Pandas进阶透视：按公司IPO后日期重构股价数据表

步骤1：提取IPO日期并计算相对天数 #

先把原始宽格式数据（行=日期，列=ticker）转成长期格式，再定位每个公司的IPO日期，计算每条记录对应IPO后的天数：

import pandas as pd

# 原始数据：行是日期，列是各公司ticker，值为股价（IPO前为NaN）
# 转成长期格式：日期、ticker、股价三列
df_long = original_df.reset_index().melt(id_vars='日期', var_name='ticker', value_name='股价')

# 找出每个公司的IPO日期（第一个非NaN股价对应的日期）
ipo_dates = df_long.dropna(subset=['股价']).groupby('ticker')['日期'].min()

# 将IPO日期合并到数据表中
df_long = df_long.merge(ipo_dates.rename('ipo_date'), on='ticker')

# 计算当前日期距离IPO日的天数（IPO当日为0，之后第1天为1，以此类推）
df_long['ipo_day'] = (df_long['日期'] - df_long['ipo_date']).dt.days

# 过滤出IPO后1-180天的数据
df_filtered = df_long[(df_long['ipo_day'] >= 1) & (df_long['ipo_day'] <= 180)]

步骤2：重构为目标格式 #

用pivot方法将数据转成以ticker为行、IPO后天数为列的结构：

# 生成目标表
result = df_filtered.pivot(index='ticker', columns='ipo_day', values='股价')

# 可选：给列名重命名为更直观的格式
result.columns = [f'IPO后第{day}天' for day in result.columns]

补充说明 #

• 如果原始数据本身就是长期格式（每行是日期+ticker+股价），可跳过第一步的melt操作，直接计算相对天数
• 若同一公司同一天有多个股价记录，可先通过groupby(['ticker','日期']).mean()（或其他聚合逻辑）去重

内容的提问来源于stack exchange，提问作者Roman G