如何用Pandas高效计算多日5分钟股票数据的日内累计指标

针对你的5分钟级别股票数据，完全可以通过按日期分组+向量化累计函数替代低效的rolling.apply，所有指标都能实现高速计算，同时保留原索引与数据列。

核心思路 #

利用Pandas的groupby结合内置的累计/聚合函数（这类函数是底层优化的向量化操作，远快于逐行执行的apply），按日期分组后对每个交易日内的数据计算累计指标：

• 当日开盘价：取每个交易日的第一个Open值，该交易日内所有时刻复用此值
• 当日截至当前最高：交易日内High的累计最大值
• 当日截至当前最低：交易日内Low的累计最小值
• 当前收盘价：直接复用原Close列（本身就是当前时刻的收盘价）
• 当日累计成交量：交易日内Vol的累计求和

代码实现 #

假设你的DataFrame索引是datetime类型，包含Open、High、Low、Close、Vol列：

import pandas as pd

# 确保索引为datetime类型（若尚未转换）
df.index = pd.to_datetime(df.index)

# 按日期分组
daily_groups = df.groupby(df.index.date)

# 新增当日累计指标列，保留原始数据与索引
df['Daily_Open'] = daily_groups['Open'].transform('first')
df['Daily_High'] = daily_groups['High'].transform('cummax')
df['Daily_Low'] = daily_groups['Low'].transform('cummin')
df['Daily_Close'] = df['Close']  # 直接复用当前时刻收盘价
df['Daily_Vol_Cum'] = daily_groups['Vol'].transform('cumsum')

性能优势说明 #

rolling.apply需要逐行调用自定义函数，存在大量Python层面的循环开销；而groupby.transform搭配cummax/cummin/first/cumsum都是Pandas基于C语言实现的向量化操作，能直接对整组数据批量计算，性能提升可达数倍甚至数十倍。

执行后你的DataFrame会保留所有原始列与索引，同时新增上述5个当日累计指标列。

内容的提问来源于stack exchange，提问作者user22245178