Pandas实现多空动态仓位调整的高效方法咨询

完全可以替代你现在用的iterrows逐行遍历写法，且性能能提升几个数量级，完全匹配你提出的所有计算规则，不需要逐行循环读写单元格。

核心实现逻辑 #

整体利用Pandas原生的向量化、分组、填充能力，拆解为几个可批量计算的步骤，完全匹配规则要求：

• 先过滤出所有非空的买卖信号，跳过无信号的空值位置
• 标记需要换仓的节点：当新信号是首个有效信号、或和上一个有效信号符号异号时，判定为换仓
• 按换仓节点对连续同方向的信号做分组，同组内的信号做累计求和，实现“同向累加、异向重置”的效果
• 最后将计算好的有效位置向前填充（ffill），自动补全无信号位置的持仓延续值

可直接运行的实现代码 #

import numpy as np
import pandas as pd

df = pd.DataFrame({
    'buy_sell': [np.nan, 1, np.nan, 1, np.nan, np.nan, 1, -1, np.nan, -1, np.nan, 1, np.nan, -1],
    'position': np.nan
})

# 提取所有非空的有效买卖信号
valid_signals = df['buy_sell'].dropna()
# 标记换仓点：首个有效信号、信号与上一次持仓符号异号的位置
# 对shift产生的空值填充-1，保证首个信号被正确识别为换仓节点
flip_mask = (valid_signals * valid_signals.shift(1).fillna(-1)) <= 0
# 累计换仓标记生成分组ID，每换一次仓就归入新分组
group_ids = flip_mask.cumsum()
# 同组内累计信号值，自动实现同向累加、异向重置的逻辑
calc_position = valid_signals.groupby(group_ids).cumsum()
# 向前填充所有空位置的持仓值，匹配无信号时持仓延续的规则
df['position'] = calc_position.reindex(df.index).ffill()

规则匹配验证 #

跑出来的计算结果和你给出的df_expected完全逐行对齐：

• 首次出现信号时，因为首个信号没有前置持仓值，会被单独划分成组，累计结果直接等于信号值，符合初始建仓规则
• 后续连续同方向信号因为不会触发换仓标记，会在同一分组内做累加，符合同向加仓的规则
• 当收到和当前持仓异号的信号时，会被标记为新的换仓节点，单独成组累计，实现直接切换到对应信号值的换仓效果
• 无信号的空值位置会通过向前填充继承上一次的持仓值，符合持仓向后延续的要求
• 首次出现信号之前的位置会保留原始的nan值，完全匹配初始空持仓的规则

性能对比 #

当你处理百万级的行情序列时，原有iterrows逐行读写单元格的写法大概需要十几秒的运行时间，这套向量化写法仅需毫秒级完成计算，性能差距可达上千倍。如果后续遇到无法向量化的复杂逐行逻辑，也建议避免使用iterrows，改用Numba加速遍历的方案，性能同样远高于逐行读写Pandas单元格的实现。

内容的提问来源于stack exchange，提问作者Jack Moody