FinanceDatabase 证券筛选：select() 按维度收窄与 search() 按名称反查

import financedatabase as fd

# 1) 美国科技股里的大盘股
us_large_tech = fd.Equities().select(
    country="United States", sector="Technology", market_cap="Large Cap")
print(len(us_large_tech))

预期输出：先打印出一个行数（具体数字随数据源变化）。如果打印出 0，先别下结论，按下面「空表排查」的顺序查一遍。

# 2) 某个细分行业的全部股票
software = fd.Equities().select(industry="Software - Infrastructure")
print(software[["symbol", "name"]].head())

预期输出：一张只含代码与名称的小表，行数取决于该行业收录了多少只证券。

# 3) 按名称找代码
apple = fd.Equities().search(name="Apple")
print(apple[["symbol", "name", "country"]].head())

预期输出：若干条候选，用 country 与 symbol 两列确认哪一条是你要的那只。

# 4) 先看列名，再决定用哪些字段
equities = fd.Equities().select(country="United States")
print(equities.columns.tolist())

预期输出：返回列名清单。把它当成本页所有筛选的"字典"——你想用来筛选的字段，必须出现在这张列表里，否则说明它不在本库的元数据范围内。

# 5) 把筛选结果落盘，并记下筛选口径
import csv
equities.to_csv("universe.csv", index=False)
print("rows:", len(equities))

预期输出：当前目录下多出一个 CSV 文件，终端打印出行数。这一步看起来不起眼，但它把「我当时的筛选口径」固定了下来——过一两周回头看，你还能知道这份清单是用什么条件、在哪一天跑出来的。

1. 先看列名，确认你要的字段在不在

   跑一次不传参数的全量查询，打印 df.columns.tolist()。预期的是一份列名清单；如果你的筛选维度不在里面，就说明这个维度要靠别的工具补，别在这里硬凑。

2. 用样本反查取值，再写筛选条件

   挑一只你熟悉的证券，用 search() 查出来，把它的 country、sector、industry 三个取值抄下来当条件。预期结果是条件写完后不再返回空表。

3. 逐条加条件，每加一条打印一次行数

   每次只加一个参数并 print(len(df))。预期输出是一条递减但非零的行数曲线；一旦掉到 0，说明刚加的那个条件写法有问题，回到上一步。

4. 导出清单并记下筛选口径

   把结果存成 CSV，同时在脚本里写清筛选条件与执行日期。预期结果是别人拿到这份 CSV 也能复现你当时的筛选口径——这在数据会随时间变化时尤其重要。