Python使用Numpy、Pandas对单列数据按索引循环执行累加操作的方案咨询

方案1：NumPy向量化实现（推荐，性能远高于循环，适合大量行情数据） #

无需手动写循环，通过数组重塑即可实现动态配对运算，自动适配任意长度的输入：

import numpy as np

# 示例Volume列对应的NumPy数组
vol_arr = np.array([9212, 3021, 3201, 3921, 2010, 1999])

# 可选：兼容奇数行长度，自动截断最后一行
# vol_arr = vol_arr[:len(vol_arr)//2 * 2]

# 将数组重塑为N行2列结构，每一行对应一组待运算的配对数据
vol_2col = vol_arr.reshape(-1, 2)

# 配对相加，替换为其他运算逻辑即可扩展：比如求差vol_2col[:,1] - vol_2col[:,0]、求乘积vol_2col[:,0] * vol_2col[:,1]
result = vol_2col.sum(axis=1)

print(result)
# 输出：[12233  7122  4009] 完全匹配示例计算结果

方案2：Python原生循环实现（适合需要自定义复杂逻辑的场景） #

通过设置循环步长为2，自动遍历所有配对行，无需手动指定行ID：

vol_list = [9212, 3021, 3201, 3921, 2010, 1999]
result = []

# 步长设为2，每次取i和i+1的数值配对
for i in range(0, len(vol_list), 2):
    # 兼容奇数行避免索引越界
    if i + 1 < len(vol_list):
        # 可直接替换为其他运算逻辑
        res = vol_list[i] + vol_list[i+1]
        result.append(res)

print(result)
# 输出：[12233, 7122, 4009]

方案3：Pandas直接处理（无需转NumPy数组的场景） #

如果还需要保留原DataFrame的其他列做关联处理，可直接通过分组实现：

import pandas as pd

df = pd.DataFrame({'Volume': [9212, 3021, 3201, 3921, 2010, 1999]})
# 每两行分为一组做运算，可将sum替换为其他自定义运算函数
result = df.groupby(df.index // 2)['Volume'].sum()
print(result)

方案选择建议 #

• 处理10万行以上的历史行情数据优先选NumPy向量化方案，性能比原生循环高几十上百倍
• 需要做复杂自定义运算、数据量小的场景可选循环方案
• 需要关联其他列数据做同步处理的场景优先选Pandas分组方案

内容的提问来源于stack exchange，提问作者Mathias Albrechtsen