计算层
TA-Lib C 库负责指标与形态的核心计算，性能高。
TA-Lib / Architecture
TA-Lib 架构：C 库与 Python 封装
ta-lib-python 采用「C 库 + Python 封装」的分层结构：底层是高性能的 TA-Lib C 技术分析库，上层是 Python 绑定层，输入输出与 numpy / pandas 集成，指标计算实际由 C 层完成，性能高、结果稳定。
TA-Lib C 库指标计算核心
Python 封装ta-lib-python
numpy / pandas数组与 DataFrame
Tech stack
技术栈对照表
把 TA-Lib 的组件展开为可核验清单。
| 层次 | 组件 | 用途 |
|---|---|---|
| 底层 | TA-Lib C 库 | 150+ 技术指标与形态识别的计算核心（高性能 C 实现） |
| 上层 | ta-lib-python | Python 绑定，暴露指标函数给 Python 调用 |
| 数据 | numpy | 指标输入/输出为 numpy 数组 |
| 数据 | pandas | 可输出 DataFrame，与量化管道集成 |
来源说明：以上组件来自官方 README（2026-09-01 核验）。
Layers
三层结构理解
绑定层
ta-lib-python 把 C 函数包装成 Python 可调用的指标函数。
数据层
numpy 数组进出，pandas DataFrame 对接量化管道。
For whom
适合哪些人
量化开发者
想自建可复现的指标计算管道，并接入回测/选股。
技术分析研究者
需要标准化指标与蜡烛图形态识别做研究。
数据工程师
把指标计算纳入 pandas 数据处理流水线。
Key points
架构要点回顾
计算在 C 层
150+ 指标与形态识别的高性能计算由底层 C 库完成。
Python 绑定
ta-lib-python 把 C 函数包装成 Python 可调用的指标函数。
数据进出
numpy 数组进出，pandas DataFrame 对接量化管道。
FAQ
架构相关常见问题
为什么要装 C 库？
ta-lib-python 只是 Python 绑定层，实际指标计算在底层 TA-Lib C 库完成，所以必须先装 C 库才能使用。
输入输出是什么格式？
指标函数接收 numpy 数组（如开盘/收盘/最高/最低/成交量），返回 numpy 数组，也可转成 pandas DataFrame。
不装这套环境能做技术分析吗？
可以。EasyClaw 内置 stock-technical-mastery 等技能，可一句话做技术指标分析，免自行维护 C 库环境，详见对比页。