嘿，我来帮你搞定这个VWAP计算的问题～

为什么resample().apply()会报错？ #

你遇到的AttributeError核心原因是：resample().apply()在默认行为下（尤其是旧版pandas）会逐列处理你的DataFrame——它会把每一列的分组结果单独以Series的形式传给lambda函数，而不是把整个分组的DataFrame传进去。

举个例子，你的代码里lambda函数拿到的x，其实是先传入price列的分组Series，再传入volume列的分组Series。这时候你写x.price，相当于给一个Series对象找price属性，自然就报错了。

而你用groupby()的方式能成功，是因为groupby().apply()默认会把整个分组的DataFrame传给lambda，所以x.price能正确访问到对应的列。

正确的resample()写法 #

方法1：让apply()接收整个分组的DataFrame

在较新的pandas版本中，直接这样写就能让apply()传递整个分组的DataFrame：

All.resample('1D').apply(lambda df: np.average(df['price'], weights=df['volume']))

如果你的pandas版本偏旧（比如0.20.x及更早），可以显式设置raw=False来强制传递DataFrame：

All.resample('1D').apply(lambda df: np.average(df['price'], weights=df['volume']), raw=False)

方法2：更高效的向量化写法（推荐）

其实不需要用apply，我们可以用向量化操作直接计算VWAP，性能比逐组循环的apply好很多，尤其是数据量大的时候：

# 计算每日的(price*volume)总和，除以每日volume总和
vwap = (All['price'] * All['volume']).resample('1D').sum() / All['volume'].resample('1D').sum()

这个逻辑和VWAP的定义完全一致，而且运行速度更快。

内容的提问来源于stack exchange，提问作者friend1