我来帮你解决这两个核心问题——CSV导出为空和GICS列结构不兼容，根源在于没处理好yfinance返回的特殊数据结构，调整形态后就能完美匹配需求。

问题根源拆解 #

1. CSV为空：你直接操作了yfinance返回的**双层列索引（MultiIndex）**数据，这种结构直接导出CSV容易出现隐性异常；另外如果部分股票代码下载失败，也会导致整体数据状态异常。
2. GICS列不兼容：yfinance多股数据的列是「指标+股票代码」的层级结构，而你创建的GICS是单维度列向量，两者结构完全不匹配，自然无法直接合并。

完整解决方案 #

下面是修正后的代码，每一步都标注了关键逻辑：

步骤1：获取标普500成分股与GICS映射

先从维基百科拿到成分股列表，然后构建「股票代码→GICS行业」的字典，这是后续匹配的核心：

import pandas as pd
import yfinance as yf
import datetime

# 抓取标普500成分股数据
payload = pd.read_html('https://en.wikipedia.org/wiki/List_of_S%26P_500_companies')
sp500_df = payload[0]

# 构建股票代码到GICS行业的映射字典（避免结构匹配混乱）
ticker_to_gics = sp500_df.set_index('Symbol')['GICS Sector'].to_dict()

步骤2：下载数据并重塑结构

用group_by='ticker'让yfinance按股票代码分组返回数据，再把宽表转成长表（每一行对应单只股票的单日数据），这样就能轻松添加GICS列：

# 下载过去1个月的股票数据，group_by参数是关键，让数据按股票代码组织
raw_data = yf.download(
    tickers=sp500_df['Symbol'].tolist(),
    period='1mo',
    group_by='ticker'
)

# 遍历每只股票，提取数据并关联GICS行业
processed_data = []
for ticker in raw_data.columns.get_level_values(0).unique():
    # 提取当前股票的所有行情数据
    ticker_data = raw_data[ticker].copy()
    # 添加股票代码和GICS行业列
    ticker_data['Ticker'] = ticker
    ticker_data['GICS Sector'] = ticker_to_gics.get(ticker, 'Unknown')  # 兼容异常情况
    # 加入列表等待合并
    processed_data.append(ticker_data)

# 合并所有股票数据，重置索引后日期会成为普通列
final_df = pd.concat(processed_data).reset_index()

步骤3：导出CSV并验证

现在final_df的结构是：Date + Open + High + Low + Close + Adj Close + Volume + Ticker + GICS Sector，完全符合常规表格结构，导出CSV不会为空：

final_df.to_csv('stock_prices_with_gics.csv', index=False)
print(final_df.head())

额外优化：处理下载失败的股票 #

如果遇到部分特殊代码（比如BRK.B、BF.B）下载失败，可以加异常处理跳过，避免影响整体数据：

processed_data = []
for ticker in sp500_df['Symbol'].tolist():
    try:
        # 单独下载单只股票，避免一只失败连累全部
        ticker_data = yf.download(ticker, period='1mo')
        if not ticker_data.empty:
            ticker_data['Ticker'] = ticker
            ticker_data['GICS Sector'] = ticker_to_gics.get(ticker, 'Unknown')
            processed_data.append(ticker_data)
    except Exception as e:
        print(f"⚠️ 下载{ticker}数据失败：{str(e)}")

替代方案：使用pandas_datareader #

如果觉得yfinance不稳定，可以用pandas_datareader配合yfinance作为数据源，逻辑完全一致：

from pandas_datareader import data as pdr

# 让pandas_datareader调用yfinance接口
yf.pdr_override()

# 设置日期范围（替代period参数）
start_date = datetime.datetime.now() - datetime.timedelta(days=30)
end_date = datetime.datetime.now()

# 下载数据
raw_data = pdr.get_data_yahoo(sp500_df['Symbol'].tolist(), start=start_date, end=end_date)

# 后续的结构重塑和GICS匹配步骤和上面完全相同

后续按GICS拆分数据 #

现在数据结构清晰了，按GICS行业拆分非常简单：

# 按GICS行业分组，得到每个行业的数据集
gics_groups = final_df.groupby('GICS Sector')

# 比如提取科技行业的数据
tech_stocks = gics_groups.get_group('Information Technology')

内容的提问来源于stack exchange，提问作者Ernest East