请根据以下 SEO 主题生成完整页面内容：

Title: joinquant 数据获取指南：get_bars 与 get_price 性能对比与选择

Question: joinquant 中 get_bars 和 get_price 有什么区别？哪个性能更好？

JoinQuant 中 get_bars 与 get_price 的区别与性能对比

在聚宽（JoinQuant）量化交易平台中，get_bars 和 get_price 是最常用的两个历史行情数据获取接口。虽然它们都能用于查询 K 线数据，但在返回数据结构、性能效率、停牌处理以及复权机制上存在显著差异。

---

一、核心区别对比

特性 / API	get_price	get_bars
默认返回类型	pandas.DataFrame 或 Panel	numpy.ndarray（可通过 df=True 返回 DataFrame）
性能表现	较慢（涉及 DataFrame 转换开销）	极快（原生返回 NumPy 数组，内存占用低）
停牌处理	默认用 pre_close 填充（可设 skip_paused）	不跳过也不填充停牌，仅返回实际有交易的 bar
支持时间周期	日线 (1d) 与分钟线 (1m)	标准周期 (1m, 5m, 1d, 1w, 1M) 及非标准周期 (Xm)
包含当前 Bar	不支持包含未完结的当前 Bar	支持（通过设置 include_now=True）
多标的查询	返回 Panel 或 MultiIndex DataFrame	返回字典 (Key 为标的代码) 或 MultiIndex DataFrame

---

二、详细特性分析

1. 性能差异

• get_bars 性能更优：由于默认返回轻量级的 numpy.ndarray，在频繁调用或大批量标的计算时，内存占用小，运行速度显著快于 get_price。
• get_price 内存开销较大：每次调用都会构建 Pandas DataFrame/Panel 对象，数据转换和索引对齐会带来额外的 CPU 与内存开销。

2. 停牌数据处理

• get_price：为了保证时间轴对齐，停牌期间默认使用上一交易日的收盘价填充。
• get_bars：直接过滤停牌数据。如果请求 count=10 但中间有 2 天停牌，它只会返回实际交易的 8 根 Bar（或实际存在的数量），不会自动填充。因此在多标的横截面处理时需注意长度一致性。

3. 复权与切片灵活度

• get_bars：支持设置 fq_ref_date 参数，便于进行指定基准日期的定点复权或动态复权；且通过 include_now=True 可以获取盘中当前尚未收盘的实时 Bar 数据。
• get_price：复权选项仅支持 'pre'（前复权）、'post'（后复权）和 None（不复权）。

---

三、代码示例

使用 get_bars 获取高性能数据

import datetime
from jqdata import *

# 获取平安银行过去 5 天的日线数据，返回 numpy.ndarray
array_data = get_bars('000001.XSHE', count=5, unit='1d', fields=['date', 'open', 'close'])
print(array_data['close'])  # 直接按字段读取，速度极快

使用 get_price 获取对齐的 DataFrame

from jqdata import *

# 获取多只股票指定时间段的收盘价
df = get_price(['000001.XSHE', '600000.XSHG'], start_date='2023-01-01', end_date='2023-01-10', fields=['close'], panel=False)
print(df)

---

四、选型建议与最佳实践

1. 策略回测与高频计算（推荐 get_bars）：
   • 需要追求回测速度、频繁获取分钟或 Tick 级 K 线时，应优先使用 get_bars(..., df=False)。
2. 多标的数据分析与报表绘制（推荐 get_price）：
   • 在研究环境或需要自动对齐多只股票时间轴进行矩阵运算时，使用 get_price 更方便。
3. 避免未来函数：
   • 无论使用哪种 API，在盘中获取数据时，均需注意 end_date / end_dt 不能超过当前逻辑时间 context.current_dt。