如何用Pandas生成每日对应周度OHLC及Close的简单移动平均线？

需求1：每日生成截至当日的当周OHLC数据 #

现有每日股票OHLC数据：

需要为每个交易日生成截至当日的当周OHLC数据（示例如下），但用resample('W')只能得到周五的结果，想知道能否用Pandas实现，还是必须循环迭代？

需求2：计算Weekly Close的2周简单移动平均线（SMA） #

得到上述周度数据后，需要为每个交易日计算Weekly Close的2周SMA，示例如下：

想知道能否用pandas_ta库实现，还是必须循环迭代？

一、生成每日截至当日的当周OHLC数据 #

完全可以用Pandas实现，无需循环。核心是按周分组后，对组内数据做累计计算：

1. 先处理数据格式，将日期转为datetime类型并设为索引：

import pandas as pd

# 构造示例数据
data = {
    'Date': ['31-Oct-22', '1-Nov-22', '2-Nov-22', '3-Nov-22', '4-Nov-22'],
    'Daily Open': [17910.2, 18130.7, 18177.9, 17968.35, 18053.4],
    'Daily High': [18022.8, 18175.8, 18178.75, 18106.3, 18135.1],
    'Daily Low': [17899.9, 18060.15, 18048.65, 17959.2, 18017.15],
    'Daily Close': [18012.2, 18145.4, 18082.85, 18052.7, 18117.15]
}
df = pd.DataFrame(data)
df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)

2. 按周分组并计算累计指标：

• Weekly Open：取组内首个交易日的开盘价，用transform('first')保留每日行
• Weekly High：组内截至当日的最高价格，用cummax()计算累计最大值
• Weekly Low：组内截至当日的最低价格，用cummin()计算累计最小值
• Weekly Close：直接取当日收盘价

代码实现：

# 按周分组（默认周日为周末，若需周一为周末可调整为freq='W-MON'）
weekly_group = df.groupby(pd.Grouper(freq='W'))

df['Weekly Open'] = weekly_group['Daily Open'].transform('first')
df['Weekly High'] = weekly_group['Daily High'].cummax()
df['Weekly Low'] = weekly_group['Daily Low'].cummin()
df['Weekly Close'] = df['Daily Close']

# 整理结果（可选）
result_ohlc = df[['Weekly Open', 'Weekly High', 'Weekly Low', 'Weekly Close']].reset_index()
print(result_ohlc)

运行后即可得到和需求示例完全一致的每日当周累计OHLC数据。

二、计算Weekly Close的2周SMA #

可以用pandas_ta轻松实现，无需循环。从示例数据看，2周SMA是取前一周最终收盘价与当前周截至当日收盘价的均值，实现步骤如下：

import pandas_ta as ta

# 1. 提取每周最后一个交易日的收盘价（即周度最终Close）
weekly_close = df['Weekly Close'].resample('W').last()

# 2. 用pandas_ta计算2周SMA
weekly_sma = ta.sma(weekly_close, length=2)

# 3. 将周度SMA映射回每日数据：每个交易日对应其所在周的SMA值
df['week_label'] = df.index.to_period('W')
sma_map = weekly_sma.to_dict()
df['2weekSMA'] = df['week_label'].map(sma_map)

# 查看结果（需补充后续交易日数据后运行）
print(df[['Weekly Close', '2weekSMA']].reset_index())

如果需求是滚动窗口包含当前未完成周的累计均值，也可以直接对Weekly Close列结合rolling()和groupby实现，但上述方式更贴合示例中的计算逻辑。

内容的提问来源于Stack Exchange，提问作者X Y