使用Pandas与Datetime从YFinance更新AAPL.csv数据及报错修复

我有一个名为AAPL.csv的Yahoo Finance旧数据文件，数据如下：

我需要对比当前日期与文件中最新行的日期，更新缺失的最新数据并保存回原文件。编写了如下代码，但存在日期格式问题无法正常运行：

import os
import datetime
import pandas as pd
import dateutil.parser
from datetime import datetime

read_data = pd.read_csv('AAPL.csv')
read_last_date_df = str(read_data['Date'].values[-1])
last_date_df = dateutil.parser.isoparse(read_last_date_df)

today = datetime.today()
dif_day_dates = int(today.strftime('%d')) - int(last_date_df.strftime('%d'))

if dif_day_dates > 0:
   update_data = yf.download(symbol, start=datetime.today() - last_date_df, end=datetime.today(), interval=timeframes_codedata['daily'])
   read_data[len(read_data)] = update_data
   read_data.to_csv('AAPL.csv')

出现报错：

TypeError: '>' not supported between instances of 'datetime.timedelta' and 'int'
报错位置：if dif_day_dates > 0:

解决建议 #

错误原因分析 #

1. 日期计算逻辑错误：直接提取日部分相减会忽略月份/年份差异，跨月时结果无意义，且代码中可能因解析问题导致dif_day_dates类型异常。
2. 依赖缺失与变量未定义：未导入yfinance（即yf），symbol、timeframes_codedata未定义，无法正常下载数据。
3. DataFrame合并方式错误：read_data[len(read_data)] = update_data不是Pandas合并数据的正确方式，会导致索引混乱或数据丢失。

修正后的完整代码 #

import pandas as pd
import yfinance as yf
from datetime import datetime

# 读取CSV并解析日期列为datetime索引
read_data = pd.read_csv('AAPL.csv', parse_dates=['日期'], index_col='日期')
# 获取本地数据的最新日期（仅保留日期部分，排除时间干扰）
last_date_df = read_data.index[-1].date()
# 获取当前日期（仅日期部分）
today = datetime.today().date()

# 判断当前日期是否晚于本地最新数据日期
if today > last_date_df:
    # 从本地最新日期的下一天开始下载数据，避免重复
    start_date = last_date_df + pd.Timedelta(days=1)
    # 下载AAPL的最新数据
    update_data = yf.download('AAPL', start=start_date, end=today, interval='1d')
    # 重命名列名，匹配本地CSV的列名（若本地列名是英文则可跳过此步）
    update_data.rename(columns={
        'Open': 'Open',
        'High': 'High',
        'Low': 'Low',
        'Close': 'Close',
        'Volume': 'Volume'
    }, inplace=True)
    # 合并新旧数据
    combined_data = pd.concat([read_data, update_data])
    # 重置索引并保存，确保日期列为普通列而非索引
    combined_data.reset_index(inplace=True)
    combined_data.to_csv('AAPL.csv', index=False, encoding='utf-8')

关键优化点 #

• 日期解析优化：读取CSV时直接解析日期列并设为索引，简化日期对比逻辑。
• 正确的日期判断：通过date()方法提取纯日期部分，避免时间戳干扰，直接对比日期大小。
• 避免重复数据：从本地最新日期的次日开始下载数据，保证数据不重复。
• 规范数据合并：使用pd.concat合并DataFrame，这是Pandas中合并数据的标准方式。
• 依赖补全：明确导入yfinance，定义必要的下载参数（如股票代码AAPL、时间间隔1d）。

额外注意事项 #

• 先安装yfinance依赖：pip install yfinance
• 股票市场非交易日（周末、节假日）不会返回数据，无需额外处理，yfinance会自动跳过这些日期。
• 避免重复导入datetime模块，保持导入方式统一。

内容的提问来源于stack exchange，提问作者Optimvs