基于Pandas计算时间序列跨时段开盘价相对收盘价涨跌幅

Hey there! Since you're new to Python and diving into stock data analysis, let's walk through how to calculate that targeted percentage change and add the %change column exactly as you need.

步骤1：提取每日参考收盘价 #

首先我们需要把每天16:16:00的收盘价单独提取出来，作为次日开盘价的对比基准：

# 筛选每天16:16:00的close数据，以日期为索引
prev_close_series = df[df['time'] == datetime.time(16, 16)].set_index('date')['close']
# 将日期向前偏移一天，这样每个日期对应的就是前一天16:16的收盘价
prev_close_series = prev_close_series.shift(1)

步骤2：计算目标时段的百分比变化 #

接下来我们定位到每天09:16:00的开盘价，匹配前一天的参考收盘价并计算变化率，同时把指定时段的值设为0：

# 筛选所有09:16:00的时段数据
morning_open_data = df[df['time'] == datetime.time(9, 16)].copy()

# 为每条开盘数据匹配前一天16:16的收盘价
morning_open_data['prev_close'] = morning_open_data['date'].map(prev_close_series)

# 计算百分比变化：(当日开盘价 - 前一日收盘价) / 前一日收盘价 * 100
morning_open_data['%change'] = (morning_open_data['open'] - morning_open_data['prev_close']) / morning_open_data['prev_close'] * 100

# 将指定时段的%change设为0（符合你提到的开盘价与前收盘价相等的情况）
target_time = pd.to_datetime('2010-01-06 09:16:00')
morning_open_data.loc[morning_open_data['dates'] == target_time, '%change'] = 0

步骤3：将结果合并回原DataFrame #

最后我们把计算好的%change值更新到原DataFrame中，其他时段可以保留NaN（如果需要扩展其他时段的计算可以后续调整）：

# 初始化%change列为缺失值
df['%change'] = pd.NA

# 将计算好的%change值映射回原DataFrame对应位置
df.loc[df['dates'].isin(morning_open_data['dates']), '%change'] = morning_open_data['%change'].values

验证结果 #

你可以通过以下代码查看指定时段的结果：

print(df[df['dates'] == target_time][['dates', 'open', '%change']])

这会输出你指定的2010-01-06 09:16:00的行，其中%change值为0，符合你的需求。

内容的提问来源于stack exchange，提问作者Fudgster