如何将涨跌成交量计算函数适配到Pandas滚动窗口？

核心思路 #

通过向量化预处理配合滚动窗口求和，替代逐窗口调用自定义函数的方式，既能实现每日的历史比率计算，又能保证计算效率。具体步骤如下：

步骤1：预处理涨跌成交量列 #

先为DataFrame新增两列，分别标记当日上涨/下跌时的成交量（非涨跌日成交量记为0）：

# 计算每日涨跌幅（首行Change为NaN，对应首日无涨跌数据）
df['Change'] = df['Close'].pct_change()

# 上涨日成交量：当日涨跌幅>0时取Volume，否则为0
df['Up_Volume'] = df.apply(lambda x: x['Volume'] if x['Change'] > 0 else 0, axis=1)
# 下跌日成交量：当日涨跌幅<0时取Volume，否则为0
df['Down_Volume'] = df.apply(lambda x: x['Volume'] if x['Change'] < 0 else 0, axis=1)

步骤2：滚动计算50天窗口的成交量总和 #

使用rolling(50)窗口分别计算上涨、下跌成交量的滚动总和：

# 滚动50天上涨成交量总和
df['Rolling_Up_Vol'] = df['Up_Volume'].rolling(window=50).sum()
# 滚动50天下跌成交量总和
df['Rolling_Down_Vol'] = df['Down_Volume'].rolling(window=50).sum()

步骤3：计算涨跌成交量比率 #

将两个滚动总和相除，同时处理下跌成交量总和为0的特殊情况（避免除以0错误）：

# 计算比率，保留两位小数；若下跌总和为0，设为None（也可自定义其他值）
df['Up_Down_Vol_Ratio'] = df.apply(
    lambda x: round(x['Rolling_Up_Vol'] / x['Rolling_Down_Vol'], 2) 
    if x['Rolling_Down_Vol'] != 0 else None,
    axis=1
)

完整代码示例 #

# 假设你的DataFrame名为df，包含Close和Volume列
df['Change'] = df['Close'].pct_change()
df['Up_Volume'] = df.apply(lambda x: x['Volume'] if x['Change'] > 0 else 0, axis=1)
df['Down_Volume'] = df.apply(lambda x: x['Volume'] if x['Change'] < 0 else 0, axis=1)

df['Rolling_Up_Vol'] = df['Up_Volume'].rolling(window=50).sum()
df['Rolling_Down_Vol'] = df['Down_Volume'].rolling(window=50).sum()

df['Up_Down_Vol_Ratio'] = df.apply(
    lambda x: round(x['Rolling_Up_Vol'] / x['Rolling_Down_Vol'], 2) if x['Rolling_Down_Vol'] != 0 else None,
    axis=1
)

# 查看最近20天的计算结果
print(df[['Close', 'Volume', 'Up_Down_Vol_Ratio']].tail(20))

效率说明 #

直接用rolling.apply调用原自定义函数虽然可行，但逐窗口处理的效率极低（数据量大时尤为明显）。上述向量化+滚动求和的方式利用Pandas内置优化，计算速度会提升数倍甚至数十倍。

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