前言

之前使用官方範例後，再轉到實際環境，發現仍有不同，於是再看看資料吧！

觀察歷史資料

廢話不多說，直接使用：

ticks = api.ticks(contract=api.Contracts.Stocks["2330"], date="2021-09-22")
print(ticks)

df = pd.DataFrame({**ticks})
df.ts = pd.to_datetime(df.ts)
print(df.head())
print(df.tail())

發現資料超多，與他們範例不太一樣，光是前面幾個狀態，就超多筆，無法用肉眼觀察，所以就用他們的範例，也就是轉乘為Dataframe，轉化後就不但好閱讀，也清楚的看出來資料長什麼樣子。就會從原本的：

588.0, 588.0, 588.0, 588.0, 588.0, 588.0,....

變成整齊的：

   close  ask_price  ask_volume  bid_volume  bid_price                         ts  volume
0  586.0      587.0         122         111      586.0 2021-09-22 09:00:05.091164    4251
1  586.0      587.0         122         111      586.0 2021-09-22 09:00:05.164357       2
2  587.0      587.0         122         111      586.0 2021-09-22 09:00:05.170070       8
3  586.0      587.0         122         111      586.0 2021-09-22 09:00:05.206461       5
4  586.0      587.0         122         111      586.0 2021-09-22 09:00:05.215926       2

可以看得出來，這邊的資料，應該是屬於tick等級，所以像台積電這個交易量很多的熱門股，會有很多成交資訊，用len()看後發現有12032...

不過變成DataFrame才是處理資料的正解！

最後一筆資料：1430

不過看最後一筆資料，需要注意，他的交易時間為14:30，看起來是盤後零股，但是他的數量應該為「51,293」股，共「1,316」筆，感覺很奇怪，暫時找不到是啥，如果有找到再補上。不過這筆資料在研究的時候需要移除！

                              ts  bid_volume  volume  close  ask_volume  bid_price  ask_price
12027 2021-09-22 13:24:59.925825         317       1  586.0          26      586.0      587.0
12028 2021-09-22 13:24:59.956300         317       1  586.0          26      586.0      587.0
12029 2021-09-22 13:24:59.985980         313       1  586.0          26      586.0      587.0
12030 2021-09-22 13:30:00.000000         239    2961  586.0          73      586.0      587.0
12031 2021-09-22 14:30:00.000000         239      63  586.0          73      586.0      587.0

後記

歷史資料還可以抓時間，還有k線。這幾個就是接下來的學習題目～