joinquant 平台 get_bars 多标的获取与 MultiIndex DataFrame 解析指南

请根据以下 SEO 主题生成完整页面内容：

Title: joinquant 数据处理：get_bars 多标的获取与 MultiIndex DataFrame 解析

Question: 当 get_bars 设置 df=True 且传入多标的时，如何高效解析返回的 MultiIndex 数据？

在 JoinQuant（聚宽）量化平台中，使用 get_bars 获取多个标的的行情数据并设置 df=True 时，系统会返回一个带有 MultiIndex（双层复合索引） 的 pandas.DataFrame。理解并高效处理这种数据结构是编写多股票/期货策略的核心技能。

---

一、MultiIndex DataFrame 数据结构解析

当传入标的列表（如 ['000001.XSHE', '600000.XSHG']）并设置 df=True 时，返回的 DataFrame 的行索引（Index）包含两层：

1. level 0 (code): 标的代码（如 000001.XSHE）
2. level 1 (date/time): 时间（如 2023-01-03）

列字段（Columns）通常包括：date, open, high, low, close, volume, money 等。

---

二、高效解析 MultiIndex 数据的四大方法

1. 按标的代码提取单个 DataFrame (xs 方法)

使用 .xs() 可以按指定层级快速提取某一标的的数据：

# 获取 000001.XSHE 的所有历史 Bar 数据
df_pingan = df.xs('000001.XSHE', level=0)
print(df_pingan.head())

2. 将 MultiIndex 转换为收盘价透视表 (unstack 方法)

在多因子策略或配对交易中，常常需要构建“行是时间，列是股票代码”的价格矩阵，使用 unstack 最为高效：

# 提取 close 列并重构索引，生成以时间为行、标的为列的 DataFrame
close_matrix = df['close'].unstack(level=0)
print(close_matrix)

3. 重置索引转为标准平铺 DataFrame (reset_index 方法)

如果希望以常规的列形式处理 code 和 date，可以使用 reset_index：

# 将复合索引转换为普通列
flat_df = df.reset_index()
# 提取特定条件的数据
pingan_bars = flat_df[flat_df['level_0'] == '000001.XSHE']

4. 使用 IndexSlice 进行多维高效切片

利用 pd.IndexSlice 可以精准筛选特定标的和时间段：

idx = pd.IndexSlice
# 筛选 000001.XSHE 在指定时间段的数据
sub_df = df.loc[idx['000001.XSHE', '2023-01-01':'2023-01-10'], :]

---

三、策略实战代码示例（获取多标的并计算均线）

以下代码展示了如何在 JoinQuant 策略中通过 get_bars 获取多标的数据并进行 MultiIndex 解析与信号计算：

from jqdata import *
import pandas as pd

def initialize(context):
    g.securities = ['000001.XSHE', '600000.XSHG', '000002.XSHE']
    run_daily(market_open, time='9:30')

def market_open(context):
    # 1. 获取多标的最近 20 个交易日日 K 线数据
    bars = get_bars(
        security=g.securities, 
        count=20, 
        unit='1d', 
        fields=['date', 'close'], 
        include_now=False, 
        df=True
    )
    
    # 2. 转换成以时间为行、股票为列的收盘价矩阵
    close_df = bars['close'].unstack(level=0)
    
    # 3. 批量计算各标的的 5 日与 20 日均线
    ma5 = close_df.tail(5).mean()
    ma20 = close_df.mean()
    
    # 4. 遍历提取判断计算结果
    for code in g.securities:
        current_ma5 = ma5[code]
        current_ma20 = ma20[code]
        log.info(f"{code} MA5: {current_ma5:.2f}, MA20: {current_ma20:.2f}")

---

四、性能与最佳实践建议

1. 推荐使用 unstack(level=0)：将多标的的长表（Long format）转为宽表（Wide format），方便直接进行矩阵运算与向量化操作（如计算收益率、计算相关系数等），比循环遍历快数十倍。
2. 指定 fields 参数：仅获取策略所需的字段（如 ['date', 'close']），可显著减少内存开销与数据解析耗时。
3. 避免在循环中使用 get_bars：一次性传入标的列表获取 MultiIndex DataFrame，比在 for 循环中逐个标的调用 get_bars 效率更高。