def real(cls, **kwargs):
# 包装一个函数
def real_func(di):
return CrossAction(di['kline'], di['date'], di['task'], di['codes']).batch()
scs = np.array(kd.field('XDXR_day', 'stock_code'))
bt = dt.timedelta(2018, 3, 21)
args = [{'kline': 'XDXR_day', 'date': bt, 'task': i, 'codes': scs} for i in range(1, 5, 1)]
pool = multiprocessing.Pool(processes=4)
result = pool.map(real_func, args)
pool.close()
pool.join()
[print(r) for r in result]
pass
def batch_his(self, start, end):
# 方案一，我们不使用多进程，直接对全市场的股票进行历史信号采集
codes = kd.field(table_name='XDXR_day', field_name='stock_code')
traitors = pd.DataFrame([])
# 为了更快的演示程序，我们只计算10只股票
for sc in codes[0:9]:
_rls = self.one_his(sc, start, end)
traitors = pd.concat([traitors, _rls], axis=0, join='outer', ignore_index=True)
# 最后我们建议将traitors存入数据库，这肯定需要自己去执行
# 为了方便演示，这个不存入数据库,直接输出
print(traitors.head(2).T)
# 为了区别开每一次历史数据的采集结果，我们添加一个字段version
traitors['version'] = 1
# 为了方便下一步的验证，我们将这个结果保存为一个csv文件
traitors.to_csv(path_or_buf='D:traitors.csv', index=False)
pass
def __init__(self, kline, date_time, task=0, codes=None):
self.task = task
self.kline = kline
self.date_time = date_time
self.codes = codes if codes is not None else np.array(kd.field(kline, 'stock_code'))
pass