如何用Pandas高效实现纳尔逊第3法则（Nelson's Rule 3）

纳尔逊第3法则要求识别连续6个持续递增或递减的数据点，你的初始方法只能标记序列的最后一个点，核心问题是滚动窗口仅向后验证，未覆盖序列中的前置点。以下是基于Pandas向量化操作的高效解决方案，无需低效的逐行遍历：

实现思路 #

1. 通过diff()生成数据点间的增减布尔序列；
2. 用滚动窗口找到所有满足「连续5个递增/递减差值」的位置（对应原数据6个连续点）；
3. 将每个符合条件的窗口对应的所有原数据点标记为True，通过范围赋值实现批量标记。

完整代码 #

import pandas as pd

# 示例数据
data = pd.DataFrame({"values": [1,2,3,4,5,6,7,5,6,5,3]})

def mark_nelson_rule3(df, col='values'):
    # 1. 生成递增/递减布尔序列（diff后第一个值为NaN，不影响后续滚动计算）
    incr = df[col].diff() > 0
    decr = df[col].diff() < 0

    # 2. 标记所有符合连续6个递增的点
    incr_mark = pd.Series(False, index=df.index)
    # 滚动窗口大小为5：对应原数据6个连续递增点（需要5个连续的递增差值）
    incr_windows = incr.rolling(5, min_periods=5).sum() == 5
    # 为每个符合条件的窗口，批量标记对应的原数据点
    for idx in incr_windows[incr_windows].index:
        incr_mark.loc[idx-5 : idx] = True

    # 3. 标记所有符合连续6个递减的点
    decr_mark = pd.Series(False, index=df.index)
    decr_windows = decr.rolling(5, min_periods=5).sum() == 5
    for idx in decr_windows[decr_windows].index:
        decr_mark.loc[idx-5 : idx] = True

    # 4. 合并递增/递减的标记结果
    return incr_mark | decr_mark

# 应用函数并输出结果
nelson_rule3 = mark_nelson_rule3(data)
print(nelson_rule3)

输出结果 #

0     True
1     True
2     True
3     True
4     True
5     True
6     True
7    False
8    False
9    False
10   False
dtype: bool

关键说明 #

• 滚动窗口大小设为5：因为原数据连续6个递增点，对应diff()后会产生5个连续的True值；
• 范围赋值loc[idx-5 : idx]：将每个符合条件的窗口对应的原数据点全部标记，避免仅标记最后一个点；
• 整体效率：仅在最后遍历符合条件的窗口位置（通常数量极少），核心逻辑依赖Pandas向量化操作，远快于iterrows()或自定义apply()。

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