基于Pandas的POC计算优化：如何纳入成交量因素？

原问题分析 #

现有金融数据DataFrame包含timestamp、close、security_code、volume字段，原代码通过统计close价位的出现次数确定POC（合约交易量最高价位），但未考虑对应价位的成交量，逻辑不符合POC的定义：

def poc(self, df):
    """ Calculate the POC. """
    return df['close'].expanding().agg({'poc': lambda s:mode(s)[0]})['poc']

修改方案 #

POC的核心是累计成交量最高的价位，需按价位聚合成交量后取最大值对应的价位，修改后的代码如下：

def poc(self, df):
    """ Calculate the POC (Point of Control) with volume weighting. """
    def weighted_poc(window):
        # 按收盘价分组，累计对应成交量
        price_volume = window.groupby('close')['volume'].sum()
        # 返回累计成交量最高的价位，多价位并列时取第一个
        return price_volume.idxmax()
    
    # 对整个DataFrame做滚动窗口计算，raw=False确保传入的是DataFrame切片
    return df.expanding().apply(weighted_poc, raw=False)

关键说明 #

• 替换原有的close列单独扩展聚合为对整个DataFrame的滚动处理，这样能同时获取close和volume数据
• groupby('close')['volume'].sum()实现了按价位累计成交量，这是POC计算的核心逻辑
• idxmax()直接定位到累计成交量最大的价位，替代原有的mode()频次统计逻辑

若需处理多个价位成交量并列最大的场景，可在weighted_poc中补充逻辑，比如取最高/最低价位：

# 取成交量最大的所有价位中的最高值
return price_volume[price_volume == price_volume.max()].index.max()

内容的提问来源于stack exchange，提问作者Jan