Pandas中基于另一表进出场日期对计算持仓期每日价格变动

核心思路 #

你之前用iterrows()容易出错的核心原因有两个：一是没有统一日期字段的存储格式，字符串比对时容易出现匹配错位；二是逐行配对交易条目时没有做批量区间检索，不仅效率低，还容易出现奇偶行配对混淆的问题。可以通过「结构化拆分交易对→区间批量匹配→差值计算」三步完成，全程不需要逐行遍历。

分步实现代码 #

1. 基础格式统一 #

首先把两个表的日期字段从字符串转为标准datetime格式，从根源上避免日期比对错误：

import pandas as pd

# 转换日度价格表日期格式
daily_prices_df['Date'] = pd.to_datetime(daily_prices_df['Date'])
# 转换交易记录表日期格式
trades_df['Date'] = pd.to_datetime(trades_df['Date'])

2. 拆分配对交易对 #

你的trades_df是按「入场记录、出场记录」顺序依次排列的，直接把奇偶索引拆成两个子表再拼接，就能得到每笔交易的完整区间：

# 提取所有入场记录：索引为0,2,4...的行
entry_records = trades_df.iloc[::2].reset_index(drop=True).rename(
    columns={'Date': 'entry_date', 'Price': 'entry_price'}
)
# 提取所有出场记录：索引为1,3,5...的行
exit_records = trades_df.iloc[1::2].reset_index(drop=True).rename(
    columns={'Date': 'exit_date', 'Price': 'exit_price'}
)
# 拼接为标准交易区间表
trade_ranges = pd.concat([entry_records, exit_records], axis=1)

3. 批量匹配交易日对应持仓 #

用IntervalIndex构造可检索的日期区间，直接给每个交易日匹配所属持仓对应的入场价格，不需要逐行遍历比对：

# 为每笔交易构造包含入/出场日的闭区间
trade_ranges['hold_interval'] = trade_ranges.apply(
    lambda row: pd.Interval(
        left=row['entry_date'], 
        right=row['exit_date'], 
        closed='both'
    ),
    axis=1
)
# 建立可快速检索的区间索引
interval_index = pd.IntervalIndex(trade_ranges['hold_interval'])
# 批量匹配每个交易日对应的入场价格
daily_prices_df['entry_price_match'] = trade_ranges['entry_price'].iloc[
    interval_index.get_indexer(daily_prices_df['Date'])
].values

4. 计算价格差值 #

直接用当日收盘价减去匹配到的入场价格，生成最终的Price_Diff列：

daily_prices_df['Price_Diff'] = daily_prices_df['Close'] - daily_prices_df['entry_price_match']
# 删除临时使用的匹配列
daily_prices_df = daily_prices_df.drop(columns=['entry_price_match'])

可调规则说明 #

• 如果你的持仓规则是「出场日当天即平仓、不计入持仓」，把构造区间时的closed参数改为'left'即可
• 如果存在多笔交易时间重叠的情况，只需要在交易区间表中增加交易ID字段，匹配时把ID一起关联上即可适配
• 这套批量匹配方法的运行效率远高于iterrows()遍历，即便覆盖十几年的日度行情，也能在秒级完成计算

最终输出效果示例：

Date	Close	Price_Diff
2014-11-18	496.0	0.3
2014-11-19	484.0	-11.7
2014-11-20	487.0	-8.7
2014-11-21	495.0	-0.7
2014-11-24	484.0	-11.7
2014-11-25	470.0	-25.7

内容的提问来源于stack exchange，提问作者cmp