Python实现每次运行生成的DataFrame追加为时间序列数据

核心思路 #

在函数外部维护一个全局的目标DataFrame，每次调用Vega_dict()获取新的单行数据后，将其追加到这个目标DataFrame中，最终形成时间序列数据。

具体实现步骤 #

1. 初始化目标DataFrame
   先创建一个和Vega_dict()返回结构一致的空DataFrame，用于存储历史数据：

   import pandas as pd
   
   # 初始化存储时间序列的目标DataFrame
   target_time_series = pd.DataFrame(columns=["Time", "Sum of OTM CE", "Sum of OTM PE"])
   

2. 优化原函数（可选但更简洁）
   原函数通过列表转置生成DataFrame的写法可以简化，直接用字典构造单行DataFrame：

   def Vega_dict():
       Sum_CE_Vega = Final_df.loc[Final_df['instrumentType'] == 'CE', 'vega'].sum()
       Sum_PE_Vega = Final_df.loc[Final_df['instrumentType'] == 'PE', 'vega'].sum()
       # 直接构造单行DataFrame，避免转置操作
       return pd.DataFrame({
           "Time": [Time],
           "Sum of OTM CE": [Sum_CE_Vega],
           "Sum of OTM PE": [Sum_PE_Vega]
       })
   

3. 每次运行追加数据
   每次调用函数获取新数据后，用pd.concat()将其追加到目标DataFrame中（设置ignore_index=True重置索引，避免重复索引问题）：

   # 获取本次运行的新数据
   new_row = Vega_dict()
   # 追加到目标时间序列DataFrame
   target_time_series = pd.concat([target_time_series, new_row], ignore_index=True)
   

效果演示 #

• 第一次运行后target_time_series：

  Time Sum of OTM CE Sum of OTM PE
  0  21:43:53    163.835972     154.28453
  

• 第二次运行后target_time_series：

  Time Sum of OTM CE Sum of OTM PE
  0  21:43:53    163.835972     154.28453
  1  21:43:59     x2_value      y2_value
  

注意事项 #

• 确保Final_df和Time变量在调用Vega_dict()时是已定义且有效的外部变量。
• 不要在Vega_dict()函数内部初始化目标DataFrame，否则每次调用都会重置数据。

内容的提问来源于stack exchange，提问作者denise