如何用Python高效计算价格动量？基于n日滚动均值实现

嘿，我太懂你这种用循环处理大数据集卡到崩溃的感受了！你的循环写法在小数据集上没问题，但面对5000+行数据时，逐行切片、赋值的操作会让Python慢到离谱——毕竟Python的循环本身就不是为这种批量计算设计的。咱们直接用向量化操作来解决，速度能提升好几个数量级！

先理清楚你的需求 #

你定义的规则是：

• 当日涨跌幅>0时，动量标记为1；否则为-1
• 计算过去3日动量的平均值，前2天数据不足3个窗口，返回NaN

第一步：高效生成动量列 #

你原来用apply的方法虽然能工作，但np.where的向量化写法会更快（尤其是大数据集）：

import numpy as np
import pandas as pd

# 模拟你的涨跌幅数据
df = pd.DataFrame({'close in percent': np.array([0.27772152, 1.05468772, 0.124156 , -0.39298394, 0.56415267, 1.67812005])})

# 向量化生成动量列，比apply快得多
df['momentum'] = np.where(df['close in percent'] > 0, 1, -1)

执行后df['momentum']就是你想要的[1,1,1,-1,1,1]。

第二步：用滚动窗口计算平均动量 #

Pandas内置的rolling函数专门用来处理这类滑动窗口计算，完全是向量化实现，速度超快：

# 窗口大小3，min_periods=3表示必须凑齐3个数据才计算均值，否则返回NaN
df['3_day_momentum'] = df['momentum'].rolling(window=3, min_periods=3).mean()

运行后你会得到完全符合预期的结果：

备选方案：用Numpy卷积实现 #

如果你更习惯纯数组操作，Numpy的convolve函数也能高效完成计算：

window_size = 3
mom_array = df['momentum'].values

# 用卷积计算窗口内的总和（窗口是全1的数组），mode='valid'只保留完全覆盖的窗口
window_sums = np.convolve(mom_array, np.ones(window_size), mode='valid')

# 前面补window_size-1个NaN，再除以窗口大小得到平均值
price_momentum = np.concatenate([[np.nan]*(window_size-1), window_sums / window_size])
df['3_day_momentum'] = price_momentum

这个方法的速度和Pandas的rolling差不多，适合不需要DataFrame，直接操作数组的场景。

为什么这些方法更快？ #

原来的循环是在Python层面逐行处理，每一步都要做切片、数组转换、赋值等开销极大的操作；而向量化操作是调用底层的C语言实现，一次性处理整个数据集，效率提升至少几百倍——5000行数据用这两种方法，绝对能在毫秒级完成，再也不用等10分钟啦！

内容的提问来源于stack exchange，提问作者GRS