Pandas MultiIndex DataFrame循环修改SIGNAL列值异常问题

你遇到的赋值异常核心是两个问题：

• 采用了df[x, 'SIGNAL'].loc[index]的链式索引写法，这种先切片取列、再在返回结果上做行赋值的操作，pandas无法保证操作的是原DataFrame还是临时副本，会出现赋值失效、全列被意外覆盖的不确定行为
• 逐行iterrows遍历本身是pandas里效率极低的写法，数据量稍大时运行速度会非常慢

直接使用pandas原生向量化操作，无链式索引问题，运行效率远高于逐行遍历，逻辑完全匹配需求：

# 若SIGNAL列已初始化为0可跳过此初始化步骤
for ticker in ticker_list:
    # 初始化当前股票的信号列
    df.loc[:, (ticker, 'SIGNAL')] = 0.0
    
    # 收盘价跌破布林下轨，信号设为1.0
    long_cond = df.loc[:, (ticker, 'close')] < df.loc[:, (ticker, 'BB_LOWER')]
    df.loc[long_cond, (ticker, 'SIGNAL')] = 1.0
    
    # 收盘价涨破布林上轨，信号设为-1.0
    short_cond = df.loc[:, (ticker, 'close')] > df.loc[:, (ticker, 'BB_UPPER')]
    df.loc[short_cond, (ticker, 'SIGNAL')] = -1.0

# 按要求排序多级列索引
df = df.sort_index(axis=1)

写法说明：

• 严格遵循df.loc[行筛选范围, (一级列名, 二级列名)]的pandas标准赋值语法，直接操作原DataFrame，从根源上避免链式索引的赋值异常
• 用布尔条件做批量判断，不满足上下轨突破条件的行会自动保留初始值0，不会出现全列被误改为-1的问题
• 向量化操作的运行速度比逐行遍历高1~2个数量级，适合处理行情类的大规模数据

如果有特殊原因必须保留逐行遍历逻辑，只需要修正赋值路径，避免链式索引即可，同时把两个独立if改为互斥判断：

for ticker in ticker_list:
    for idx, row in df[ticker].iterrows():
        if row['close'] < row['BB_LOWER']:
            df.loc[idx, (ticker, 'SIGNAL')] = 1.0
        elif row['close'] > row['BB_UPPER']:
            df.loc[idx, (ticker, 'SIGNAL')] = -1.0

df = df.sort_index(axis=1)

内容的提问来源于stack exchange，提问作者TRU_K