如何高效计算Pandas中每行时间前后1小时内的价格总和？

看起来你需要按date分组，计算每个日期内从当前行（按时间先后）到最晚时间的价格累计和，同时保留原DataFrame的顺序。下面是高效的实现方案，完全适配大数据量的处理需求：

步骤1：准备数据并统一时间格式 #

首先把hour和minute转换成总分钟数，这样能更方便地按时间排序：

import pandas as pd

# 构造你的示例数据
data = {
    'id': [1,2,3,4,5,6,7,8],
    'price': [10,4,5,6,1,7,3,2],
    'hour': ['03','03','02','03','04','05','02','01'],
    'minute': ['07','59','21','47','28','50','01','23'],
    'date': ['01/11','01/11','01/11','02/09','02/04','01/11','01/11','01/11']
}
df = pd.DataFrame(data)

# 将小时+分钟转换为总分钟数，用于后续时间排序
df['total_minutes'] = df['hour'].astype(int) * 60 + df['minute'].astype(int)

步骤2：高效计算分组反向累计和 #

为了避免低效的逐组遍历，我们使用Pandas原生的向量化操作，这在处理大数据时速度提升非常明显：

# 先按日期、时间升序排序
sorted_df = df.sort_values(by=['date', 'total_minutes'])

# 对每个日期分组计算价格累计和，再反转得到「当前行到最晚时间的总和」
sorted_df['cumprice'] = sorted_df.groupby('date')['price'].cumsum()[::-1]

# 通过id将计算好的cumprice合并回原DataFrame，恢复原始顺序
df = df.merge(sorted_df[['id', 'cumprice']], on='id', how='left')

# 清理临时列
df = df.drop('total_minutes', axis=1)

结果说明 #

运行后得到的结果如下（如果你的cumprice定义是其他逻辑，比如时间早于当前行的总和，只需调整排序方向或累计和的顺序即可）：

效率说明 #

这个方案完全依赖Pandas底层优化的向量化操作（sort_values、groupby.cumsum），比用apply逐组遍历快数倍，即使处理百万级别的数据也能保持高效。最后通过merge恢复原顺序，确保数据结构和原始输入一致。

内容的提问来源于stack exchange，提问作者get data