请根据以下 SEO 主题生成完整页面内容：

Title: PTrade 策略性能优化：利用 get_history 的 is_dict 参数提升数据读取速度

Question: PTrade 策略运行太慢，如何通过 get_history 的 is_dict=True 进行提速？

PTrade 策略性能优化：利用 get_history 的 is_dict 参数提升数据读取速度

在 PTrade 中进行多标的或高频策略开发时，反复调用 get_history 或 get_price 获取历史 K 线数据常会成为策略运行的性能瓶颈。默认情况下，系统会构造复杂的 pandas.DataFrame 或 Panel 对象，这在频繁调用时会产生较大的内存与 CPU 开销。

通过将 get_history 的 is_dict 参数设置为 True，可以跳过 Pandas 对象的构建，直接返回底层的 C/C++ 结构化字典数组（Dict），从而大幅提升行情数据的读取与解析速度。

---

1. 为什么 is_dict=True 能够提升读取速度？

• 内存开销小：默认返回 DataFrame 时，系统需要为行列索引、数据类型转换分配额外内存；而返回 dict 直接使用 OrderedDict 加 NumPy array，数据更加紧凑。
• 数据解析更快：避免了 Pandas 内部复杂的数据重组与索引构建，大幅减少 CPU 耗时。
• 适用多标的大数据量场景：特别是当股票池标的超过 200 只时，使用字典模式能显著降低读取延迟。

---

2. API 参数与数据结构说明

函数定义

get_history(count, frequency='1d', field='close', security_list=None, fq=None, include=False, fill='nan', is_dict=False)

返回数据对比

• 默认 (is_dict=False)：返回 pandas.DataFrame 或 pandas.Panel 对象。
• 优化后 (is_dict=True)：返回 OrderedDict 数据结构：

  OrderedDict([
      ('600570.SS', array([(202309220931, 11.03, 11.08, 11.03, 11.07, 2289400.0, 25302018.0, 11.07)],
                          dtype=[('datetime', '<i8'), ('open', '<f8'), ('high', '<f8'), ('low', '<f8'), ('close', '<f8'), ('volume', '<f8'), ('money', '<f8'), ('price', '<f8')]))
  ])
  

---

3. 代码示例：如何高效解析 is_dict 返回的数据

下面展示如何在策略中将 is_dict 设为 True 并提取收盘价计算均线：

def initialize(context):
    g.security = ['600570.SS', '000001.SZ']
    set_universe(g.security)

def handle_data(context, data):
    # 使用 is_dict=True 高速获取过去 5 天的历史行情
    history_dict = get_history(5, frequency='1d', field=['close'], security_list=g.security, is_dict=True)
    
    if history_dict is None:
        return
        
    for stock in g.security:
        if stock in history_dict:
            # 提取 NumPy 结构化数组中的 close 字段
            close_prices = history_dict[stock]['close']
            # 计算 5 日均价
            ma5 = close_prices.mean()
            log.info("%s 5日均价: %s" % (stock, ma5))

---

4. PTrade 提速最佳实践策略

1. 行情获取优先选择 is_dict=True：在 handle_data、run_interval 等高频调用的事件中，统一开启 is_dict=True。
2. 配合 NumPy 进行批量计算：避免将获取到的 array 再转回 DataFrame，尽量使用 numpy 函数直接进行指标计算。
3. 逐笔数据同样推荐开启：在使用 get_individual_entrust 或 get_individual_transaction 获取逐笔 L2 数据时，将 is_dict 设为 True 也能获得明显的性能提升。