如何在Python中无未来偏差重采样OHLC DataFrame并优化性能

我有一个以秒级时间戳为索引的Pandas DataFrame，包含金融工具价格相关的Open、High、Low、Close列。
需要实现以下目标：

• 将DataFrame按15分钟（或任意指定频率）重采样，但绝对不能引入未来数据
• 保留原秒级频率的DataFrame结构，同时为每一行新增四列，实时展示当前正在形成的15分钟K线的OHLC值（即Open_15m、High_15m、Low_15m、Close_15m）
• 15分钟K线的起始时间严格限定在hh:00:00、hh:15:00、hh:30:00、hh:45:00，例如09:00:00-09:15:00期间计算该时段的滚动OHLC，到09:15:00时重置并开始下一个15分钟周期的计算

我已经写出逻辑正确的代码，但处理数百万行的大数据时速度极慢，需要用NumPy、Numba等工具做性能优化。

# 找到最近的15分钟起始时间（向下取整）
def nearest_quarter_hour(timestamp):
    return timestamp.floor('15T')

# 为每个时间戳标记对应的15分钟起始时间
df['15_min_floor'] = df.index.map(nearest_quarter_hour)

# 按15分钟起始时间分组，计算滚动OHLC
rolling_df = df.groupby('15_min_floor').rolling(window='15T').agg({
    'Open': lambda x: x.iloc[0],  # 窗口内第一个值
    'High': 'max',
    'Low': 'min',
    'Close': lambda x: x.iloc[-1]  # 窗口内最后一个值
}).reset_index(level=0, drop=True)

# 重命名滚动计算后的列
rolling_df.columns = [f'{col}_15' for col in rolling_df.columns]

# 合并到原DataFrame
result_df = pd.concat([df, rolling_df], axis=1)

内容的提问来源于stack exchange，提问作者MilTom