基于DataFrame股票价格列多条件行值比较及投票机制实现求助

以下是完整的可运行代码，完全匹配你描述的需求逻辑：

import pandas as pd
import numpy as np

# 1. 构造示例数据（匹配你提供的样例）
np.random.seed(0)
df = pd.DataFrame({'Close': np.random.uniform(0, 100, size=5)})
# 手动设置change列，模拟实际数据
df['change'] = [np.nan, 16.637586, -11.242599, -5.788019, -12.122838]

# 2. 设置阈值（0-1范围，这里以0.5为例，可根据需求调整）
threshold = 0.5

# 3. 步骤1：计算相邻change的差值并生成判断值
# 计算后一个change与前一个的差值（对应1&2、2&3、3&4的索引对）
diff_change = df['change'].diff()
# 处理NaN值（第一个差值无前置数据，设为0）
diff_change = diff_change.fillna(0)

# 根据阈值生成1/-1/0的判断列
judge = np.where(
    diff_change > threshold, 1,
    np.where(diff_change < -threshold, -1, 0)
)

# 4. 步骤2：实现多数投票逻辑（含特殊规则）
def vote(window):
    # 统计-1、0、1的出现次数
    count_neg1 = (window == -1).sum()
    count_0 = (window == 0).sum()
    count_1 = (window == 1).sum()
    
    # 特殊规则：若三个值分别为1、0、-1，直接返回0
    if count_neg1 == 1 and count_0 == 1 and count_1 == 1:
        return 0
    # 多数投票逻辑
    max_count = max(count_neg1, count_0, count_1)
    if count_1 == max_count:
        return 1
    elif count_neg1 == max_count:
        return -1
    else:
        return 0

# 5. 步骤3：滑动窗口应用投票，生成Result列
# 将判断值转为Series，使用滑动窗口（窗口大小3）
judge_series = pd.Series(judge)
# 对每个连续3组判断值应用投票函数
result_rolling = judge_series.rolling(window=3).apply(vote, raw=True)
# 填充NaN值（前两行无法形成完整窗口，设为0）并转为整数
df['Result'] = result_rolling.fillna(0).astype(int)

# 输出结果
print(df)

分步解释： #

1. 数据构造：模拟你提供的股票收盘价和涨跌幅数据，确保测试环境与需求一致。
2. 阈值设置：可根据实际需求调整threshold的值（范围0-1）。
3. 差值计算与判断：
   • 用diff()计算相邻涨跌幅的差值（后值减前值），对应你要求的1&2、2&3等索引对。
   • 用np.where()嵌套实现三分支判断：差值>阈值返回1，<-阈值返回-1，否则返回0。
4. 投票逻辑实现：
   • 自定义vote()函数，先检查特殊规则（1、0、-1各出现一次时返回0）。
   • 统计各值出现次数，返回出现次数最多的结果；若次数相同（除特殊规则外），返回0。
5. 滑动窗口生成结果：
   • 使用rolling(window=3)创建连续3组的滑动窗口，对每个窗口应用投票函数。
   • 前两行无法形成完整窗口，用fillna(0)填充，最终得到与原数据行数一致的Result列。

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