pandas 计算股票各日的价格变化情况

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

在 pandas 中，投票变化方面的应用主要包括投票计数、投票汇总、投票趋势分析和投票结果预测。其中，pct_change 函数在 pandas 中广泛应用于计算百分比变化，帮助分析数据的增长率、比较列之间的相对变化、检测异常值以及进行特征工程和模型构建。

数据

数据如下：

import pandas as pd

df = pd.DataFrame(data=[["20230521", "20230522", "20230523", "20230524", "20230525"]*2,
                        ["股票A"]*5+["股票B"]*5,
                        [11, 14, 12, 15, 17, 21, 24, 22, 24, 23]],
                  index=["日期", "名称", "价格"]).T

df
'''
         日期   名称  价格
0  20230521  股票A  11
1  20230522  股票A  14
2  20230523  股票A  12
3  20230524  股票A  15
4  20230525  股票A  17
5  20230521  股票B  21
6  20230522  股票B  24
7  20230523  股票B  22
8  20230524  股票B  24
9  20230525  股票B  23
'''

需要增加一列，计算各支股票相对前一天的变化率。

思路

对一个数据框进行按股票名称分组，并计算每个分组内的价格列的百分比变化。它使用了groupby函数按照指定的列名进行分组，然后使用transform函数对每个分组内的价格列进行百分比变化计算。最终返回一个具有相同长度和索引的序列，包含了每个分组内价格列的百分比变化值。

代码

核心代码如下：

df.groupby('名称').价格.transform('pct_change')
'''
0         NaN
1    0.272727
2   -0.142857
3        0.25
4    0.133333
5         NaN
6    0.142857
7   -0.083333
8    0.090909
9   -0.041667
Name: 价格, dtype: object
'''

这行代码的逻辑如下：

df 是一个数据框（DataFrame），其中包含了一列名为 '名称' 的分类变量和一列名为 '价格' 的数值变量。
groupby('名称') 将数据框按照 '名称' 列的值进行分组，这将创建一个按照不同的 '名称' 分组的对象。
价格.transform('pct_change') 对每个分组的 '价格' 列进行变换操作。具体而言，它会计算每个分组内 '价格' 列的百分比变化。
pct_change 是一个 pandas 中的函数（即 pd.Series.pct_change，在这里可以直接写字符串），用于计算序列中相邻元素的百分比变化。

返回的结果是一个具有相同长度和索引的序列，其中包含了每个分组内 '价格' 列的百分比变化。

最后将这列增加到原数据：

df.assign(rate=df.groupby('名称').价格.transform('pct_change'))
'''
         日期   名称  价格      rate
0  20230521  股票A  11       NaN
1  20230522  股票A  14  0.272727
2  20230523  股票A  12 -0.142857
3  20230524  股票A  15      0.25
4  20230525  股票A  17  0.133333
5  20230521  股票B  21       NaN
6  20230522  股票B  24  0.142857
7  20230523  股票B  22 -0.083333
8  20230524  股票B  24  0.090909
9  20230525  股票B  23 -0.041667
'''

这样就完成了需求。

（完）

pandas 计算股票各日的价格变化情况

数据

思路

代码

相关内容