如何在Pandas+FreqTrade中高效实现Trend列按Up值规则填充？

问题背景 #

我用Python Pandas结合FreqTrade工具时，遇到了DataFrame的列填充问题，现有DataFrame结构如下：

import pandas as pd

data = {
    'high': [123, 222, 333, 555, 231],
    'low': [112, 121, 231, 444, 211],
    'up': [0, 1, 1, 0, 0],
    'trend': [0, 0, 0, 0, 0]
}
df = pd.DataFrame(data)

需要基于up列的值填充trend列，规则是：

• 当up == 1时，trend = low - high（最初尝试过high/low，后来更新了规则）
• 当up == -1时，trend = high + low
• 当up == 0时，trend沿用前一行的trend值

最初尝试的问题 #

一开始写了批量赋值的代码：

# 设置up=1时的trend值
df.loc[df["up"] == 1, "trend"] = df["high"] / df["low"]
# 设置up=0时沿用前值
df.loc[df["up"] == 0, "trend"] = df["trend"].shift(1)

但输出不符合预期：

问题出在Pandas的批量赋值是基于原始数据的，shift(1)取的是赋值前的前一行值，没法实现连续的向前填充。

临时低效方案 #

后来更新了填充规则，但只能用循环解决，效率很低：

maxRange = len(df.trend)
for x in range(maxRange):
    df.loc[df["up"] == 0, "trend"] = df["trend"].shift(1)

需要找无循环的高效实现方法。

高效无循环实现方案 #

核心思路是先算出所有trend的"锚点值"（即up不为0时的计算值），再用Pandas的向前填充（ffill）批量处理up==0的情况，全程用向量化操作，不用循环。

完整代码示例 #

import pandas as pd

data = {
    'high': [123, 222, 333, 555, 231],
    'low': [112, 121, 231, 444, 211],
    'up': [0, 1, 1, 0, 0],
    'trend': [0, 0, 0, 0, 0]
}
df = pd.DataFrame(data)

# 第一步：把up==0的trend设为NA，只保留锚点位置的值
df['trend'] = df.apply(
    lambda row: row['trend'] if row['up'] != 0 else pd.NA,
    axis=1
)

# 第二步：计算不同up值对应的trend锚点值
df.loc[df['up'] == 1, 'trend'] = df['low'] - df['high']
df.loc[df['up'] == -1, 'trend'] = df['high'] + df['low']

# 处理第一行的特殊情况：如果第一行up=0，保留初始值（按需调整）
if pd.isna(df.iloc[0]['trend']):
    df.iloc[0]['trend'] = 0

# 第三步：向前填充所有up==0的位置
df['trend'] = df['trend'].ffill()

print(df)

输出结果 #

high  low  up  trend
0   123  112   0    0.0
1   222  121   1 -101.0
2   333  231   1 -102.0
3   555  444   0 -102.0
4   231  211   0 -102.0

原理说明 #

• ffill()（即向前填充）会自动把每一个NA值替换为上一个非NA的值，完美匹配up==0时沿用前值的需求。
• 先设置锚点再填充的方式，完全利用Pandas的向量化运算，比循环效率高几个量级，尤其适合大数据量的场景。

内容的提问来源于stack exchange，提问作者IT Proger