如何用Pandas获取各股票High/Low极值对应的日期？

嘿，我完全懂你的需求——你已经能拿到每只股票的最高High和最低Low，但还想把这些极值对应的日期也一起捞出来对吧？作为Pandas新手，确实用groupby.agg()的时候，默认只会返回聚合后的数值，没法直接关联到原始行的日期，我来给你几个实用的解决办法：

方法一：用idxmax()/idxmin()定位极值行 #

这个方法最直接，先找到每个股票分组里，High最大值和Low最小值所在的行索引，再通过索引提取对应的完整行数据，最后合并结果：

import pandas as pd

# 假设你的DataFrame已经命名为df
# 获取每个股票High最大值对应的行索引，再提取整行
high_max_rows = df.loc[df.groupby('Stock')['High'].idxmax()]
# 获取每个股票Low最小值对应的行索引，再提取整行
low_min_rows = df.loc[df.groupby('Stock')['Low'].idxmin()]

# 合并两个结果，给日期列加后缀区分
result = high_max_rows[['Stock', 'Date', 'High']].merge(
    low_min_rows[['Stock', 'Date', 'Low']],
    on='Stock',
    suffixes=('_high_max', '_low_min')
)

print(result)

运行后你会得到对应样本数据的结果：

Stock Date_high_max   High Date_low_min    Low
0   ANZ    2019-01-29  33.79    2019-01-23  32.24
1   BHP    2019-01-30  35.40    2019-01-24  32.45
2   FMG    2019-01-31  35.14    2019-01-25  32.72

方法二：自定义聚合函数 #

如果你想在groupby里一步完成，可以写个自定义函数，每个分组里同时找到极值和对应的日期，返回一个Series：

def get_extremes_with_date(group):
    # 定位分组内High最大的行
    high_row = group.loc[group['High'].idxmax()]
    # 定位分组内Low最小的行
    low_row = group.loc[group['Low'].idxmin()]
    # 返回包含极值和日期的Series
    return pd.Series({
        'High_Max': high_row['High'],
        'High_Max_Date': high_row['Date'],
        'Low_Min': low_row['Low'],
        'Low_Min_Date': low_row['Date']
    })

# 应用到每个股票分组
result = df.groupby('Stock').apply(get_extremes_with_date).reset_index()
print(result)

这个方法的输出结构和方法一类似，列名可以根据需求自定义调整。

额外说明：处理多个日期对应同一极值的情况 #

如果某只股票有多个日期的High值等于最大值（或者Low值等于最小值），上面的idxmax()只会返回第一个出现的行索引。如果你想获取所有符合条件的行，可以用transform()生成每个行对应的分组极值，再用布尔索引筛选：

# 生成每个行对应的分组High最大值
high_max_per_stock = df.groupby('Stock')['High'].transform('max')
# 筛选所有High等于分组最大值的行
all_high_max_rows = df[df['High'] == high_max_per_stock]

# 同理处理Low最小值
low_min_per_stock = df.groupby('Stock')['Low'].transform('min')
all_low_min_rows = df[df['Low'] == low_min_per_stock]

这样就能拿到所有极值对应的记录啦～

内容的提问来源于stack exchange，提问作者MMA_Kiwi