pandas使用transform归一化股价时报ValueError传递项数不符如何解决

• 时间切片操作未生效：执行df.loc['2020-01-01':]后没有赋值回df，此时df仍然保留全量历史数据。同时如果读取数据时没有将Date列转换为Datetime格式并设置为索引，时间切片的逻辑也不会正常生效。
• transform调用逻辑错误：你定义的normalized函数接收了series参数，但函数内部全程没有使用该参数，反而直接调用全量的df['Adj Close']做计算，返回的是一整个和df行数长度相等的序列。而transform对单列调用时，预期自定义函数返回和输入单元长度匹配的结果，你相当于给每个位置都传入了一整段355个元素的数组，和预期的1个值不匹配，因此抛出该错误。

全局最小最大归一化不需要额外调用transform，直接对整列计算即可，完整代码如下：

import pandas as pd
import numpy as np

# 读取数据时直接解析日期并设置为索引
df = pd.read_csv('filename.csv', parse_dates=['Date'], index_col='Date')
# 完成时间切片并赋值回df，加copy避免后续操作出现链式赋值警告
df = df.loc['2020-01-01':'2023-05-31'].copy()

# 直接计算归一化值
min_adj = df['Adj Close'].min()
max_adj = df['Adj Close'].max()
df['Prices Normalized'] = (df['Adj Close'] - min_adj) / (max_adj - min_adj)

如果你需要保留transform的写法，只需要修改自定义函数，使用传入的series参数即可：

def normalized(series):
    minimum = series.min()
    maximum = series.max()
    return (series - minimum) / (maximum - minimum)

df['Prices Normalized'] = df['Adj Close'].transform(normalized)

补充说明：如果你的数据集包含多只股票的价格，需要按个股单独归一化，只需配合groupby使用即可：

df['Prices Normalized'] = df.groupby('Ticker')['Adj Close'].transform(normalized)

内容的提问来源于stack exchange，提问作者Alfredo Di Massimo