如何用Python从股票价格DataFrame生成对数收益率DataFrame？

问题背景 #

你有一个包含日期（2022年9月30日至2022年11月30日，不含周末）和15只股票价格的DataFrame，希望避免逐列提取向量计算，用更高效的方式将价格替换为对数收益率，同时保留原表格结构。

示例数据 #

高效解决方案 #

利用Pandas的向量化操作（基于NumPy）可以一次性处理所有股票列，无需逐列循环，效率远高于手动提取向量计算。

步骤1：确保日期列格式正确

先将Date列转换为datetime类型（如果尚未转换）：

import pandas as pd
import numpy as np

# 假设你的DataFrame名为df
df['Date'] = pd.to_datetime(df['Date'], format='%d/%m/%y')

步骤2：批量计算对数收益率

对数收益率公式为：$r_t = \ln(P_t) - \ln(P_{t-1}) = \ln(P_t / P_{t-1})$，直接对所有股票列执行向量化运算：

# 筛选出所有股票列（排除Date列）
stock_columns = df.columns.drop('Date')

# 批量替换为对数收益率
df[stock_columns] = np.log(df[stock_columns]) - np.log(df[stock_columns].shift(1))

# 等价的简洁写法
# df[stock_columns] = np.log(df[stock_columns].div(df[stock_columns].shift(1)))

步骤3：处理首行NaN值

由于第一行没有前一日数据，计算后会生成NaN，可根据需求选择处理方式：

# 方式1：删除首行（无有效收益率数据）
df = df.dropna()

# 方式2：用0填充首行NaN（适合需要保留完整日期序列的场景）
df[stock_columns] = df[stock_columns].fillna(0)

说明 #

• 向量化操作避免了Python循环的性能损耗，处理15只股票甚至更多时效率优势明显
• 计算后完全保留原DataFrame的结构，仅替换价格数据为对数收益率

内容的提问来源于stack exchange，提问作者Guillem