feat: djapi 数据源归一化 + bug 修复 + 废弃 getDivData_AK

- 新增 djapi/api/stock/data_source.py 统一数源入口 (Tushare 单例)
- 迁移 10 个模块至统一数据源入口
- 废弃 getDivData_AK.py
- 修复 getStockDiv2.py / smoothBrush.py 等模块
- indexDatas API 参数 tscode 类型修正 (股票→指数代码)
- views.py + urls.py 接口清理
- continuation.md 状态更新

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

djapi/api/stock/getStockDiv2.py

@@ -52,7 +52,6 @@ def analyze_stock_dividend_and_price(ts_code, start_date=START_DATE, end_date=EN
     if start_date > today: start_date = today
 
     GAP_DAYS = 360  # 定义TTM计算窗口期为360天
-    n = 15  # 定义向前填充的最大非零值个数
     """
     分析个股分红与行情数据。
 
@@ -110,23 +109,11 @@ def analyze_stock_dividend_and_price(ts_code, start_date=START_DATE, end_date=EN
     # 填充空值
     df_merged_temp['cash_div_tax'] = df_merged_temp['cash_div_tax'].fillna(0.0)
     
-    # 计算 cash_div_year (TTM)
+    # 计算 cash_div_year (TTM) — 向量化 rolling 窗口
     df_merged_temp = df_merged_temp.sort_values('trade_date').reset_index(drop=True)
-    # 使用滚动窗口计算过去 GAP_DAYS 天的总和
-    # rolling的window参数是基于行数的，所以我们需要先确保日期是连续的交易日
-    # 由于trade_date已经是交易日，我们可以直接使用rolling
-    # 但需要处理时间窗口，确保是360天而不是360行（因为可能有节假日）
-    # 更精确的方法是使用一个自定义函数来累加过去360天内的值
-    
-    # 使用更精确的日期差计算
-    def calculate_ttm_div(row_idx):
-        current_date = df_merged_temp.loc[row_idx, 'trade_date']
-        start_window_date = current_date - pd.Timedelta(days=GAP_DAYS)
-        # 筛选出窗口期内的记录
-        mask = (df_merged_temp['trade_date'] > start_window_date) & (df_merged_temp['trade_date'] <= current_date)
-        return df_merged_temp.loc[mask, 'cash_div_tax'].sum()
-
-    df_merged_temp['cash_div_year'] = [calculate_ttm_div(i) for i in range(len(df_merged_temp))]
+    df_temp = df_merged_temp.set_index('trade_date')
+    df_temp['cash_div_year'] = df_temp['cash_div_tax'].rolling(f'{GAP_DAYS}D', min_periods=1).sum()
+    df_merged_temp['cash_div_year'] = df_temp['cash_div_year'].values
 
 
     # 截取原始请求的起止时间内的数据
@@ -155,37 +142,6 @@ def analyze_stock_dividend_and_price(ts_code, start_date=START_DATE, end_date=EN
     df_result['cash_div_year'] = df_result['cash_div_year'].fillna(0.0)
     
     
-    '''
-    向前填充cash_div_year（最多填充最近n个非零值）
-    如果遇到0值，依次往下查询直到查询到非0数字为止，如果数字个数<=n个，就置last_valid_value, 否则保持不变
-    '''
-    # 确保按trade_date倒序遍历（日期从大到小）
-    df_result = df_result.sort_values('trade_date', ascending=False).reset_index(drop=True)
-    
-    last_valid_value = None  # 初始化最后一个有效值变量
-    for idx in range(len(df_result)):  # 遍历DataFrame的每一行
-        current_value = df_result.loc[idx, 'cash_div_year']  # 获取当前行的TTM分红值
-        if current_value > 0:  # 如果当前值大于0
-            last_valid_value = current_value  # 更新最后一个有效值
-        else:
-            # 向下查找最多n个位置内的非零值
-            found_value = None  # 初始化找到的值
-            search_count = 0  # 初始化搜索计数
-            # 从下一行开始搜索，最多搜索n行
-            for search_idx in range(idx + 1, min(idx + n + 1, len(df_result))):
-                search_value = df_result.loc[search_idx, 'cash_div_year']  # 获取搜索行的值
-                search_count += 1  # 增加搜索计数
-                if search_value > 0:  # 如果找到非零值
-                    found_value = search_value  # 记录找到的值
-                    break  # 跳出搜索循环
-
-            # 如果找到非零值且在n个位置内
-            if found_value is not None and search_count <= n:
-                df_result.loc[idx, 'cash_div_year'] = found_value
-                last_valid_value = found_value
-            elif last_valid_value is not None:
-                df_result.loc[idx, 'cash_div_year'] = last_valid_value
-
     # 毛刺平滑处理 cash_div_year 列
     df_result=smooth_dataframe_brush(df_result, target_columns=['cash_div_year'], window_size=31,  threshold_factor=0.5, max_brush_length=15 )
     # 恢复原始日期顺序