基于日期匹配的DataFrame减法：计算资产超额收益

任务
通过将df_A中的总收益减去df_B中的对应日期无风险利率，计算超额收益（公式：总收益 - 无风险利率 = 超额收益）。

问题
两个DataFrame（df_A与df_B）的长度、日期范围和结构均不相同，无法直接执行减法操作。以下是数据示例与期望结果：

当前数据 #

import pandas as pd
import numpy as np
data_A = np.array([['A', 2], ['A', 5], ['B', 8], ['B', -7], ['B', 2], ['B', 4], ['C', 3]])
index_A = np.array([['2003-01-31'], ['2004-02-28'], ['2003-01-31'], ['2004-02-28'], ['2008-06-30'], ['2010-03-31'], ['2003-01-31']])

df_A = pd.DataFrame(data=data_A, columns=['company', 'total return'], index=index_A)

data_B = np.array([[0.5], [0.2], [0.3], [0.4], [0.1], [1.2]])
index_B = np.array([['2000-01-31'], ['2002-02-28'], ['2003-01-31'], ['2004-02-28'], ['2010-03-31'], ['2012-04-30']])

df_B = pd.DataFrame(data=data_B, columns=['risk-free rate'], index=index_B)

期望结果 #

data_C = np.array([['A', 1.7], ['A', 4.6], ['B', 7.7], ['B', -7.4], ['B', 2], ['B', 3.9], ['C', 2.7]])
index_C = np.array([['2003-01-31'], ['2004-02-28'], ['2003-01-31'], ['2004-02-28'], ['2008-06-30'], ['2010-03-31'], ['2003-01-31']])

df_C = pd.DataFrame(data=data_C, columns=['company', 'total return'], index=index_C)

核心需求 #

• 匹配两个DataFrame的日期，将对应日期的无风险利率从df_A的所有总收益中扣除（如df_A中2003-01-31的所有公司总收益均减去该日期的无风险利率）；
• df_A中无对应日期的行（如2008-06-30）保持原数值不变；
• df_B中无对应总收益的日期（如2000-01-31）不参与计算。

已尝试过合并DataFrame和循环方法，寻求更优雅的解决方案。同时欢迎对提问方式提出改进建议。

可以利用Pandas的向量化索引操作，高效完成日期匹配与计算，无需循环或复杂合并：

# 先将df_A的总收益转为数值类型（示例中为字符串，需转换）
df_A['total return'] = pd.to_numeric(df_A['total return'])

# 按df_A的索引重新匹配df_B的无风险利率，缺失日期填充0（保证原数值不变）
matched_rates = df_B.reindex(df_A.index, fill_value=0)['risk-free rate']

# 计算超额收益
df_A['total return'] -= matched_rates

# 输出结果
print(df_A)

该方案通过reindex方法快速对齐两个DataFrame的日期索引，利用Pandas的向量化运算完成批量减法，代码简洁且性能高效，避免了循环带来的冗余与性能损耗。

提问方式改进建议 #

1. 可提前说明df_A中total return列的数据类型（示例中为字符串，实际处理需转换，补充后能减少试错成本）；
2. 若数据量较大，可补充说明数据规模，方便推荐更适配的性能优化方案；
3. 可将期望结果中的关键差异（如2008-06-30数值未变化）单独标注，让需求更直观清晰。

内容的提问来源于stack exchange，提问作者9Morgan8