如何基于多条件在不同维度DataFrame给股价表新增持仓列？

步骤概述 #

核心思路是先计算每只股票在各交易日期的累计持仓，再通过时间匹配将持仓数据映射到股价表的对应日期，最后填充无交易日期的持仓值。

代码实现 #

import pandas as pd

# 假设交易记录表为 trades_df，股价表为 prices_df

# 1. 预处理交易表：统一日期格式，计算累计持仓
trades_df['Date'] = pd.to_datetime(trades_df['Date'])
# 按股票代码+交易日期排序，确保累计计算顺序正确
trades_df = trades_df.sort_values(['Ticker', 'Date'])
# 按股票分组，累计持仓（买入为正，卖出为负，直接累加）
trades_df['cum_position'] = trades_df.groupby('Ticker')['Position'].cumsum()

# 2. 预处理股价表：将索引日期转为列，统一格式并排序
prices_df = prices_df.reset_index().rename(columns={'index': 'Date'})
prices_df['Date'] = pd.to_datetime(prices_df['Date'])
prices_df = prices_df.sort_values(['Ticker', 'Date'])

# 3. 时间匹配：给每个股价日期匹配对应股票的最新累计持仓
merged_df = pd.merge_asof(
    prices_df,
    trades_df[['Ticker', 'Date', 'cum_position']],
    on='Date',          # 按日期匹配
    by='Ticker',        # 同股票内匹配
    direction='backward'# 取不晚于当前股价日期的最近交易记录
)

# 4. 填充持仓值：无交易日期沿用前一日持仓，初始无交易时设为0
merged_df['Position'] = merged_df.groupby('Ticker')['cum_position'].ffill().fillna(0)

# 5. 恢复股价表原结构（可选）
final_prices_df = merged_df.set_index('Date').drop('cum_position', axis=1)

关键逻辑说明 #

• 累计持仓计算：先对交易表按股票和日期排序，再分组累加持仓量，确保每笔交易后持仓更新正确（比如示例中MSFT两次买入后累计30股）。
• 时间匹配（merge_asof）：相比普通merge，merge_asof能高效按时间顺序匹配最近的前置记录，避免嵌套循环的性能问题，同时保证日期匹配的准确性。
• 持仓填充：用ffill向前填充无交易日期的持仓，确保股价表中每一天都能显示当前实际持仓，初始无交易的日期持仓设为0。

适配卖出场景 #

如果交易表中有卖出操作（Position为负数），代码无需修改，cumsum会自动完成减法计算，正确更新累计持仓。

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