如何在时间序列股票数据中固定每日首个价格值

新手踩坑点 #

• 分组后没搞懂如何把组内单一值映射回所有行，直接拿分组结果赋值，导致长度不匹配
• 错误用Time_IDX分组，忽略了DATE才是区分每日数据的唯一键，结果完全偏离需求
• 用全局loc筛选Time_IDX=1仅得到2行数据，直接往14行的DataFrame里赋值，因长度不匹配报错

可行解决方法 #

方法1：Groupby + transform（最推荐） #

transform的核心作用就是把组内计算结果，对应填充到原DataFrame的每一行，完美适配需求：

import pandas as pd

# 构造示例数据
data = {
    'DATE': ['2024-01-01']*7 + ['2024-01-02']*7,
    'Time_IDX': [1,2,3,4,5,6,7]*2,
    'Price': [288,298,301,289,300,287,295,302,305,310,299,300,285,290]
}
df = pd.DataFrame(data)

# 按DATE分组，提取每组Time_IDX=1的Price，用transform映射到所有行
df['Price_0'] = df.groupby('DATE')['Price'].transform(lambda group: group[df.loc[group.index, 'Time_IDX'] == 1].iloc[0])

方法2：分步提取+合并（新手友好） #

拆成两步，逻辑更清晰，容易理解：

1. 先提取每日Time_IDX=1的价格，作为基准表：

daily_base = df[df['Time_IDX'] == 1][['DATE', 'Price']].rename(columns={'Price': 'Price_0'})

2. 将基准表与原DataFrame按DATE合并，自动为每行填充对应日期的初始价格：

df = df.merge(daily_base, on='DATE', how='left')

方法3：字典映射（简单直观） #

先构建「日期→初始价格」的映射字典，再用map完成批量赋值：

# 生成日期到初始价格的映射字典
price_map = df[df['Time_IDX'] == 1].set_index('DATE')['Price'].to_dict()
# 按DATE列映射填充新列
df['Price_0'] = df['DATE'].map(price_map)

之前尝试失败的核心原因 #

• 单独用groupby('DATE')后直接取Price，得到的是仅2行的分组聚合结果，无法匹配原DataFrame的14行数据
• 错误选择Time_IDX作为分组键，而Time_IDX是每日重复的标识，分组后会把两天的同一时间点数据归为一组，完全不符合需求
• 设置Time_IDX为索引后，因索引重复，无法区分不同日期的同一Time_IDX，无法精准提取每日的初始价格

内容的提问来源于stack exchange，提问作者T Rhee