DataFrame内分组算术运算问题：多股票时间序列1月收益率跨股票计算错误的解决咨询

我懂你这个痛点！合并多只股票的时间序列后，跨股票计算收益率确实容易踩这个坑——尤其是每只股票的索引又重新从0开始，很容易让pandas误以为前后行是同一只股票的连续数据，导致像你说的ITC和SHREECEM收益率串了的情况。

不用纠结for循环了，Pandas的groupby天生就是用来解决这种分组独立计算的场景，比手动写循环高效太多，还不容易出错。

具体解决方案 #

1. 先确认你的DataFrame结构 #

假设你的DataFrame包含以下关键列：

• Stock_Name：区分不同股票的列（核心分组依据）
• Price：用来计算收益率的价格数据（比如收盘价）
• 其他你需要的时间/指标列

2. 一行代码实现分组计算1月收益率 #

直接用groupby按股票名称分组，然后对价格列调用pct_change()计算环比收益率：

# 按股票名称分组，计算每组内的价格环比变化（即1月收益率）
df['1Mreturn'] = df.groupby('Stock_Name')['Price'].pct_change(periods=1)

• groupby('Stock_Name')：把整个DataFrame拆成一个个独立的子数据集，每个子集对应一只股票的所有数据，完全隔离
• pct_change(periods=1)：在每个子数据集中，计算当前行价格与前一行的百分比变化，这样每只股票的第一行（索引0）会自动生成NaN，完美符合你要的预期。

如果你非要用for循环（不推荐） #

如果之前的for循环没成功，大概率是没正确筛选出单只股票的子数据，导致计算时用到了整个大表的行。可以这样修正：

import numpy as np

# 先初始化收益率列为NaN
df['1Mreturn'] = np.nan

# 遍历每一只唯一的股票
for stock in df['Stock_Name'].unique():
    # 筛选出当前股票的所有数据
    stock_subset = df[df['Stock_Name'] == stock]
    # 计算该股票的收益率
    stock_returns = stock_subset['Price'].pct_change(periods=1)
    # 将结果赋值回原DataFrame的对应位置
    df.loc[df['Stock_Name'] == stock, '1Mreturn'] = stock_returns

但还是强烈推荐用groupby的写法，代码更简洁，数据量大的时候运行速度也快很多。

验证结果是否正确 #

计算完后，你可以检查每只股票的第一行收益率是否为NaN：

# 提取每只股票的第一行数据
first_entries = df.groupby('Stock_Name').nth(0)
# 打印第一行的1Mreturn值
print(first_entries['1Mreturn'])

所有结果都应该是NaN，而后续行的收益率都是基于同一只股票的历史数据计算的，不会再出现跨股票的错误。

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