如何基于yfinance数据在多层列索引Pandas DataFrame中计算

你的问题出在原DataFrame的列是多层索引结构（第一层为指标类型、第二层为股票代码），直接用单层列名df.loc[:, 'newcolname']赋值，会因为列结构不匹配报错。以下是两种无需循环拆分字典的向量化解决方案，适合处理上千只股票的场景：

方法一：利用pd.concat构造匹配的多层列数据 #

先计算所有股票的High+Low，并将结果的列索引调整为和原DataFrame一致的多层结构，再合并到原数据中：

import pandas as pd
import yfinance as yf

# 假设已获取到多层索引的df（日期为行索引，列是(指标, 股票代码)）
# 计算High+Low，此时结果的列是股票代码（单层索引）
h_plus_l = df['High'] + df['Low']
# 将列索引转换为多层结构，第一层设为新指标名（比如'H+L'），第二层保留股票代码
h_plus_l.columns = pd.MultiIndex.from_tuples([('H+L', ticker) for ticker in h_plus_l.columns])
# 合并到原DataFrame
df = pd.concat([df, h_plus_l], axis=1)

方法二：用df.assign结合字典推导式直接新增列 #

通过字典推导构造多层列名与对应计算结果的映射，直接添加到原DataFrame：

# 获取所有唯一的股票代码
tickers = df.columns.get_level_values(1).unique()
# 构造新增列的字典：键是(新指标名, 股票代码)的元组，值是对应High+Low的Series
new_cols = {('H+L', ticker): df['High'][ticker] + df['Low'][ticker] for ticker in tickers}
# 批量新增列
df = df.assign(**new_cols)

这两种方法都是基于Pandas的向量化运算，性能远高于循环拆分字典的方式，完全适配上千只股票的计算需求。

内容的提问来源于stack exchange，提问作者user20758025