ta 的 OHLCV 数据要求：列名、索引与 yfinance 的两个坑

yfinance 实测

用 yfinance 取数交给 ta 会报什么错：实测原文与两种修法

# 实测环境：yfinance 1.7.0 + pandas 3.0.6 + ta 0.11.0（2026-10-10）
import yfinance as yf
from ta.momentum import RSIIndicator

df = yf.download("AAPL", start="2024-01-02", end="2024-06-01", progress=False)
print(df.columns.tolist())
# [('Close', 'AAPL'), ('High', 'AAPL'), ('Low', 'AAPL'), ('Open', 'AAPL'), ('Volume', 'AAPL')]
print(type(df["Close"]))
# <class 'pandas.core.frame.DataFrame'>   <-- 不是一个 Series！

RSIIndicator(close=df["Close"], window=14, fillna=False).rsi()
# ValueError: Data must be 1-dimensional, got ndarray of shape (105, 1) instead

# ---- 修法 A：把 ticker 这一层去掉（推荐，写 CSV 存档也方便）----
a = df.copy()
a.columns = a.columns.droplevel(1)          # ('Close','AAPL') -> 'Close'
a.columns = [c.lower() for c in a.columns]  # -> 'open','high','low','close','volume'
rsi = RSIIndicator(close=a["close"], window=14, fillna=False).rsi()
print(rsi.isna().sum(), round(rsi.iloc[-1], 6))
# 13   67.308413

# ---- 修法 B：直接按 ticker 这一层切出来 ----
b = df.xs("AAPL", axis=1, level=1)
b.columns = [c.lower() for c in b.columns]

# ---- 用 add_all_ta_features 一次加全部特征 ----
import ta
out = ta.add_all_ta_features(a.copy(), open="open", high="high", low="low",
                             close="close", volume="volume", fillna=False)
print(len([c for c in out.columns if c not in a.columns]))
# 86

为什么 df["Close"] 会拿到 DataFrame：在 MultiIndex 的两层列上，第一层 Close 对应多个 ticker（哪怕只有一个），Pandas 就把结果按 DataFrame 返回。ta 内部要的是 1 维序列，于是报 Data must be 1-dimensional。这个报错看起来像 ta 的问题，实际上是取数那一步少了一层。

接入步骤

从行情数据到第一列指标要走哪些步骤

从取数到第一列指标：五步

1. 取数：yf.download("AAPL", start=…, end=…)；如果要保留未调整价格，加 auto_adjust=False 再自己决定用哪一列。
2. 压平列：df.columns = df.columns.droplevel(1)（或 df.xs("AAPL", axis=1, level=1)）。
3. 统一小写：df.columns = [c.lower() for c in df.columns]。
4. 对齐索引：df = df.sort_index()；确认没有重复日期（df.index.duplicated().sum() == 0）。
5. 先验证一列再批量：先算一列 RSIIndicator(...)，确认前导 NaN 是 13 行、末尾有值，再上 add_all_ta_features。

第 5 步不是多余的：add_all_ta_features 会一次算 43 个指标，如果列名或索引有问题，你会在 86 列里到处找原因。先用一个指标确认契约通了，再批量算。

报错对照

ta 常见报错有哪些：原文与对应修法

前五条都是「数据形状」问题，第六条才是「算法口径」问题。实际排查中，十条里有九条属于前者——先把形状对齐，再讨论数值差异。形状对了之后，下一个坑是预热期：每个指标前多少行是 NaN，见预热窗口与 NaN；想直接拿到完整列名清单，看指标目录；装不上环境先看安装与版本核验。