我们这里所需要的沪深300历年的成分股行情数据不是当下成分股的历年行情数据，而是历年的沪深300成分股的行情数据，如果是前者，那很简单，直接获取一下当下的沪深300的成分股列表，然后分别获取其历史行情数据就行了；但是我们需要的是后者，即不同时期的沪深300的成分股是有变动的，本文的思路是：先依次获取历年每天的成分股列表，然后再根据当天的成分股获取当天的数据，并逐步导入到csv文件中储存，最后汇总。
这里后者处理的一个难点是日期的处理，即如何让循环指针在日期上遍历，本文对这点的处理是利用python的datetime库中的date模块和timedelta模块，即先确定自己需要的数据的起始日期和终止日期，并分别构造成date对象，两者相减便可以得到一个timedelta对象，里面的days参数便是起始日期和终止日期的相隔的天数，然后再以相隔天数作为循坏次数，让指针作为timedelta对象的days参数构造新的timedelta对象，并让起始日期加上这个timedelta对象作为当次循环的日期，这样便可以达到日期遍历的目的。以下是具体的代码，因为本例是从聚宽平台获取数据，因此相关的sdk和接口是基于聚宽的：
#导入聚宽数据的sdk
import jqdatasdk as jd
jd.auth("account","password")
import pandas as pd
from datetime import date,timedelta
filename='D:\python\data\data.csv' #数据储存路径
#csv文件初始化
date_init=date(2013,1,1)
stocks=jd.get_index_stocks('000300.XSHG', date=date_init)
df_init=jd.get_price(stocks,start_date=date_init, end_date=date_init,fields=['close','avg'],frequency='daily',skip_paused=False).to_frame()
df_init.to_csv(filename)
#遍历历史日期，并逐步导入数据到csv文件
for i in range(2090):
trade_date=date(2018,1,2)+timedelta(days=i)
stocks=jd.get_index_stocks('000300.XSHG', date=trade_date)
df=jd.get_price(stocks,start_date=trade_date, end_date=trade_date,fields=['close','avg'],frequency='daily',skip_paused=False).to_frame()
df.to_csv(filename,mode='a',header=None)本例获取了2013年1月1日到2018年9月21日的近五年多的日频数据，直接利用了DataFrame对象的to_csv方法将数据导入csv文件，由于后面是逐步追加数据，因此在初始化csv文件后，循环中to_csv方法的mode参数设为‘a’，这表示追加数据，不会清空之间的数据，header参数为None，表示省略列名，因为已经进行了初始化。