基于Pandas DataFrame按日计算VWAP指标的实现方法问询

DevOps 小满

2026-8-14

按日计算分时股票数据的VWAP（成交量加权平均价）

问题背景

现有分时股票数据存储在DataFrame中，原代码计算的VWAP是基于全量数据的累计值，无法实现按日独立计算——即仅用当日分时数据累计，不跨日计算VWAP。

解决方案

核心逻辑是按日期分组处理，对每个交易日的分时数据单独计算VWAP，再合并回原DataFrame。具体步骤如下：

转换日期格式并提取分组键，确保同一交易日的分时数据被归为一组；
定义VWAP计算函数，对每组数据单独执行累计计算；
通过分组应用函数完成计算，合并结果。

完整代码

import pandas as pd

# 假设数据已加载到df中
# 1. 转换Date列为datetime类型，提取纯日期作为分组键
df['Date'] = pd.to_datetime(df['Date'])
df['trade_date'] = df['Date'].dt.date

# 2. 定义单组VWAP计算函数
def calc_daily_vwap(group):
    volume = group['Volume']
    typical_price = (group['Low'] + group['Close'] + group['High']) / 3
    group['vwap'] = (typical_price * volume).cumsum() / volume.cumsum()
    return group

# 3. 按日期分组计算，合并结果
df = df.groupby('trade_date').apply(calc_daily_vwap)

# 可选：删除临时分组列
df = df.drop('trade_date', axis=1)

代码说明

pd.to_datetime(df['Date'])：将字符串格式的日期转为datetime对象，方便后续提取日期部分；
df['Date'].dt.date：提取不含时分秒的纯日期（如2022-05-02），作为分组依据，确保同一天的分时数据被归为一组；
groupby('trade_date').apply(calc_daily_vwap)：对每个交易日的数据单独执行VWAP计算，每组的cumsum()仅在当日数据内累计，完全隔离不同日期的数据；
VWAP计算逻辑与原代码一致：先计算典型价格typical_price，再通过(典型价格×成交量)累计和 / 成交量累计和得到当日逐时段的VWAP。