.append(code)
# print(sub_df)
async def update_daily_multi_io(self):
"""
更新股票日行情数据
东方财富日行情数据，沪深A股，先从本地配置获取股票代码，再获取日行情数据
获取成功或失败，记录到本地数据，以便股票数据更新完整
:return:
"""
last_time = time.time()
with multiprocessing.Manager() as MG:
success_code_list = MG.list()
except_code_list = MG.list()
# 读取配置信息
config_df = self.config.config_df
if config_df.empty:
print('配置信息错误，请检查...')
return
end_time = self.config.update_end_time()
executor = ProcessPoolExecutor()
futures = []
loop = asyncio.get_event_loop()
for index, row in config_df.iterrows():
code = row['code']
start_time = self.config.daily_start_time(code)
if start_time == end_time:
# 已经更新过了
continue
future = loop.run_in_executor(executor, self._update_daily_task,
code, start_time,
end_time, except_code_list,
index, success_code_list)
# future = executor.submit(self._update_daily_task,
# code, start_time,
# end_time, except_code_list,
# index, success_code_list)
futures.append(future)
# wait(futures)
if len(futures) > 0:
await asyncio.wait(futures)
# 更新配置信息
for code in success_code_list:
# 更新配置信息config_df
config_df.loc[config_df['code'] == code, 'daily_update_time'] = end_time
config_df.loc[config_df['code'] == code, 'error_daily_update_count'] = 0
for code in except_code_list:
# 更新配置信息config_df
config_df.loc[config_df['code'] == code, 'error_daily_update_count'] \
= row['error_daily_update_count'] + 1
# 同步配置到本地
self.config.save_config()
# 手动触发去重
sdb.optimize('stock_daily_price')
print('更新本地配置成功...')
print("成功请求的code： ", success_code_list)
print("错误请求code： ", except_code_list)
print(f'日行情更新耗时: {time.time() - last_time}')
结果：
要点分析：
进程间数据共享要通过这样子来创建，这里创建了两个列表，还有其他支持的数据类型，具体的自己查看 api.
with multiprocessing.Manager() as MG:
success_code_list = MG.list()
except_code_list = MG.list()
优化个股常用指标计算速度
计算的指标
指标计算是 cpu 任务密集型，所以用进程池。
本体系建立了一个指标表，这个表只记录个股自身相关的指标，分别是个股自身振幅百分比 amp 以及均线指标 ma，这两个指标包含 5、10、20、50、120、250 日的指标。
分拆任务
根据硬件自身条件 cpu 核数来启动进程池，拆分股票计算池，并分配到不同的进程，计算完毕后把指标更新到数据库。
表结构：
columns = {
'date': 'Date',
'code': 'String',
'amp5': 'Float32',
'amp10': 'Float32',
'amp20': 'Float32',
'amp50': 'Float32',
'amp120': 'Float32',
'amp250': 'Float32',
'ma5': 'Float32',
'ma10': 'Float32',
'ma20': 'Float32',
'ma50': 'Float32',
'ma120': 'Float32',
'ma250': 'Float32'
}
核心代码：
def _update_common_ind_task(self, codes, start_time, end_time, success_list):
"""
计算个股自身的的指标，股票池的形式查股票数据
:param codes: 任务集合的股票池
:param start_time: 开始时间
:param end_time: 结束时间
:param success_list: 计算成功列表
:return:
"""
# 查询基本日行情数据
stocks_df = sdb.pool_stock_daily(codes, start_time, end_time, ['close'])
if stocks_df.empty:
return
# 计算完的列表，用于后续拼接一次性插入数据库
ind_df_list = []
for code in codes:
daily_df = stocks_df.loc[stocks_df['code'] == code]
# 个股自身的振幅
ind_df = mathutils.amplitude(daily_df['close'], amp5=5, amp10=10,
amp20=20, amp50=50, amp120=120, amp250=250)
# 计算个股ma
ema_list = [5, 10, 20, 50, 120, 250]
for i in ema_list:
key = f'ma{str(i)}'
ind_df[key] = ta.EMA(daily_df['close'], timeperiod=i)
# 更新到指标表
if not ind_df.empty:
ind_df['code'] = code
ind_df_list.append(ind_df)
success_list.append(code)
# print(f'{code} 指标计算完毕')
result = pd.concat(ind_df_list)
if not result.empty:
sdb.to_indicator_table(result)
print(f'该任务完毕，插入数据库条目数: {len(result)}')
# 释放
del stocks_df
del ind_df_list
def update_common_ind(self):
"""
更新常用指标
:return:
"""
# 更新常用指标
config = self.config
config_df = config.config_df
format_str = '%Y-%m-%d'
end_time = config.update_end_time()
last_time = time.time()
# 先去重，避免更新有冲突
sdb.optimize(sdb.STOCK_DAILY_TABLE)
sdb.optimize(sdb.STOCK_INDICATOR_TABLE)
# 根据 cpu 个数拆分股票任务数
cpu_count = os.cpu_count()
with multiprocessing.Manager() as mg:
# 进程内数据共享
success_list = mg.list()
all_codes = list(config_df['code'])
item_count = int(len(all_codes) / cpu_count)
print(f'每个任务计算指标个数：{item_count} codeLength: {len(all_codes)}')
pool = multiprocessing.Pool(processes=cpu_count)
for index in range(cpu_count):
start_index = index * item_count
end_index = start_index + item_count
# 如果是最后一个任务，索引到最后
if index == cpu_count - 1:
end_index = len(all_codes)
# 切片，分任务
part_codes = all_codes[start_index: end_index]
ind_start_time = config.ind_start_time(part_codes[0])
# 偏移最大计算日期，最大日期 250 日均线，所以日行情数据开始位置要往前偏移
start_time = timeutils.time_str_delta(ind_start_time, format_str, days=-365)
if ind_start_time == end_time:
print(f'已经计算过 时间:{end_time}')
continue
print(f'任务{index} 开始位置：{start_index} 结束位置：{end_index}')
# 异步启动任务
pool.apply_async(self._update_common_ind_task,
args=(part_codes, start_time, end_time, success_list))
# 等待所有任务完毕
pool.close()
pool.join()
print(f'指标计算完毕,耗时：{time.time() - last_time}')
print(f'指标计算完毕 成功股票个数：{len(success_list)}')
# 更新配置信息
for code in success_list:
config_df.loc[config_df['code'] == code, 'ind_update_time'] = end_time
# 同步配置到本地
self.config.save_config()
# 操作完毕触发去重
sdb.optimize(sdb.STOCK_INDICATOR_TABLE)
要点分析：update_common_ind() 函数是全部股票根据 cpu 核数划分任务池。_update_common_ind_task() 是任务函数，每个进程领取的部分股票池计算。
结果：
计算指标完毕后插入数据库时硬件使用情况，计算指标时可以看到 cpu 直接拉满。
参考链接
[2] 异步编程学习网址：https://gitee.com/paultest/asyncio_demo#%E5%8D%8F%E7%A8%8B--asyncio--%E5%BC%82%E6%AD%A5%E7%BC%96%E7%A8%8B
写于 2022 年 12 月 04 日 22:08:14
本文由mdnice多平台发布
网友评论