如何向量化pandas循环计算DataFrame的x日高低点并提升性能

我需要为DataFrame的每一行计算x日高点和x日低点。
x日高点指该值高于此前连续x天的对应高点，x日低点指该值低于此前连续x天的对应低点。

此前@mozway给出的答案在包含1.8万行的数据集上运行耗时约20秒，请问能否通过numpy广播等技术进一步优化性能？

2020-03-20的x_day_low值为1，因为其价格低于前1天的低点。
2020-03-27的x_day_high值为8，因为其价格高于前8天的高点。
下文给出了期望输出结果，以及通过for循环实现的findHighLow函数对应的测试代码。由于实际使用的DataFrame体量较大，请问如何对findHighLow进行向量化改造？

import pandas as pd
import numpy as np

def genMockDataFrame(days,startPrice,colName,startDate,seed=None): 
   
    periods = days*24
    np.random.seed(seed)
    steps = np.random.normal(loc=0, scale=0.0018, size=periods)
    steps[0]=0
    P = startPrice+np.cumsum(steps)
    P = [round(i,4) for i in P]

    fxDF = pd.DataFrame({ 
        'ticker':np.repeat( [colName], periods ),
        'date':np.tile( pd.date_range(startDate, periods=periods, freq='H'), 1 ),
        'price':(P)})
    fxDF.index = pd.to_datetime(fxDF.date)
    fxDF = fxDF.price.resample('D').ohlc()
    fxDF.columns = [i.title() for i in fxDF.columns]
    return fxDF

# 最小示例设置为15行，实际DataFrame约有18000行
number_of_rows = 15    

df = genMockDataFrame(number_of_rows,1.1904,'tttmmm','19/3/2020',seed=157)

def findHighLow (df):

    df['x_day_high'] = 0
    df['x_day_low'] = 0

    for n in reversed(range(len(df['High']))):
        for i in reversed(range(n)):
                if df['High'][n] > df['High'][i]:
                    df['x_day_high'][n] = n - i
                else: break

    for n in reversed(range(len(df['Low']))):
        for i in reversed(range(n)):
                if df['Low'][n] < df['Low'][i]:
                    df['x_day_low'][n] = n - i
                else: break
    return df

df = findHighLow(df)

最终输出需要和以下结果完全一致：

df[["High","Low","x_day_high","x_day_low"]]

             High     Low  x_day_high  x_day_low
date                
2020-03-19  1.1937  1.1832           0          0
2020-03-20  1.1879  1.1769           0          1
2020-03-21  1.1767  1.1662           0          2
2020-03-22  1.1721  1.1611           0          3
2020-03-23  1.1819  1.1690           2          0
2020-03-24  1.1928  1.1807           4          0
2020-03-25  1.1939  1.1864           6          0
2020-03-26  1.2141  1.1964           7          0
2020-03-27  1.2144  1.2039           8          0
2020-03-28  1.2099  1.2018           0          1
2020-03-29  1.2033  1.1853           0          4
2020-03-30  1.1887  1.1806           0          6
2020-03-31  1.1972  1.1873           1          0
2020-04-01  1.1997  1.1914           2          0
2020-04-02  1.1924  1.1781           0          9

内容的提问来源于stack exchange，提问作者nipy