优化每日周度指数移动平均计算代码，提升执行效率

你的原代码核心问题是每个交易日都重复遍历整个时间序列、重新生成周度数据并计算EMA，时间复杂度为O(n²)，数据量越大效率越低。下面是线性时间（O(n)）的优化实现，完全保留原逻辑但效率大幅提升：

优化思路 #

1. 一次性生成所有周度数据（和原逻辑一致，取每周最后一个交易日的收盘价）
2. 仅计算一次周度数据的EMA，这一步的时间复杂度仅和周数相关（远小于交易日数）
3. 将周度EMA值映射回每个交易日，通过向前填充的方式，让每个交易日自动取到截至当天的最新周度EMA值

优化后的代码 #

import pandas as pd
from typing import Optional

def weekly_exponential_moving_average(data: pd.DataFrame, window: int, column: Optional[str] = 'Close_Price') -> pd.Series:
    # 1. 一次性生成所有周度收盘价（每周最后一个交易日的数据）
    weekly_closes = data[column].resample('W').last()
    
    # 2. 计算周度数据的EMA，仅执行一次
    weekly_ema = weekly_closes.ewm(span=window, adjust=False).mean()
    
    # 3. 将周度EMA映射到每个交易日，向前填充缺失值（取最新的周度EMA）
    daily_weekly_ema = weekly_ema.reindex(data.index, method='ffill')
    
    return daily_weekly_ema

效率说明 #

• 整个流程仅对原始数据遍历一次，所有操作（重采样、EMA计算、重索引填充）都是线性时间复杂度，整体为O(n)
• 完全匹配原代码的逻辑：每个交易日的取值都是截至当天的最新周度EMA结果，你可以用小数据集对比验证结果一致性

内容的提问来源于stack exchange，提问作者Question1010